【技术实现步骤摘要】
一种适用于扫描点云的模型处理方法及系统
[0001]本专利技术涉及模型处理
，尤其涉及一种适用于扫描点云的模型处理方法及系统。
技术介绍
[0002]近年来，三维光学测量技术凭借非接触、高效率、全场测量等优势在工业检测和逆向反求行业中迅猛发展。随着工业生产对检测和逆向过程效率及精度的提高，将零部件表面的扫描点云快速转变为高精度的三维模型成为技术核心点。
[0003]在扫描过程中，测量设备从多个角度获取零部件的表面信息并重建点云，导致扫描所得的原始点云模型数据量巨大，存在大量重复、冗余信息和噪声。因此，将多幅扫描点云快速处理成一个低数据量、低噪、完整的高精度网格模型是研究的重点。模型处理中包含了点云融合、点云精简、网格化和网格模型去噪等关键步骤。
[0004]现有的模型处理技术对于数据量小、冗余度低、噪声较低的点云可以取得较好的处理结果，但难以适用于工业扫描点云的处理。一方面，工业扫描点云因完整性和细节表达的需求，通常幅数众多、数据量巨大，且因重叠度大而包含大量冗余数据。而现有的融合、精简、网格化等过程因为追求网格规则度、均匀性等而忽视效率和数据的拷贝、存储问题。对于低数据量点云，算法耗时和数据过大带来的问题未必明显，但对于大数据量的多幅扫描点云，空间和时间问题将尤为突出。另一方面，实际扫描过程中受环境影响，扫描点云的噪声较多，而现有的网格去噪方法如拉普拉斯光顺及其各类改进算法、双边滤波以及类型众多的各向异性滤波算法往往难以从高噪点云中分离模型特征，进而导致去除噪声的同时也模糊了模型细节。>[0005]对于数据量、冗余度和噪声都较大扫描点云，现有的模型处理方法在效率、数据存储空间以及保特征去噪方面存在明显不足，因此需要一种针对扫描点云的模型处理方法及系统。
技术实现思路
[0006]本专利技术目的就是为了弥补已有技术的缺陷，提供一种适用于扫描点云的模型处理方法及系统。本专利技术技术方案的核心在于对多幅扫描数据构建了统一的空间结构，而后的点云融合、精简、网格化等关键技术均在此空间结构中进行，从而将扫描数据从多幅点云模型到单一网格模型的全流程合为整体，避免了各步骤分步处理引起的低效和数据拷贝导致的空间复杂度过大等问题。
[0007]本专利技术是通过以下技术方案实现的：
[0008]一种适用于扫描点云的模型处理方法，具体包括以下步骤：
[0009]S1、对初始点云数据进行预处理，再利用kdTree数据结构为预处理后的点云数据建立拓扑关系，将多层点云数据移动融合为单层点云数据；
[0010]S2、输入融合好的单层点云数据，采用分割式层次聚类的方法对点云数据进行多
次子簇划分，得到基于曲率精简后的点云数据；
[0011]S3、对精简后的点云数据遍历所有顶点并通过kdTree搜索各自的邻点，通过顶点与邻点的德洛内三角化，将点云模型重建为三角网格模型；
[0012]S4、采用保特征光顺方法，实现三角网格模型的保特征精简。
[0013]步骤S1所述的对点云数据进行预处理，具体方法如下：
[0014]输入n幅有序点云数据，为点云数据增加是否为边界点的属性；
[0015]遍历每一幅点云数据，当数据点的八邻域内存在孔洞时，将该数据点置为边界点，否则将该数据点置为非边界点；
[0016]统计每一幅点云数据的平均点距d
i
，所有数据点的平均点距为为每一个数据点增加ID属性，第i幅点云数据的ID号均为i，然后将所有点云数据存储到同一容器中。
[0017]步骤S1所述的
[0018]利用kdTree查找每一个中心数据点的固定半径范围内所有邻域数据点；
[0019]当所有邻域数据点ID属性均与中心数据点属性相同，则该处为单层点云数据；
[0020]若存在领域数据点ID属性与中心数据点属性不同，则该处为存在多层点云数据，并将该多层点云数据融合为单层点云数据。
[0021]步骤S1所述的将多层点云数据移动融合为单层点云数据，具体方法如下：
[0022]在多层点云数据区域，提取出与中心数据点ID属性不同的所有数据点；
[0023]查找出每一个ID属性的邻域数据点中距离中心点最近的点，计算这些最近的点与中心数据点的质心坐标；
[0024]将中心数据点移动到质心坐标位置，将半径区域内所有与中心点ID属性不同的数据点的是否保留属性标记为非保留；
[0025]按顺序遍历所有数据点，最后提取出所有是否保留属性为保留的数据点，即为融合后的单层点云数据。
[0026]所述步骤S2的具体过程如下：
[0027]在每次对点云数据进行子簇划分分割前，先对点云数据整体进行主成分分析得到点云数据主方向，沿着经过中心点且法向为主方向的平面进行分割；一幅点云数据被分割为两个子簇，分别计算两个子簇中数据点到子簇中心的最远距离d
t
，当d
t
大于预先设定阈值d
max
则递归的对两个子簇进行相同的分割操作，直到最远距离d
t
小于预先设定阈值d
max
，开始对子簇进行曲率分析。
[0028]所述的对子簇进行曲率分析，具体方法如下：对分割好的子簇内所有数据点进行协方差分析，得到的特征值分别为λ1、λ2、λ3(λ1＞λ2＞λ3)，该子簇对应曲率为当子簇c
t
大于设定的曲率阈值c
max
，则需要对子簇继续进行分割，直到子簇曲率小于设定阈值，停止分割；计算子簇内所有数据点到子簇中心距离，查找出距离子簇中心距离最近数据点；遍历子簇内所有数据点，除去边界点与距离子簇中心距离最近数据点，将其他数据点是否保留属性置为非保留；遍历所有数据点，将是否保留属性为保留的数据点保留下来，即为基于曲率精简后的点云数据。
[0029]所述的步骤S3的具体过程如下：
[0030]对精简所得的点云数据，遍历所有顶点并搜索各自的邻点，对邻点进行协方差分析从而拟合出顶点的局部区域的平面，将各点投影至该平面上获取二维平面点集，对该二维点集进行平面德洛内三角剖分，获取顶点的1环连接方式；将所有顶点与周边邻点的连接关系合并，得到三角网格模型。
[0031]所述的步骤S4的具体过程如下：
[0032]对三角网格模型中的三角面片法向量进行基于面积和基于质心距离的双边滤波调整，获取各面片的法向量；而后移动网格顶点位置使其邻域三角面片的法向量接近面片法向量，最终实现三角网格模型的保特征精简。
[0033]一种适用于扫描点云的模型处理系统：包括有：
[0034]单层点云数据融合模块：对初始点云数据进行预处理，再利用kdTree数据结构为预处理后的点云数据建立拓扑关系，将多层点云数据移动融合为单层点云数据；
[0035]单层点云数据曲率精简模块：采用分割式层次聚类的方法对融合后的单层点云数据进行多次子簇划分，得到基于曲率精简后的点云数据；
[0036]点云模型重建本文档来自技高网...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种适用于扫描点云的模型处理方法，其特征在于，具体包括以下步骤：S1、对初始点云数据进行预处理，再利用kdTree数据结构为预处理后的点云数据建立拓扑关系，将多层点云数据移动融合为单层点云数据；S2、输入融合好的单层点云数据，采用分割式层次聚类的方法对点云数据进行多次子簇划分，得到基于曲率精简后的点云数据；S3、对精简后的点云数据遍历所有顶点并通过kdTree搜索各自的邻点，通过顶点与邻点的德洛内三角化，将点云模型重建为三角网格模型；S4、采用保特征光顺方法，实现三角网格模型的保特征精简。2.根据权利要求1所述的一种适用于扫描点云的模型处理方法，其特征在于：步骤S1所述的对点云数据进行预处理，具体方法如下：输入n幅有序点云数据，为点云数据增加是否为边界点的属性；遍历每一幅点云数据，当数据点的八邻域内存在孔洞时，将该数据点置为边界点，否则将该数据点置为非边界点；统计每一幅点云数据的平均点距d
i
，所有数据点的平均点距为为每一个数据点增加ID属性，第i幅点云数据的ID号均为i，然后将所有点云数据存储到同一容器中。3.根据权利要求2所述的一种适用于扫描点云的模型处理方法，其特征在于：步骤S1所述的利用kdTree数据结构为预处理后的点云数据建立拓扑关系，具体方法如下：利用kdTree查找每一个中心数据点的固定半径范围内所有邻域数据点；当所有邻域数据点ID属性均与中心数据点属性相同，则该处为单层点云数据；若存在领域数据点ID属性与中心数据点属性不同，则该处为存在多层点云数据，并将该多层点云数据融合为单层点云数据。4.根据权利要求3所述的一种适用于扫描点云的模型处理方法，其特征在于：步骤S1所述的将多层点云数据移动融合为单层点云数据，具体方法如下：在多层点云数据区域，提取出与中心数据点ID属性不同的所有数据点；查找出每一个ID属性的邻域数据点中距离中心点最近的点，计算这些最近的点与中心数据点的质心坐标；将中心数据点移动到质心坐标位置，将半径区域内所有与中心点ID属性不同的数据点的是否保留属性标记为非保留；按顺序遍历所有数据点，最后提取出所有是否保留属性为保留的数据点，即为融合后的单层点云数据。5.根据权利要求4所述的一种适用于扫描点云的模型处理方法，其特征在于：所述步骤S2的具体过程如下：在每次对点云数据进行子簇划分分割前，先对点云数据整体进行主成分分析得到点云数据主方向，沿着经过中心点且法向为主方向的平面进行分割；一幅点云数据被分割为两个子簇，分别计算两个子簇中数据点到子簇中心的最远距离d
t
，当d
t
技术研发人员：唐正宗，刘世凡，任茂栋，冯超，
申请(专利权)人：新拓三维技术深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。