CN117152341A - 三维面提取方法、设备及存储介质 - Google Patents

Abstract

本申请涉及一种三维面提取方法、设备及存储介质，属于计算机技术领域，该方法包括：通过获取原始点云数据；对原始点云数据进行预处理，得到目标点云数据；将目标点云数据转化为三角网络模型；三角网络模型包括至少一个三角面；在至少一个三角面中，确定出初始三角面和初始三角面对应的相邻三角面；获取预设夹角阈值；基于预设夹角阈值、初始三角面的法向量与相邻三角面的法向量之间的夹角，在至少一个三角面中确定出目标三角面集合；基于目标三角面集合构建得到三维面。可以解决三维面提取时间较长的问题。

Description

三维面提取方法、设备及存储介质

技术领域

本申请涉及一种三维面提取方法、设备及存储介质，属于计算机技术领域。

背景技术

三维模型是各种应用重要的数据基础，例如室内清洁、导航等；基于三维点云数据提取得到的三维平面或者三维曲面，是构建或者优化三维建模的结构基础。

传统的三维面提取方法，包括：使用随机抽样一致算法(Random SampleConsensus，RANSAC)，在点云数据中提取得到三维面。

然而，RANSAC算法的计算参数的迭代次数没有上限，如果设置迭代次数的上限，得到的结果可能不是最优的结果，甚至可能得到错误的结果，因此，RANSAC算法只有一定的概率得到可信的模型，其概率与迭代次数成正比，想要提高提取结果模型的可信度就需要更多的迭代次数，导致计算量较大，从而导致三维面提取时间较长的问题。

发明内容

本申请提供了一种三维面提取方法、装置、设备及存储介质，可以解决三维面提取时间较长的问题。本申请提供如下技术方案：

第一方面，一种三维面提取方法，所述方法包括：

获取原始点云数据；

对所述原始点云数据进行预处理，得到目标点云数据；

将所述目标点云数据转化为三角网络模型；所述三角网络模型包括至少一个三角面；

在所述至少一个三角面中，确定出初始三角面和所述初始三角面对应的相邻三角面；

获取预设夹角阈值；

基于所述预设夹角阈值、所述初始三角面的法向量与所述相邻三角面的法向量之间的夹角，在所述至少一个三角面中确定出目标三角面集合；

基于所述目标三角面集合构建得到三维面。

可选地，所述在所述至少一个三角面中，确定出初始三角面和所述初始三角面对应的相邻三角面，还包括：

获取种子集合，所述种子集合为空集；

将所述初始三角面存入所述种子集合。

可选地，所述基于所述预设夹角阈值、所述初始三角面的法向量与所述相邻三角面的法向量之间的夹角，在所述至少一个三角面中确定出目标三角面集合，包括：

将所述种子集合中的所述初始三角面删除，并将所述初始三角面存入分类集合；

在所述初始三角面的法向量与所述相邻三角面的法向量之间的夹角小于或等于所述预设夹角阈值的情况下，将所述相邻三角面存入所述种子集合；

在所述种子集合中存在三角面的情况下，获取所述种子集合中的第一个三角面，作为种子三角面；

确定所述种子三角面对应的相邻三角面；

在所述种子三角面的法向量与所述种子三角面对应的相邻三角面的法向量之间的夹角小于或等于所述预设夹角阈值的情况下，将所述种子三角面对应的相邻三角面存入所述种子集合；

在所述种子集合中存在三角面的情况下，执行获取所述种子集合中的第一个三角面，作为种子三角面的步骤。

可选地，所述获取所述种子集合中的第一个三角面，作为种子三角面之后，还包括：

将所述种子集合中的所述种子三角面删除，并将所述种子三角面存入分类集合。

可选地，在所述种子集合中不存在三角面的情况下，所述方法还包括：

获取所述分类集合；

将所述分类集合中的三角面作为所述目标三角面集合。

可选地，所述对所述原始点云数据进行预处理，包括：

通过体素滤波对所述原始点云数据进行下采样，并通过统计滤波进行降噪处理；

和/或，

通过移动最小二乘法对所述原始点云数据进行重采样。

可选地，所述通过体素滤波对所述原始点云数据进行下采样，并通过统计滤波进行降噪处理，包括：

遍历所述原始点云数据中的每个点云，并计算所述每个点云与K个相邻点云之间的平均距离；所述K为大于0的整数；计算所述平均距离的均值和平均距离的标准差；

在所述每个点云的K个相邻点云中，剔除与点云之间的平均距离大于距离阈值的相邻点云；其中，所述距离阈值可以通过下式表示：

dmax＝μ+α×θ

式中，所述dmax为所述距离阈值；所述μ为所述平均距离的均值；所述θ为所述平均距离的标准差；所述α为可修改的常数或者比例系数。

可选地，所述将所述目标点云数据转化为三角网络模型，包括：

确定所述目标点云数据对应的法向量；

将所述目标点云数据基于所述法向量投影到二维平面，得到投影点云数据；

通过贪婪投影三角化算法得到所述投影点云数据的连接关系；

基于所述投影点云数据的连接关系确定所述目标点云数据的拓扑关系，得到所述三角网格模型。

第二方面，提供一种电子设备，所述设备包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现第一方面提供的三维面提取方法。

第三方面，提供一种计算机可读存储介质，所述存储介质中存储有程序，所述程序被处理器执行时用于实现第一方面提供的三维面提取方法。

本申请的有益效果至少包括：通过获取原始点云数据；对原始点云数据进行预处理，得到目标点云数据；将目标点云数据转化为三角网络模型；三角网络模型包括至少一个三角面；在至少一个三角面中，确定出初始三角面和初始三角面对应的相邻三角面；获取预设夹角阈值；基于预设夹角阈值、初始三角面的法向量与相邻三角面的法向量之间的夹角，在至少一个三角面中确定出目标三角面集合；基于目标三角面集合构建得到三维面。可以解决三维面提取时间较长的问题。通过将目标点云数据转换为三角网络模型，基于三角网络模型中的三角面计算提取目标网络模型对应的三维面，无需使用随机抽样一致算法，实现三维面的提取不再是以点为单位，而是以三角面为计算单位，从而使得计算量更小，速度更快且实现更方便简单，因此，可以减少三维面提取时间。

另外，将目标点云数据转换成三角网格模型后，三角网格模型更加接近实物，可视化效果更好。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。

附图说明

图1是本申请一个实施例提供的三维面提取方法的流程图；

图2是本申请一个实施例提供的投影点云数据的连接关系的示意图；

图3是本申请一个实施例提供的三角部分的示意图；

图4是本申请一个实施例提供的三维面提取装置的框图；

图5是本申请一个实施例提供的电子设备的框图。

具体实施方式

下面结合附图和实施例，对本申请的具体实施方式做进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。

首先，对本申请涉及的若干名词进行介绍。

体素滤波：它的原理是根据输入的点云，首先计算一个能够刚好包裹住该点云的立方体(体素格)，然后根据设定的分辨率，将该大立方体分割成不同的小立方体。对于每一个小立方体内的点，计算他们的质心，并用该质心的坐标来近似该立方体内的若干点。

移动最小二乘法(Moving Lest Squares，MLS)：是建立大量离散数据拟合曲线的理想方法。当大量离散数据的分布较为杂乱时，使用传统的最小二乘法，往往需要对数据进行分段拟合，此外还要避免相邻分段上的拟合曲线不连续不平滑的问题。而移动最小二乘法在处理相同问题时则不需要上述这些繁琐的步骤，简单易于实现。

在移动最小二乘法中，需要在一组不同位置的节点附近建立拟合曲线，每个节点都有自己的一组系数用于定义该位置附近拟合曲线的形态。因此，在计算某个节点附近的拟合曲线时，只需要计算该点的该组系数值即可。此外，每个节点的系数取值只考虑其临近采样点，且距离节点越近的采样点贡献越大，对于未置较远的点则不予考虑。

图1是本申请一个实施例提供的三维面提取方法的流程图，该方法至少包括以下几个步骤：

步骤101，获取原始点云数据。

步骤102，对原始点云数据进行预处理，得到目标点云数据。

本实施例中，对原始点云数据进行预处理，包括：通过体素滤波对原始点云数据进行下采样，并通过统计滤波进行降噪处理；和/或，通过移动最小二乘法对原始点云数据进行重采样。

其中，通过体素滤波对原始点云数据进行下采样，通过体素格内质心处的点云数据代替体素格内的其他点云数据，可以让点云数据的分布更加均匀，并在一定程度上去除噪音且减少点云数据的数据量，以减少后续计算量，同时，不破坏点云数据本身几何结构。

通过体素滤波对原始点云数据进行下采样，并通过统计滤波进行降噪处理，至少包括步骤S11至步骤S13：

步骤S11，遍历原始点云数据中的每个点云，并计算每个点云与K个相邻点云之间的平均距离；K为大于0的整数。

步骤S12，计算平均距离的均值和平均距离的标准差；

此时，距离阈值可以通过下式表示：

dmax＝μ+α×θ

式中，dmax为距离阈值；μ为平均距离的均值；θ为平均距离的标准差；α为可修改的常数或者比例系数。

步骤S13，遍历点云数据中的每个点云，在每个点云的K个相邻点云中，剔除与点云之间的平均距离大于距离阈值的相邻点云。

本实施例中，通过移动最小二乘法对原始点云数据进行重采样，可以使得后续通过目标点云数据构建得到的三角网络模型更加平滑。

步骤103，将目标点云数据转化为三角网络模型。

其中，三角网络模型包括至少一个三角面。

本实施例中，将目标点云数据转化为三角网络模型，至少包括步骤S21至步骤S24：

步骤S21，确定所述目标点云数据对应的法向量。

本实施例中，通过使用近似值，从目标点云数据中推断出任意一点曲面法线，从该点最近邻计算的协方差矩阵的特征向量和特征值分析得到该点的法向量。

步骤S22，将目标点云数据基于法向量投影到二维平面，得到投影点云数据。

步骤S23，通过贪婪投影三角化算法得到投影点云数据的连接关系。

本实施例中，在将三维的目标点云数据基于法向量投影到二维平面后，使用基于三角剖分(Delaunay)的空间区域增长算法实现平面点集三角化并满足三角形最小角最大原则。

具体地，参考图2，将目标点云数据通过法向量投影到二维平面内，创建一个初始三角面，并基于该初始三角面不断扩张延申，添加新的三角面，直到所有符合几何正确性和拓扑正确性的点都被连上，即，没有更多地有效三角面可以连结到三角网格中，形成一张三角网格。

其中，三角部分的特点包括最大化最小角和唯一性(任意四点不能共圆)。

比如：参考图3，以包括公共边BD的两个三角形ABD和三角形BCD为例；三角形ABD包括角a，三角形BCD包括角c，若角a与角c的和小于180°，则三角形ABD和三角形BCD满足三角部分的特点。

步骤S24，基于投影点云数据的连接关系确定目标点云数据的拓扑关系，得到三角网格模型。

步骤104，在至少一个三角面中，确定出初始三角面和初始三角面对应的相邻三角面。

其中，初始三角面为三角网格模型中的至少一个三角面中的任意一个三角面；相邻三角面包括与初始三角面共边的三角面。

本实施例中，三角网格模型包括平面模型、曲面模型或者平面模型与曲面模型的组合，本实施例不对三角网格模型的形状作限定。

相应地，初始三角面可以为平面模型中的任意一个三角面，也可以为曲面模型中的任意一个三角面。

在确定出初始三角面之后，将初始三角面存入种子集合中，其中，种子集合为空集。

具体地，在至少一个三角面中，确定出初始三角面和初始三角面对应的相邻三角面，还包括：获取种子集合，种子集合为空集；将初始三角面存入种子集合。

步骤105，获取预设夹角阈值。

本实施例中，预设夹角阈值是预先设置的三角面法向量之间的夹角的阈值。预设夹角阈值包括但不限于30°、45°或者60°等。

实际实现时，可以根据实际情况调整预设夹角阈值，本实施例不对预设夹角阈值的取值作限定。

步骤106，基于预设夹角阈值、初始三角面的法向量与相邻三角面的法向量之间的夹角，在至少一个三角面中确定出目标三角面集合。

其中，基于预设夹角阈值、初始三角面的法向量与相邻三角面的法向量之间的夹角，在至少一个三角面中确定出目标三角面集合，至少包括步骤S31至步骤S36：

步骤S31，将种子集合中的初始三角面删除，并将初始三角面存入分类集合。

步骤S32，在初始三角面的法向量与相邻三角面的法向量之间的夹角小于或等于预设夹角阈值的情况下，将相邻三角面存入种子集合。

步骤S33，在种子集合中存在三角面的情况下，获取种子集合中的第一个三角面，作为种子三角面。

获取种子集合中的第一个三角面，作为种子三角面之后，还包括：将种子集合中的种子三角面删除，并将种子三角面存入分类集合。

比如：以种子集合A中包括三角面R和三角面P，分类集合B中包括三角面O为例，若种子集合A表示为{R，P}，即三角面R为种子集合A中的第一个三角面，此时，将三角面R作为种子三角面，并将三角面R从种子集合A中删除，并存入分类集合B中，此时，种子集合A表示为{P}，分类集合B可以表示为{O，R}；若种子集合A表示为{P，R}，即三角面P为种子集合A的第一个三角面，则将三角面P作为种子三角面，并将三角面P从种子集合A中删除，并存入分类集合B中，此时，种子集合A表示为{R}，分类集合B可以表示为{O，P}。

步骤S34，确定种子三角面对应的相邻三角面。

步骤S35，在种子三角面的法向量与种子三角面对应的相邻三角面的法向量之间的夹角小于或等于预设夹角阈值的情况下，将种子三角面对应的相邻三角面存入种子集合。

步骤S36，在种子集合中存在三角面的情况下，执行获取种子集合中的第一个三角面，作为种子三角面的步骤。

在种子集合中不存在三角面的情况下，还包括：获取分类集合；将分类集合中的三角面作为目标三角面集合。

步骤107，基于目标三角面集合构建得到三维面。

其中，三维面包括三维平面和三维曲面。

在初始三角面为平面模型中的任意一个三角面的情况下，三维面为三维平面；在初始三角面为曲面模型中的任意一个三角面的情况下，三维面为三维曲面。

比如：以原始点云数据为圆顶的房间的点云数据为例，则三角网格模型包括房间的圆顶对应曲面模型以及房间地面和墙面对应的平面模型；在初始三角面为曲面模型中的三角面的情况下，三维面为圆顶对应的曲面；在初始三角面为平面模型中的三角面，例如地面对应的平面模型中的三角面，则三维面为地面对应的平面。

综上所述，本实施例提供的三维面提取方法，通过获取原始点云数据；对原始点云数据进行预处理，得到目标点云数据；将目标点云数据转化为三角网络模型；三角网络模型包括至少一个三角面；在至少一个三角面中，确定出初始三角面和初始三角面对应的相邻三角面；获取预设夹角阈值；基于预设夹角阈值、初始三角面的法向量与相邻三角面的法向量之间的夹角，在至少一个三角面中确定出目标三角面集合；基于目标三角面集合构建得到三维面。可以解决三维面提取时间较长的问题。通过将目标点云数据转换为三角网络模型，基于三角网络模型中的三角面计算提取目标网络模型对应的三维面，无需使用随机抽样一致算法，实现三维面的提取不再是以点为单位，而是以三角面为计算单位，从而使得计算量更小，速度更快且实现更方便简单，因此，可以减少三维面提取时间。

另外，将目标点云数据转换成三角网格模型后，三角网格模型更加接近实物，可视化效果更好。

图4是本申请一个实施例提供的三维面提取装置的框图。该装置至少包括以下几个模块：数据获取模块401、数据处理模块402、数据转化模块403、第一确定模块404、阈值获取模块405、第二确定模块406和面片构建模块407。

数据获取模块401，用于获取原始点云数据；

数据处理模块402，用于对原始点云数据进行预处理，得到目标点云数据；

数据转化模块403，用于将目标点云数据转化为三角网络模型；三角网络模型包括至少一个三角面；

第一确定模块404，用于在至少一个三角面中，确定出初始三角面和初始三角面对应的相邻三角面；

阈值获取模块405，用于获取预设夹角阈值；

第二确定模块406，用于基于预设夹角阈值、初始三角面的法向量与相邻三角面的法向量之间的夹角，在至少一个三角面中确定出目标三角面集合；

面片构建模块407，用于基于目标三角面集合构建得到三维面。

相关细节参考上述方法实施例。

需要说明的是：上述实施例中提供的三维面提取装置在进行三维面提取时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将三维面提取装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的三维面提取装置与三维面提取方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图5是本申请一个实施例提供的电子设备的框图。该设备至少包括处理器501和存储器502。

处理器501可以包括一个或多个处理核心，比如：4核心处理器、8核心处理器等。处理器501可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器501也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器501可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器501还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器502可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器502还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器502中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器501所执行以实现本申请中方法实施例提供的三维面提取方法。

在一些实施例中，电子设备还可选包括有：外围设备接口和至少一个外围设备。处理器501、存储器502和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地，外围设备包括但不限于：射频电路、触摸显示屏、音频电路、和电源等。

当然，电子设备还可以包括更少或更多的组件，本实施例对此不作限定。

可选地，本申请还提供有一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的三维面提取方法。

可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的三维面提取方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种三维面提取方法，其特征在于，所述方法包括：

获取原始点云数据；

对所述原始点云数据进行预处理，得到目标点云数据；

将所述目标点云数据转化为三角网络模型；所述三角网络模型包括至少一个三角面；

在所述至少一个三角面中，确定出初始三角面和所述初始三角面对应的相邻三角面；

获取预设夹角阈值；

基于所述预设夹角阈值、所述初始三角面的法向量与所述相邻三角面的法向量之间的夹角，在所述至少一个三角面中确定出目标三角面集合；

基于所述目标三角面集合构建得到三维面。

2.根据权利要求1所述的方法，其特征在于，所述在所述至少一个三角面中，确定出初始三角面和所述初始三角面对应的相邻三角面，还包括：

获取种子集合，所述种子集合为空集；

将所述初始三角面存入所述种子集合。

3.根据权利要求2所述的方法，其特征在于，所述基于所述预设夹角阈值、所述初始三角面的法向量与所述相邻三角面的法向量之间的夹角，在所述至少一个三角面中确定出目标三角面集合，包括：

将所述种子集合中的所述初始三角面删除，并将所述初始三角面存入分类集合；

在所述初始三角面的法向量与所述相邻三角面的法向量之间的夹角小于或等于所述预设夹角阈值的情况下，将所述相邻三角面存入所述种子集合；

在所述种子集合中存在三角面的情况下，获取所述种子集合中的第一个三角面，作为种子三角面；

确定所述种子三角面对应的相邻三角面；

在所述种子三角面的法向量与所述种子三角面对应的相邻三角面的法向量之间的夹角小于或等于所述预设夹角阈值的情况下，将所述种子三角面对应的相邻三角面存入所述种子集合；

在所述种子集合中存在三角面的情况下，执行获取所述种子集合中的第一个三角面，作为种子三角面的步骤。

4.根据权利要求3所述的方法，其特征在于，所述获取所述种子集合中的第一个三角面，作为种子三角面之后，还包括：

将所述种子集合中的所述种子三角面删除，并将所述种子三角面存入分类集合。

5.根据权利3所述的方法，其特征在于，在所述种子集合中不存在三角面的情况下，所述方法还包括：

获取所述分类集合；

将所述分类集合中的三角面作为所述目标三角面集合。

6.根据权利要求1所述的方法，其特征在于，所述对所述原始点云数据进行预处理，包括：

通过体素滤波对所述原始点云数据进行下采样，并通过统计滤波进行降噪处理；

和/或，

通过移动最小二乘法对所述原始点云数据进行重采样。

7.根据权利要求6所述的方法，其特征在于，所述通过体素滤波对所述原始点云数据进行下采样，并通过统计滤波进行降噪处理，包括：

遍历所述原始点云数据中的每个点云，并计算所述每个点云与K个相邻点云之间的平均距离；所述K为大于0的整数；

计算所述平均距离的均值和平均距离的标准差；

在所述每个点云的K个相邻点云中，剔除与点云之间的平均距离大于距离阈值的相邻点云；其中，所述距离阈值可以通过下式表示：

dmax＝μ+α×θ

式中，所述dmax为所述距离阈值；所述μ为所述平均距离的均值；所述θ为所述平均距离的标准差；所述α为可修改的常数或者比例系数。

8.根据权利要求1所述的方法，其特征在于，所述将所述目标点云数据转化为三角网络模型，包括：

确定所述目标点云数据对应的法向量；将所述目标点云数据基于所述法向量投影到二维平面，得到投影点云数据；

通过贪婪投影三角化算法得到所述投影点云数据的连接关系；

基于所述投影点云数据的连接关系确定所述目标点云数据的拓扑关系，得到所述三角网格模型。

9.一种电子设备，其特征在于，所述设备包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现如权利要求1至8任一所述的三维面提取方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有程序，所述程序被处理器执行时用于实现如权利要求1至8任一所述的三维面提取方法。