[发明专利]基于海量点云的曲面增量拓扑重建方法

说明书

技术领域

本发明提供一种基于海量点云的曲面增量拓扑重建方法，可用于重建大规模点云数据，属于产品逆向工程领域。

背景技术

曲面重建技术广泛应用于逆向工程、医学影像和虚拟现实等领域，特别是在汽车制造，航空航天等工业生产过程中，复杂实物表面的重建精度将直接影响最终产品的生产质量。三维扫描设备的发展，使得获取反映物体细节特征的密集点云数据成为现实，但这些采样点集通常数据量大且拓扑信息缺失，比如激光扫描仪所得散乱点云数据可达百万级甚至亿级。如何利用扫描得到的海量点云数据高效重建高精度的原始曲面，恢复其拓扑邻接关系，近年来一直都是国内外研究的热点问题。

现有曲面重建方法主要分为基于隐式曲面拟合方法、增量扩展方法和Delaunay网格过滤方法。隐式曲面拟合方法通过使用隐函数曲面拟合数据点，主要有Hoppe等提出的零等值面法，在零等值面法的基础上提出的泊松重建算法，以及全局隐式曲面拟合的径向基函数法。隐式曲面拟合的方法具有可自动融合成光滑曲面的重要特性，且连续性和变形性好，适于描述具有光滑复杂外形的物体。但该类算法以逼近采样点集的方式获得网格曲面，难以保留物体的特征信息且不适用于非封闭曲面的重建。

增量扩展方法的基本原理是：首先构造一个种子三角形，然后依据某种准则不断选择新点加入来构造新的三角形并更新波前环，当所有点遍历结束时三角形生长完毕，初始剖分优化后即可获得逼近原始曲面的三角网格。该类算法的关键在于新点添加规则的确定，主要代表有Ball Pivoting方法和G2S准则。增量扩展类算法时空复杂度低，可以处理大规模点云数据，但是对采样条件要求较高，在棱边等曲率变化较大的特征区域或采样不均匀处易出现孔洞和狭长三角面片等。

Amenta等人基于Delaunay三角剖分和其对偶Voronoi图先后提出了Crust算法和 Cocone算法，并证明这两种算法在满足光滑曲面采样的条件下重建结果与原表面拓扑同构，而且随着采样密度的增加输出结果收敛至原表面。Crust算法和Cocone算法重建结果的正确性具有理论保证，但是基于全局Delaunay三角剖分时空复杂度高，难以重建大规模点云数据。Dey等随后在《Localized Cocone surface reconstruction》(Computers&Graphics， 2011，35(3)：483-491)中提出了一种基于局部Delaunay三角剖分的Localized Cocone算法。该算法利用八叉树对采样点集进行分割，然后对每个子节点所包含的样本应用Cocone 算法进行重建，可实现对较大规模点云数据的处理。然而对采样点集粗略分割得到的子节点中包含的大量点云数据，其Cocone重建过程仍十分耗时，限制了整体重建效率的提升。

发明内容

本发明的目的在于提供一种基于海量点云的曲面增量拓扑重建方法，兼顾重建效率与重建曲面拓扑准确性。其技术方案为：

一种基于海量点云的曲面增量拓扑重建方法，其特征在于步骤依次为：(1)利用R*树构建输入点集S的空间索引并将S中样点状态初始化为自由点。(2)选取点集S中x坐标值最大的样点p₀作为初始点。(3)求取p₀的局部样本λ(p₀)并对该样本进行局部重建，得到初始重建网格D(λ(p₀))。(4)提取D(λ(p₀))的波前环并将其向λ(p₀)的最小二乘拟合微切平面投影。调整投影点连接次序使之与p₀的法向满足右手螺旋准则，进而确定波前环环向，并将 D(λ(p₀))添加到重建网格面片集合Q中。(5)遍历波前环链表，获取首个非边界样点标记的波前点p_r。若p_r不存在，执行(9)，否则执行(6)。(6)求取p_r的k邻域点集，剔除其中标记为饱和点的样点。若剩余点集为空，则将p_r标记为边界点，执行(8)；否则对剩余点集进行扩增并将扩增后点集作为波前局部样本λ(p_r)。(7)对λ(p_r)进行局部重建，将获得的波前重建网格D(λ(p_r))添加到Q中，然后根据文献[8]中波前环的扩张、分裂方法更新波前环。(8)重复(5)至(7)。(9)对重建网格面片集合Q进行法向一致化处理，曲面重建完成。