[发明专利]基于支持向量机的散乱点云三角化方法

说明书

本发明涉及一种基于支持向量机的散乱点云三角化方法，该方法先求出原始点云数据在平面内的最小矩形包围盒，在此包围盒内以原始数据中的最小点云密度均值进行数据点重采样，并生成平面三角网格；用原始点云边界多边形对平面四边域内的三角网格进行裁剪，得到实际边界域内的三角网格；然后应用最小二乘支持向量机对经过压缩的原始三维点云进行拟合，并通过此拟合模型将平面域内的三角网格向空间映射，得到三维空间的三角网格。通过实例验证表明，该方法在处理冗余或局部残缺数据时仍能生成较规则的三角网格，不易生成奇异网格或空洞。

技术领域：

本发明涉及一种基于支持向量机的散乱点云三角化方法。

背景技术：

目前在工业产品设计、医学检验、数字化人体模型建立、三维地图绘制等领域，都需要获取物理模型的表面形状信息。常用的表面信息获取设备为三坐标测量机、激光扫描仪和计算机断层扫描仪(Computerized Tomography,CT)。这些设备得到的数据点形式各不相同，三坐标测量机和CT得到的数据分布在相互平行的平面断层上，在局部有一定的组织规律性。但从全局看，这三种设备得到的数据点都呈现散乱分布的特点。在后续完成表面连续化重建的过程中，需要对这些散乱数据点间的拓扑关系进行描述。三角化就是将各数据点间以三角形相互连接，形成一张三角网格，建立起各数据点与其邻近点间的拓扑连接关系，以揭示散乱数据点所表示的原始表面的形状和拓扑结构。

根据所处理数据点维数的不同，散乱数据三角化可分为平面域和空间域内两类算法。平面域内散乱数据三角化大多采用Delaunay三角剖分算法及其优化准则，此类算法已比较成熟。但对于空间域内的散乱数据点，其间拓扑关系更加复杂，如果采用与二维数据同样的三角化算法，则很难取得理想的效果。因此，目前对空间散乱数据点的三角化理论和算法尚不完善，需进行进一步研究。特别是当测量点分布不均匀、含有冗余数据或局部残缺时，现有的直接三角化算法容易生成奇异三角网格或空洞。

发明内容：

鉴于上述现有技术中存在的不足，本发明针对工程实践中常见的单值点云数据研究其三角网格生成方法，对于非单值点云，可将其分割为多块单值点云分别进行三角化。本发明提出一种基于最小二乘支持向量机(简称“LS-SVM”)的空间散乱数据间接三角化方法，该方法在处理冗余或局部残缺数据时仍具有良好的适应性，且不易生成奇异三角网格或空洞。

为了实现上述发明目的，本发明所采用的技术方案为：

基于支持向量机的散乱点云三角化方法，包括对Z向单值点云数据进行边界特征提取、平面域内三角网格生成、基于LS-SVM的曲面拟合、三维映射生成空间域内三角网格；在曲面拟合前对原始数据进行数据压缩过滤原始数据中的冗余信息，所述数据压缩采用基于LS-SVM方法进行，具体如下：

(1)点云分块：将原始数据点云中的数据点分为若干数据块，每个数据块中的数据点数小于给定块内数据点数最大值，得到符合要求的D个数据块；

(2)块内剪枝：用LS-SVM对各个数据块分别进行拟合，计算出拉格朗日乘子α_i，并按|α_i|由大到小降序排列，设压缩率为k，k1，数据块内压缩前数据点个数为r，则将排在最后的k·r个|α_i|对应的数据点删除，可得到压缩后的数据点，点的个数为r(1-k)；

(3)精度检验：将经过块内剪枝的D个数据块合并得到压缩后的数据点集S_n，采用LS-SVM进行拟合，得到拟合散乱点云数据的整体曲面模型z＝f(x,y)；设拟合误差的许用值为ε，对于S_n内的任一点P_i(x_i,y_i,z_i)，进行拟合误差计算e＝|z_i-f(x_i,y_i)|，若e≤ε，则数据压缩合理，否则减小压缩率k重新进行压缩。