三维点云的曲面重建方法和装置制造方法及图纸

本发明专利技术实施例公开了一种三维点云的曲面重建方法和装置。所述方法包括：对点云数据进行平滑重采样；对所述点云数据进行空间下采样；对所述点云数据进行曲面三角化。本发明专利技术实施例提供的三维点云的曲面重建方法和装置提高了曲面重建过程的运行效率。

【技术实现步骤摘要】

本专利技术实施例涉及三维重建
，尤其涉及一种三维点云的曲面重建方法和装置。
技术介绍
三维重建技术在业内又被称为网格重构技术，或者曲面重建技术。它是指在给定一组散乱的空间数据点X，且已知这些空间数据点位于未知的曲面U的前提下，求得一个三角网格曲面S，使得这个三角网格曲面S能较好的逼近原曲面U。三维重建技术在逆向工程、医学扫描数据立体成像、交互曲面建模、三维传真等领域有着广泛的应用。三角化是三维重建技术中的一个重要操作。现有的三角化过程主要有：Delaunay三角化算法、贪婪投影三角化算法，以及八叉树算法。无论采用何种算法，由于原始采集数据有散乱、均匀和密集之分，各种算法进行三维重建时会不同程度的存在冗余，计算量较大，运行效率不高的弊病。
技术实现思路
针对上述技术问题，本专利技术实施例提供了一种三维点云的曲面重建方法和装置，以提高曲面重建的运行效率。一方面，本专利技术实施例提供了一种三维点云的曲面重建方法，所述方法包括：对点云数据进行平滑重采样；对平滑重采样后的点云数据进行空间下采样；对下采样后点云数据进行曲面三角化。另一方面，本专利技术实施例还提供了一种三维点云的曲面重建装置，所述装置包括：平滑重采样模块，用于对点云数据进行平滑重采样；下采样模块，用于对所述点云数据进行空间下采样；三角化模块，用于对所述点云数据进行曲面三角化。本专利技术实施例提供的三维点云的曲面重建方法和装置，通过对点云数据进行平滑重采样，对平滑重采样后的点云数据进行空间下采样，以及对下采样后的点云数据进行曲面三角化，提高了曲面重建过程的运行效率。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1是本专利技术第一实施例提供的三维点云的曲面重建方法的流程图；图2是本专利技术第二实施例提供的三维点云的曲面重建方法的流程图；图3是本专利技术第三实施例提供的三维点云的曲面重建方法中离散点剔除处理的流程图；图4是本专利技术第四实施例提供的三维点云的曲面重建方法中平滑重采样处理的流程图；图5是本专利技术第五实施例提供的三维点云的曲面重建方法中下采样处理的流程图；图6是本专利技术第六实施例提供的三维点云的曲面重建方法中三角化处理的流程图；图7是本专利技术第七实施例提供的三维点云的曲面重建装置的结构图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。第一实施例本实施例提供了三维点云的曲面重建方法的一种技术方案。在该技术方案中，该三维点云的曲面重建方法包括：对点云数据进行平滑重采样；对点云数据进行空间下采样；对点云数据进行曲面三角化。参见图1，该三维点云的曲面重建方法包括：S11，对点云数据进行平滑重采样。可以理解的是，原始采集的点云数据并没有经过任何的处理。直接利用这样的原始数据进行曲面模型，其结果生成的曲面的表面难免出现孔洞、突起这样不平滑的现象。在本实施例提供的曲面重建方法中，首先对原始的点云数据进行平滑重采样。经过上述平滑重采样之后，由重采样后的点云数据构成的曲面具有更为光滑的表面，不需要再单独对表面上的孔洞、突起等异常情形进行修复。优选的，在平滑重采样的过程中，采用移动最小二乘算法，对原始点云数据进行平滑重采样。另外，在本实施例中，点云数据可以是激光雷达LiDAR点云数据，也可以是多视图立体(Multi-viewStereo,MVS)点云数据。S12，对所述点云数据进行空间下采样。一般来说，原始的点云数据的数据量是海量的。这一点首先体现在，原始点云数据中包括的位置点的个数是海量的。而在实际的曲面确定中，并不是所有的点的存在都很重要。因此，为了降低曲面重建的计算量，提高曲面重建的运行效率，对点云数据进行空间下采样。优选的，在对点云数据进行空间下采样时，采用预先给定的体素网格对所述点云数据进行空间下采样。S13，对所述点云数据进行曲面三角化。在对点云数据进行空间下采样之后，点云数据的数据量明显降低。此时，在对点云数据进行曲面三角化，曲面重建的运行效率将大为提高。优选的，在对所述点云数据进行曲面三角化时，首先估计模型的指示函数和提取等值面，再通过求解泊松问题完成曲面三角化。本实施例通过对点云数据进行平滑重采样，对所述点云数据进行空间下采样，以及对所述点云数据进行曲面三角化，显著提高了曲面重建的运行效率。第二实施例本实施例以本专利技术上述实施例为基础，进一步的提供了三维点云的曲面重建方法的另一种技术方案。在该技术方案中，所述三维点云的曲面重建方法还包括：在对所述点云数据进行平滑重采样之前，剔除点云数据中的离群点。参见图2，该三维点云的曲面重建方法包括：S21，剔除点云数据中的离群点。由于激光扫描过程中通常会产生密度不均匀的点云数据集，且测量中的误差会产生稀疏的离群点。离群点指的是一些与被测物体点云相距较远的离散点。离群点的存在可能会增加曲面重建过程的计算量，另外还可能还会导致错误的数值，反过来有可能导致点云拼接过程失败。因此，在本实施例中，在运行正常的曲面重建过程之前，首先在点云数据中剔除离群点。具体的，根据所述点云数据中各个空间点与同它相邻的临近点之间的平均空间距离，及高斯分布特征来判断所述点云数据中哪些点是离群点。更为具体的，首先计算点云数据中各个点与其临近点之间的平均距离。然后通过将上述平均距离与预设的距离阈值进行比较，判定哪些离散点是离群点。最后将认定的离群点从所述点云数据中剔除。S22，对点云数据进行平滑重采样。S23，对所述点云数据进行空间下采样。S24，对所述点云数据进行曲面三角化。本实施例通过在对点云数据进行平滑重采样之前，剔除所述点云数据中的离群点，使得在对曲面进行重建时采用的样本点云数据中不再包含离群点，从而使得曲面重建的计算量更小，运行效率更高。第三实施例本实施例以本专利技术上述实施例为基础，进一步的提供了三维点云的曲面重建方法中离散点剔除的一种技术方案。在该技术方案中，剔除所述点云数据中的离群点包括：计算所述点云数据中每个点与其临近点之间的平均距离；若所述平均距离超出预设的距离阈值，判定所述点为离群点；将所述离群点从所述点云数据中剔除。参见图3，剔除所述点云数据中的离群点包括：S31，计算所述点云数据中每个点与其临近点之间的平均距离。具体的，根据如下公式计算上述平均距离：其中，K为点Pi在三维空间中的临近点个数，di是离散点Pi与其在三维空间中的临近点之间的平均距离，Pj则是上述点Pi在三维空间中的临近点。S32，若所述平均距离超出预设的距离阈值，判定所述点为离群点。一般来讲，空间中各个点与其临近点的平均距离呈现高斯分布。根据平均距离的上述统计特征，首先计算上述平均距离的均值和方差。具体的，根据如下公式计算平均距离的均值μ：其中，di是空间点Pi的平均距离，N是所述点集中点的总个数。另外，根据如下公式计算平均距离的标准差σ：其中，di是空间点Pi的平均距离，N所有点集中点的总数，μ是所述平均距离的均值。进而，满足如下不等式的空间点Pi可以被认定为离群点：|di-μ|>λσ其中，di是空间点Pi的平均距离，μ是所述平均距离的均值，本文档来自技高网...

【技术保护点】
一种三维点云的曲面重建方法，其特征在于，包括：对点云数据进行平滑重采样；对所述点云数据进行空间下采样；对所述点云数据进行曲面三角化。

【技术特征摘要】
1.一种三维点云的曲面重建方法，其特征在于，包括：对点云数据进行平滑重采样；对所述点云数据进行空间下采样；对所述点云数据进行曲面三角化。2.根据权利要求1所述的方法，其特征在于，还包括：在对所述点云数据进行平滑重采样之前，剔除所述点云数据中的离群点。3.根据权利要求1或2所述的方法，其特征在于，对点云数据进行平滑重采样包括：利用移动最小二乘算法，对所述点云数据进行平滑重采样。4.根据权利要求1或2所述的方法，其特征在于，对所述点云数据进行空间下采样包括：利用给定的体素网格对所述点云数据进行空间下采样。5.根据权利要求1或2所述的方法，其特征在于，对所述点云数据进行曲面三角化包括：利用泊松曲面重建算法，对所述点云数据进行曲面三角化。6.根据权利要求2所述的方法，其特征在于，剔除所述点云数据中的离群点包括：计算...

【专利技术属性】
技术研发人员：贺曙，张关平，
申请(专利权)人：未来科技襄阳有限公司，
类型：发明
国别省市：湖北;42