[发明专利]基于点云法线与曲率变化双约束曲面误差显著点识别方法

说明书

本发明提供基于点云法线与曲率变化双约束的曲面误差显著点识别方法，包括以下：使用扫描仪对工件扫描，得到点云数据；对点云数据进行滤波去噪，采用kd‑tree方法对点云进行划分；在kd‑tree中使用K近邻差找建立每一个点与其邻近点的邻域关系，并求取点云法线、曲率；采用基于深度优先搜索的区域生长算法对整个点云进行遍历，添加点云法线与曲率变化的双约束作为区域生长的限制条件；对区域生长得到的区域进行筛选，去除极小、极大区域；对剩余的相邻区域进行合并，得到识别出的误差显著点点云；对识别得到的误差显著点点云进行边界提取，同时确定出误差显著点的位置信息。本发明提供的有益效果是：提高了点云误差显著点识别的搜索效率、准确率和位置精确度。

技术领域

本发明涉及三维重建领域，尤其涉及基于点云法线与曲率变化双约束曲面误差显著点识别方法。

背景技术

数码设备及3D扫描仪的普及，使得点云数据的获取更加快捷精准。相对于图像分割及网格分割，点云数据保留了三维模型比较细微的特征且存储方便，因此对三维模型的点云处理已经成为研究的热点。

点云分割是根据空间、几何和纹理等特征对点云进行划分，使得同一划分内的点云拥有相似的特征。点云的有效分割是能够进行更好的孔洞修复、曲面重建的前提。

曲面误差显著点的识别是典型的点云分割问题，但是传统的点云分割算法在进行误差显著点识别时往往都有计算效率低，识别精度差，特别是在曲面上的误差显著点更不容易识别。

发明内容

有鉴于此，本发明提供了基于点云法线与曲率变化双约束曲面误差显著点识别方法，包括以下：

S101：使用三维扫描仪对加工后的工件进行扫描，得到点云数据；

S102：对所述点云数据进行滤波去噪，得到滤波去噪后的点云数据；

S103：对滤波去噪后的点云数据采用kd-tree方法对点云进行划分，并求取点云数据的法线和曲率；

S104；采用基于深度优先搜索的区域生长算法对所述滤波去噪后的点云数据进行遍历，并添加点云法线与曲率变化的双约束作为区域生长的限制条件；

S105：对区域生长得到的区域进行筛选，去除极小、极大区域，得到筛选后的区域；

S106：对所述筛选后的区域进行合并，得到识别出的误差显著点点云；

S107：对识别得到的所述误差显著点点云进行边界提取，得到误差显著点的位置信息。

进一步地，步骤S101中，所述点云数据，包括x、y、z三维特征和需要识别的误差显著点的区域。

进一步地，步骤S102中，对所述点云数据进行滤波去噪，得到滤波去噪后的点云数据，具体为：设置所述点云数据的体素网格大小，对所述点云数据进行体素滤波，缩减点云规模，得到滤波去噪后的点云数据。

进一步地，步骤S103具体为：在kd-tree中使用K近邻方法建立每一个点与其邻近点的邻域关系，通过设定邻域点的个数k₁对所述滤波去噪后的点云数据中的每一个点提取出其邻近的k₁个点组成的子点云，并根据这k₁个点组成的子点云求取该点的法线和曲率。

进一步地，步骤S104具体为：

S201：对所述滤波去噪后的点云数据进行按照各自的曲率大小进行从小到大的升序排序；

S202：创建一个与所述滤波去噪后的点云数据大小一致的容器，容器中所有值预设为0，表示未被访问；

S203：选择当前未被访问的点中曲率最小的点作为初始种子点M，并将该初始点M压入队列，同时将种子点M对应的容器赋值为1，表示已被访问；