[发明专利]实物表面采样数据局部形貌标架量化及特征识别方法

说明书

本发明针对实物表面采样数据的特征识别结果存在噪声及特征遗漏问题，提出一种实物表面采样数据局部形貌标架量化及特征识别方法，属于产品逆向工程技术领域。基于点云局部中轴对样点的隔离作用，剔除样点欧氏邻域内的非测地邻域点，为实物表面构造优化的局部样本模型。析取局部离散样本中的准共法截线点对集合，构造实物表面的局部形貌标架。基于标架夹角的差异性，对实物表面样本形貌进行量化分析，区分平滑、边界、棱边及尖角等特征区域，实现对中心样点属性的稳健判别。本发明适用于不同密度的采样点云，能够显著降低点云特征识别结果中的噪声点规模，且能有效减少特征遗漏现象。

技术领域

本发明提供一种实物表面采样数据局部形貌标架量化及特征识别方法，属于产品逆向工程技术领域。

背景技术

在逆向工程领域，从实物表面采样数据中识别尖锐棱角、边界等特征区域的样点,是点云精简、微分几何量估计、曲面拓扑重建及几何重建等过程的重要基础，对该问题的研究长期以来深受关注。

对现有技术文献检索发现，王丽辉等在学术期刊《信号处理》2011,27(6):932-938发表的论文“三维实物表面采样数据模型的特征点检测”以目标点曲率、法向夹角、邻域点的距离为基础设定特征参数，利用特征阈值提取特征点。同样基于曲率分析的还有庞旭芳等在学术期刊《自动化学报》2010,36(8):1073-1083发表的论文“点云模型谷脊特征的提取与增强方法”，其利用目标点局部拟合多项式计算主曲率与主方向信息，利用较大的主曲率标记潜在特征点，提升了特征识别鲁棒性。多尺度特征提取方法也是一个重要分支，PAULY等在期刊《Computer Graphics Forum》2003,22(3):281-289发表的论文“Multi:caleFeature Extraction on Point sampled Surfaces”提出可引入黎曼树表达样点邻域，通过构建局部协方差矩阵完成特征点概率估计并提取特征点。李延瑞等在期刊《计算机集成制造系统》2015,21(7):1719-1724发表的论文“曲面边界样点逆向均值漂移识别”将目标样点的K近邻点集作为曲面局部样本，通过均值偏移算法将采样数据向稀疏区域扩展，利用核密度估计识别目标样点模式点，通过对比两点的偏离程度识别特征点。MIN等在期刊《Graphical Models》2012,74(4):197-208发表的论文“Multi-scale tensor voting forfeature extraction from unstructured point clouds”利用多尺度张量投票识别特征点的方法，借助自适应阈值提升了算法效率。WEBER等在期刊《Graphical Models》2012,74(6):335-345上发表的论文“Sharp feature preserving MLS surface reconstructionbased on local feature line approximations”认为可在目标点邻域内计算所有潜在三角形的法向，依据高斯法向将三角形聚类，根据法向聚类结果识别特征点，该方法在准确度上有一定的提升。BAZAZIAND等在期刊《International Joint Conference on ComputerVision,Imaging and Computer Graphics Theory and Applications》2017:317-325发表的论文“Segmentation-based multi-scale edge extraction to measure thepersistence of features in unorganized point clouds”提出了一种基于分割多尺度提取边缘特征点的方法，利用样点测地距离分割点云数据，随后通过目标样点的局部邻域定义多尺度算子，在点云的多个尺度应用该算子识别特征样点，提高了边缘检测精度。基于Voronoi图，ALIEZ等在期刊《Eurographics Symposium on GeometryProcessing.Eurographics Association》2007:39-48发表的论文“Voronoi-basedvariational reconstruction of unoriented point sets”提出可利用不同特征曲面下Voronoi单元形态的差异性，通过各维度最小生成体判断Voronoi单元特点并提取特征点；MERIGOT等在期刊《IEEE Transactions on Visualization and Computer Graphics》2011,17(6):743-756发表的论文“Voronoi-based curvature and feature estimationfrom point clouds”利用Voronoi顶点求解协方差矩阵分析目标Voronoi单元形态，优化特征识别的效率与准确性。