基于曲率突变分析的点云特征线自动提取
发布时间:2023-04-01 18:06:13 来源:文档文库
小
中
大
字号:
基于曲率突变分析的点云特征线自动提取
陈华伟;袁小翠;吴禄慎;王晓辉
【摘要】点云特征线提取是点云模型重构的基础,国内外对此从边缘检测、特征线跟踪和面域分析等方面展开了研究,但由于存在模型多样性、点云数据噪声和不完整性、特征复杂性等问题,看似简单的特征线自动化提取很难实现.从曲率突变点隐含了点云特征线这一论断出发,借鉴图像处理中的区域分割和边缘检测思想,提出了特征线提取中的聚类、细化、分段和排序方案.在具体实现中分别提出了基于连通区域聚类的备选点集分离算法,基于局部影响区域腐蚀的点集细化算法,以及基于组合搜索准则和主成分分析(PCA双向搜索的特征线分支截断和排序算法.在对比实验中,确定了算法关键参数曲率突变点比例w和方向夹角阈值θT的推荐值,并与类似算法对比能提取更多的特征点;在模型实验中,简单几何模型的特征线提取正确率达到了100%,复杂机械零件模型和艺术品模型的特征线提取正确率均达到了85%以上,取得了预想的棱线和特征轮廓线提取效果.算法具有通用性和可扩展性,通过程序优化可获得更好的特征提取效果.【期刊名称】《光学精密工程》【年(卷,期】2019(027005【总页数】11页(P1218-1228
【关键词】点云模型;曲率突变;特征线提取;连通区域;细化算法【作者】陈华伟;袁小翠;吴禄慎;王晓辉
【作者单位】贵州师范大学机电工程学院,贵州贵阳550025;南昌工程学院江西省精密驱动与控制重点实验室,江西南昌330099;南昌大学机电工程学院,江西南昌330031;南昌大学机电工程学院,江西南昌330031【正文语种】中文【中图分类】TP391.41引言
特征线提取技术是数字几何处理、计算机可视化及逆向工程等领域中的一项重要研究内容。在三角网格模型和点云模型中,特征线是特征点的有序连接,可以很好地表达和识别3D模型的几何特征,改善几何处理中的性能,并广泛应用于面域分割、曲面重建和形状识别。
点云模型特征提取就是在保留反映几何模型形状的棱边、尖角、凸凹处和过渡光滑处的特征数据,这些特征信息表达了物体的外轮廓。部分学者从几何特征分析角度对特征线提取问题展开了研究。聂建辉[1]将符号曲面变化度作为区域增长限定条件,对潜在特征点进行区域分割并提取特征线。其曲面变化度的符号通过点云法向量与邻域重心方向向量的一致性得到,在强噪声的情况下会出现错误,进而导致特征线断裂和缺损。谢晓尧[2]提出了一种改进移动最小二乘的点云模型特征提取的算法,利用双向搜索方法实现边界特征线的提取。提取的特征线会产生一些缺陷,还需进一步优化。Ni[3]通过邻域几何属性分析(AGPN,结合随机采样一致性(RANSAC和角间隙度量来检测边缘,然后通过边缘区域生长和模型拟合的混合方法跟踪特征线。该方法可靠性好,适用于验证复杂的人造物体和大规模的城市场景点云数据。Demarsin[4]对局部邻域内法向量变化大的点使用区域生长算法获得初始聚类,然后对不同聚类的边缘点云数据进行分割,并构造最小生成树得到封闭特
征线,但该算法仅对均匀分布的数据有效。
几何特征检测算法遇到的最大障碍就是点云噪声和数据不完整的问题,为此,部分学者采用了一些新的计算指标或数学方法。李宝[5]提出了一种基于RANSAC的特征线提取算法。该算法对点云中的噪声、外点和数据缺失具有很强的鲁棒性,但只适用于具有平面特征的扫描点云数据。程效军[6]采用切片法和数学形态学提取点云的轮廓特征线,实验中还解决了“多环”切片的轮廓线提取问题。周明全[7]借用图像处理思想,使用拉普拉斯算子提取文物碎片表面的纹饰特征和断裂部位轮廓线,并采用线段拼接方式非均匀采样获得断裂轮廓线上的特征点,该算法无法处理光滑无纹饰特征的碎片模型。Liu[8]使用多尺度算子,检测靠近潜在特征线的特征点,通过检查特征点密度消除非特征点。该方法继承了多尺度算子的鲁棒性,可用于处理数据缺失的无组织噪声点云数据。Zhang[9]提出使用泊松分布的统计模型从点云中提取特征点,获取特征线的链接信息,采用L1中值重建点簇的几何形状,并根据链接信息完成最终的闭合特征线。该方法不需要任何先前的表面重建,并且很大程度上不受噪声点、邻域尺度或采样质量的影响。Nie[10]为提高对噪声和不均匀采样的鲁棒性,构造了平滑收缩指数(SSI,选择SSI值大于阈值的点作为潜在特征点,采用双边滤波算法迭代消减潜在特征点来获得最终特征点。Park[11]提出了基于张量投票理论的新方法,从非结构化点云中提取出可能包含随机噪声、异常值和伪像的尖锐特征,该方法提高了输入模型的噪声灵敏度和尺度依赖性,并且具有较好的鲁棒性。Mark[12]对邻域点集使用主成分分析,获得点沿特征方向的邻域,再通过对面误差分析获得较优的邻域大小,然后以邻域为尺度参数,构建了离散多尺度分类算子,从而提高特征检测的可靠性和对噪声的健壮性。曲率是点云模型特征识别的重要依据,几何模型在表面棱线、过渡边处为C0或C1连续,具有曲率突变的数学特性。事实上,曲率突变区域隐含了模型的特征线或过渡区域,对点云模型而言,通过对曲率突变点的分析就能够达到提取特征线及
过渡区域的目的。刘倩[13]提出一种基于高斯映射和曲率值分析的尖锐特征线提取算法。算法中对点云数据进行离散高斯映射,并将映射点集聚类,根据聚类结果和曲率值分析进行特征点判断。该算法简单易于实现,运行效率较高,但该算法只适用于封闭模型的尖锐特征边提取,无法提取模型的细节特征。张文景[14]提出了基于曲率提取轮廓特征点的方法。在以轮廓点为中心的支撑区域内定义曲率角,并根据定义的曲率角及曲率符号,采用简单的模糊匹配技术,提取出候选的轮廓特征点。余飞祥[15]提出一种基于扫描线点云的边界特征提取方法。该方法在特征点的邻域搜索中将点沿扫描线排序,通过点的离散曲率来区分面上点和边界点,使用表面和侧面上的点分别拟合直线,将直线的交点作为特征点。Altantsetseg[16]使用曲率加权拉普拉斯算法的平滑方法对潜在特征点进行稀疏化,以寻求实际特征点。Wang[17]提出了一种基于数据引力来提取3D网格上特征点的方法。在该方法中选择具有最大高斯曲率的点作为初始特征点集。Tsuchie[18]提出一种法矢张量框架(Normaltensorframework,沿着跟踪主方向上的曲率变化,既能提取C0连续的尖锐特征边,又能提取C1连续的倒角边和凹凸区域交界线。
模型本身具有的多样性和复杂性,以及点云模型的数据离散性、不完整性和噪声等问题也为特征线的提取带来了更多挑战。现有方法通常会导致一些未连接的特征线,使得难以根据这些特征线对模型进行区域分割或网格划分;此外,有些过渡特征线是开曲线,过度强调其闭合特性并不能求取所有特征线。对此,本文以机械零件点云模型为主要研究对象,借鉴数字图像处理中的区域分割和边缘检测思想,提出基于曲率突变点的模型特征线提取方案,其主要步骤有:
(1使用曲率法,抽取部分曲率突变点作为特征线识别的备选点集;