[发明专利]一种基于K-D树的无源三维点云模型缺陷识别方法

权利要求书

1.一种基于K-D树的无源三维点云模型缺陷识别方法，其特征在于，所述识别方法包括以下步骤：

步骤1：建立点云模型K-D树结构；

步骤2：利用随机霍夫变换的法向量与特征值曲率估算，估算点云模型法向量和曲率；

步骤3：利用法向量阈值和曲率阈值对点云模型进行区域划分，使用待测目标表面的法线特征和曲率特征共同确定需要分割的区域；

步骤4：选择点云模型中曲率值最小的点为初始种子点x_i；

步骤5：对于每个x_i，通过点云的拓扑结构找到其K领域内的近邻点y_i，计算x_i与y_i法线n_x和n_y的夹角α，若α小于设定的阈值，则将y_i添加到x_i所在的区域；

步骤6：比较x_i与y_i的曲率k_x和k_y，如果k_y小于k_x，则将y_i添加到种子点集合中；

步骤7：删除x_i，循环执行步骤5到步骤7，直到种子点集合为空，结束缺陷识别；

所述步骤2中的随机霍夫变换法向量估算方法包括以下步骤：

步骤2.1：球型累加器的纬线代表参数纬度圈之间的距离为定值经线代表参数θ，经线的分辨率取决于所在纬度圈的长度，其步长dθ的计算如下：

其中，为在[0,180°]上平均划分的个数；n_θ为θ在平均划分的个数；l_max为所在纬线的长度；为处纬线长度；

步骤2.2：计算球型累加器中取得投票最多的一点将其转换为确定一个选取平面次数的上界T_R；

步骤2.3：根据步骤2.2得到的上界T_R，投票数最多的单元m₁的概率为投票数次多的单元m₂的概率为当概率的置信度区间与概率不相交时，即可确认投票最多的单元不会改变，停止取平面操作；根据中心极限定理，定义一个服从正态分布N(0,1)的随机变量，

则置信区间为：

因为p_m∈[0,1]，所以有：

于是得到：

所述步骤2.2具体包括以下步骤：

步骤2.2.1：定义一个函数f(t)，它表示第t∈{1,…,T}次选取平面并进行了霍夫变换后得到的累加器单元m∈{1,…,M}，其中T为法向量估算中选取平面的总次数，M为累加器的离散单元个数；

步骤2.2.2：定义一个相互独立的随机变量X_m,t为：

步骤2.2.3：同时记为投票到累加器单元m的经验概率由概率论得到实际概率p_m与观测概率满足式(4)：

其中，δ∈[0,1]表示p_m与的最大距离；α∈[0,1]表示p_m与的差值不超过δ的可能性；

步骤2.2.4：因为X_m,t是独立的随机变量，通过霍夫丁不等式得到式(5)：

其中，[b_t-a_t]为X_m,t所在区间；

步骤2.2.5：根据步骤2.2.4得到式(6)：

步骤2.2.6：因为式(5)对任意的m都满足，所以可得：

然后可以得到式(7)：

又由式(6)，T_min满足下式：

步骤2.2.7：使用估算法向量时取平面的次数T能够取得T_min的最小值时，设定投票次数的上界为：