基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法技术

本发明专利技术提出了基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法，包括：生成锥形点云数据；对锥形点云数据进行随机采样生成样本点；对样本点的邻域数据进行姿态调整；对调整后的邻域数据进行Hough投影生成灰度图像从而构造样本特征；将连续的标准法向量离散化后映射成类别从而构造样本标签；构建轻量化特征映射网络SharpNet；用得到的样本特征和类别标签训练SharpNet；根据网络输出的离散类别计算出初始法向量；通过阈值设置，筛选邻域点，并使用筛选后的邻域点对初始法向量进行修正。本发明专利技术能够实现尖锐特征法向量的准确估算，且对噪声和离群点具有很强的鲁棒性，与已有的深度学习方法相比具有明显的效率优势。度学习方法相比具有明显的效率优势。度学习方法相比具有明显的效率优势。

【技术实现步骤摘要】
基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法


[0001]本专利技术属于图形与可视化领域，具体涉及一种深度特征分类与邻域优化的点云尖锐特征法向量估算方法。

技术介绍

[0002]近年来，三维激光扫描仪广泛地应用在逆向工程、医疗可视化等多个领域当中。由于采集到的CAD模型三维表面数据比较密集，因此形象地将其称之为“点云”。法向量是点云的基本属性，是诸多算法运行的条件，在点云分割、特征提取、曲面重建等领域都有重要的应用。准确、鲁邦的法向量估算方法是当前点云处理中的研究热点。
[0003]尖锐特征是点云数据中广泛出现的一类元素，其中蕴含了丰富的曲面信息，但是，尖锐特征位于不同曲面片的交界区域，给法向量的准确估算带来了很大的挑战。传统法向量估算方法很难识别与当前点位于同一曲面片上的邻域点，特别是当点云中包含噪声、离群点时，所估算出的法向量在尖锐特征处是连续变化的，无法反映原始曲面的真实形状。
[0004]当前已有大量的法向量估算方法被提出。相关算法可以分为基于加权回归的方法、基于Delaunay/Voronoi的方法、基于M估计的方法。但这些算法对噪声、离群点和密度变化比较敏感，得到的法向量一般不够精确。近年来，基于深度学习，特别是卷积神经网络(CNN)的法向量估算方法得到了广泛的研究，这些算法对噪声、离群点具有很强的鲁棒性，但它们都是利用神经网络对尖锐特征处的法向量进行光滑映射，因此，估算结果不能反映尖锐特征处的法向突变。同时，算法的CNN网络结构过于冗余，运行时需要大量的运算资源，效率低下。r/>[0005]综上所述，在点云尖锐特征法向量估算领域仍有一些问题需要研究员来攻克。

技术实现思路

[0006]鉴于此，本专利技术提出一种基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法，同时构建了一种轻量化的网络SharpNet，显著地提高了算法的运行效率。
[0007]为达到此目的，本专利技术提供如下的技术方案：
[0008]一种基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法，包括以下步骤：
[0009]1)生成包含尖锐特征的锥角点云数据；
[0010]2)对步骤1)中所生成的锥形点云数据进行随机采样生成样本点；
[0011]3)利用主元分析对步骤2)中所生成样本点的邻域数据进行姿态调整，得到调整后的邻域数据；
[0012]4)将步骤3)中调整后的邻域数据通过Hough投影，生成基于局部法向量直方图统计的灰度图像，从而构造样本特征；
[0013]5)将法向量空间离散化，再将标准法向量投影至离散化后的法向量空间中，从而
构造样本标签；
[0014]6)构建一种轻量化特征映射网络SharpNet；
[0015]7)用步骤4)中构造的样本特征和步骤5)中构造的样本标签训练步骤6)中构建的SharpNet网络；
[0016]8)将训练好的SharpNet网络输出的离散法向量类别计算成对应的初始法向量；
[0017]9)针对步骤8)中SharpNet输出的初始法向量存在量化误差的问题，通过阈值设置，对邻域点进行筛选，并使用筛选后的邻域点对初始法向量进行修正。
[0018]进一步的，所述步骤1)中，生成的包含尖锐特征的锥角点云数据，每份数据包含的锥角点数为5000～10000个，锥角度数为80
°
～160
°
。
[0019]进一步的，所述步骤2)中，对锥形点云数据进行随机采样生成样本点采用空间K近邻法，每次采样的邻域点数为100～500个。
[0020]进一步的，所述步骤3)中利用主元分析对样本点的邻域数据进行的两次姿态调整为：
[0021]31)第一次旋转在三维空间中进行，将邻域数据调整至最小主分量与Z轴平行的状态；
[0022]32)第二次旋转在XOY平面内进行，将邻域数据在投影平面内的最大主分量调整至与X轴平行的状态。
[0023]进一步的，所述步骤4)包括以下步骤：
[0024]41)随机从调整后的邻域数据中选择三个点计算出平面的单位法向量；
[0025]42)将计算出的平面的单位法向量投影到一个分辨率为m
×
m的二维规则Hough累加器中，投影次数为100～300次；
[0026]对于单位法向量n＝(n
x
,n
y
,n
z
)，投影规则如下所示：
[0027][0028]其中表示向下取整，ix,iy表示投影后的累加器网格索引。
[0029]43)经过多次投影后，将每个格子中落入的投影点数目线性映射为图像灰度值，即投影点落入越多的方格灰度值越大，反之落入越少的方格灰度值越小。
[0030]进一步的，所述步骤5)中标准法向量投影规则为：
[0031][0032]其中，id为离散法向量映射类别，n
x
′
,n
y
′
为标准法向量的x,y分量，，表示向下取整，N
×
N为离散数量，离散分辨率N设置为11～21，其中N为奇数。
[0033]进一步的，所述步骤6)中构建一种轻量化特征映射网络SharpNet，包括以下步骤：
[0034]61)去除原始网络中的一层卷积运算并且增加一层池化，同时调整卷积层与池化层的顺序关系，将最大池化层作为全连接层的输入；
[0035]62)去除原始网络中的第一个全连接层，使得经过卷积和池化之后的特征图只经
过三层全连接层就输出。
[0036]进一步的，所述步骤7)中训练SharpNet网络，包括以下步骤：
[0037]71)随机选择样本特征的75％～80％用于参数优化，剩余的样本特征数据用于检验学习是否收敛及过拟合；
[0038]72)向选择出的样本特征中添加幅值为0～2倍于点云平均采样密度的高斯噪声以增强网络的训练效果和泛化能力。
[0039]进一步的，所述步骤8)中，将训练好的SharpNet网络输出的离散法向量类别计算成对应的初始法向量(n
*x
,n
*y
,n
*z
)的计算公式为：
[0040][0041]其中，id为离散法向量映射类别，//表示整除，％表示取余，N
×
N为法向量空间x,y分量离散数量，离散分辨率N设置为11～21，其中N为奇数。
[0042]进一步的，所述步骤9)中，对初始法向量进行修正，包括以下步骤：
[0043]91)在离散分辨率为N的法向量空间中，网络输出的初始法向量与真实法向量之间存在量化误差，并且误差上限δ＝2/N，在邻域搜索时将法向量夹角阈值取为2δ；
[0044]92)通过阈值设置，对邻域点进行筛选，并利用主元分析对筛选后的邻域点进行法向量修正，主元分析邻域搜索半径K设置为点云平均采样密度的1～2倍。
[0045]有益本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法，其特征在于，包括以下步骤：1)生成包含尖锐特征的锥角点云数据；2)对步骤1)中所生成的锥形点云数据进行随机采样生成样本点；3)利用主元分析对步骤2)中所生成样本点的邻域数据进行姿态调整，得到调整后的邻域数据；4)将步骤3)中调整后的邻域数据通过Hough投影，生成基于局部法向量直方图统计的灰度图像，从而构造样本特征；5)将法向量空间离散化，再将标准法向量投影至离散化后的法向量空间中，从而构造样本标签；6)构建一种轻量化特征映射网络SharpNet；7)用步骤4)中构造的样本特征和步骤5)中构造的样本标签训练步骤6)中构建的SharpNet网络；8)将训练好的SharpNet网络输出的离散法向量类别计算成对应的初始法向量；9)针对步骤8)中SharpNet输出的初始法向量存在量化误差的问题，通过阈值设置，对邻域点进行筛选，并使用筛选后的邻域点对初始法向量进行修正。2.根据权利要求1所述的基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法，其特征在于：所述步骤1)中，生成的包含尖锐特征的锥角点云数据，每份数据包含的锥角点数为5000～10000个，锥角度数为80
°
～160
°
。3.根据权利要求1所述的基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法，其特征在于，所述步骤2)中，对锥形点云数据进行随机采样生成样本点采用空间K近邻法，每次采样的邻域点数为100～500个。4.根据权利要求1所述的基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法，其特征在于，所述步骤3)中，利用主元分析对样本点的邻域数据进行的两次姿态调整为：31)第一次旋转在三维空间中进行，将邻域数据调整至最小主分量与Z轴平行的状态；32)第二次旋转在XOY平面内进行，将邻域数据在投影平面内的最大主分量调整至与X轴平行的状态。5.根据权利要求1所述的基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法，其特征在于，所述步骤4)包括以下步骤：41)随机从调整后的邻域数据中选择三个点计算出平面的单位法向量；42)将计算出的平面的单位法向量投影到一个分辨率为m
×
m的二维规则Hough累加器中，投影次数为100～300次；对于单位法向量n＝(n
x
,n
y
,n
z
)，投影规则如下所示：其中表示向下取整，ix,iy表示投影后的累加器网格索引；43)经过...

【专利技术属性】
技术研发人员：聂建辉，张昭晨，史文凯，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：