[发明专利]基于局部曲面变化因子的散乱点云数据精简处理方法

说明书

技术领域

本发明属于逆向工程中计算机三维建模技术领域，为了提高三维建模效率，主要针对由产品数字化测量设备得到的三维散乱点云数据，进行的散乱点云数据精简处理。

背景技术

光学非接触式测量设备有数据获取快，数据丰富的优点，不仅能精确的包含被测物的全部形貌特征数据，还包含法线方向、反身强度等信息。在逆向工程的应用邻域中得到越来越广泛的应用。

随着光学三维测量技术的发展，测量设备的分辨率越来越高，一次测量采集可得到多达上百万个点数据，但是并不是所有的点数据都可以被用于后续的曲面重建等工作，如在特征平缓的地方，很多点数据都是冗余的；同时，过多的点数据会使得在计算机的储存和计算等操作中消耗过多的时间，在曲面重建等工作中的效率会大大降低，因此在不影响曲面重建等工作的基础上，需要首先对点云数据进行精简处理。针对点云精简处理问题，国内外研究学者做了大量的研究，并产生了很多优秀的研究成果。目前，其处理方法主要分为两大类：均匀精简的方法和特征精简的方法。

1.均匀精简的方法

均匀精简方法不考虑细节曲率等特征，基于距离等方式实现均匀的精简点云数据，比较有代表性的方法有均匀网格法和包围盒法。均匀网格法是用投影的方式，将点云投影到一个小栅格里，求解靠近网格中心位置的点所对应的三维点，以此代替网格中其他的投影点多对应的三维点，从而实现点云精简。精简的比例取决网格的大小，网格越大，精简的比例也越大。包围盒法是分别寻找散乱点云中三个坐标的最大值最小值，得到能包围所有点云的最小包围盒的边长，并以此按照一定的空间划分策略，将此包围盒划分成大小相等的小立方体栅格，并将点云分配到每一个小立方栅格中，保留每个小立方体栅格中靠近中心的三维点数据，或取小立方体栅格中点云的重心点，来代替小立方体栅格中的其他点云数据，从而达到精简点云数据的目标。

均匀精简的效果对于均匀的点云数据效果比较好，但是对于复杂的自由曲面模型的点云数据，其曲率变化较大，如果将栅格划分过小，则保留的数据点较多，不能达到精简目的；如果将栅格划分过大，则保留的数据点较少，会破坏棱角特征，甚至会出现孔洞。

2.特征精简的方法

特征精简的方法是充分考虑点云数据模型的细节特征，在实现点云数据精简的情况下，保护细节特征部分不被删除，主要的方法有非均匀网格法、基于特征点的点云精简法和基于曲率特征的点云数据精简方法。其中基于曲率特征精简点云最为成熟的一种方法：首先需要散乱点云拓扑关系的建立，即建立散乱点云的k邻域信息，然后通过一定的方法来估算k邻域的曲率大小，根据估算得到的曲率的大小变化，对点云数据进行精简，在曲率小的地方，保留较少的点，曲率大的地方，保留较多的点，从而达到基于特征精简点云数据。

这种基于曲率特征的精简方法可以在最大量保存实物模型的细节特征的前提下，尽可能的增加精简效率，但是存有以下不足：

一方面是在建立散乱点云k邻域信息方面，主要可以分为三类方法：一是利用采样点集Voronoi图实现k个最近点搜索，但主要应用于二维散乱点集，且其计算量仍然很大，在三维应用领域中，并不能适合所有类型的点云数据；二是基于树的层级结构搜索k邻域，如KD-Tree、八叉树等方法，但是这些方法在搜索不同层的相邻叶节点的时候就会变得特别复杂，若邻域点和采样点处于不同的层级结构时，这时会导致搜索范围扩大，致使搜索效率大大降低；三是基于立方体小栅格搜索k邻域，利用不同的划分空间策略，将点云空间分成许多大小相同的立方体栅格，按照一定的搜寻扩展方式，快速搜索k邻域，且这些方法都是按照固定的k值搜寻，容易使其中的搜索循环陷入死循环，搜索效率较慢，且在一些边界位置，用固定的k邻域处理点云数据会导致更大的错误，因而会影响整体的点云数据精简的速度和精度。

另一方面是在估算曲率方面，主要有两种方法：一种方法，是建立其他模型替代原先的三维点云数据来估算曲率，如局部坐标系中的二次参数曲面模型、三角网格模型等，这种方法过程复杂，且不能保证转换后的模型的准确性，另一种直接采用原始点云模型估算曲率，大部分局限在规则点云的条件之上，对散乱点云模型直接估算曲率计算复杂，涉及很多大参数和矩阵计算，因而也会严重影响点云数据精简的整体效率。

发明内容