基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法技术

本发明专利技术公开了基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法，包括以下步骤：S1：对点云进行预处理，包括滤波和邻域划分；S2：初步计算点云边缘特征点；S3：以上一步获得的边缘特征点作为中心，划分多尺度椭球邻域并进行点云插值；S4：构建椭球点云的主流形曲面模型并基于主流形曲面模型计算多尺度曲率值；S5：使用RANSAC算法更新点云边缘特征点。本发明专利技术在识别点云边缘特征时具有以下优势：多尺度椭球提高了识别点云边缘的鲁棒性和抗噪性能；曲率计算是基于椭球点云的主流形曲面，计算结果更为精确，降低离散曲率计算导致的拟合偏差。合偏差。合偏差。

【技术实现步骤摘要】
基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法


[0001]本专利技术涉及一种点云处理技术，尤其是一种点云边缘识别技术，具体地说是一种基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法。

技术介绍

[0002]为了满足飞机零件更高精度的加工和质量控制要求，高精度三维扫描设备已被广泛应用于飞机零件扫描，对扫描得到的点云数据进行精确处理是飞机数字化测量中的重要步骤。边缘特征是飞机零件的重要组成部分，对于飞机零件装配、建模及准确表达具有重要作用。
[0003]本专利技术提出基于多尺度主流形与EM算法的飞机零件点云边缘识别方法，充分考虑点云多尺度了邻域信息，并以微分几何方法精确计算点云曲率，以克服传统方法在边缘识别上的局限性。

技术实现思路

[0004]本专利技术的目的在于提供基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法，所述基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法按照以下步骤进行：
[0006]S1、对点云进行预处理；
[0007]S2、初步计算点云边缘特征点；
[0008]S3、以上一步获得的边缘特征点作为中心，划分多尺度椭球邻域并进行点云插值；
[0009]S4、构建椭球点云的主流形曲面模型并基于主流形曲面模型计算多尺度曲率值；
[0010]S5、使用RANSAC算法更新点云边缘特征点。
[0011]作为本专利技术的一种优选技术方案，所述步骤S1点云预处理包括滤波和邻域划分，使用高斯滤波对点云进行去噪，构建Delaunay三角网格划分点云邻域。
[0012]作为本专利技术的一种优选技术方案，所述步骤S2初步计算点云边缘特征点包括以下步骤：
[0013]S2.1拟合平面π，参与拟合的点包括目标点Pi的一阶Delaunay邻域点Pij(j＝1，2，
…
，n)，其中n为点Pi的一阶Delaunay邻域点个数；将点Pij向平面π投影获得投影点Pip，构造辅助三角形，三角形由点Pi、邻域点Pij、投影点Pip构成；
[0014]S2.2计算点云边缘特征点判断特征值E，按照以下公式计算：
[0015][0016]式中，h为点Pi到投影点Pip的距离，di为点Pij到投影点Pip的距离，ei为辅助计算
值，计算方法如下：
[0017][0018]根据特征值E的大小初步筛选出点云边缘特征点。
[0019]作为本专利技术的一种优选技术方案，所述步骤S3划分多尺度椭球邻域并进行点云插值包括以下步骤：
[0020]S3.1以S2.2筛选出的边缘特征点为中心，对其1阶和2阶Delaunay邻域点进行主成分分析，生成三个主轴λ1、λ2、λ3，并以此构造椭球，分别定义为“1阶椭球”和“2阶椭球”；
[0021]S3.2在边缘特征点和1阶椭球之间进行点云增采样，采样距离设置为1阶Delaunay邻域点平均距离的一半；在1阶椭球和2阶椭球之间对点云进行增采样，采样距离设置为1阶Delaunay邻域点平均距离和2阶Delaunay邻域外围点测地距离的均值。采样后分别使用步骤S3.1构造椭球，定义为“0.5阶椭球”和“1.5阶椭球。
[0022]作为本专利技术的一种优选技术方案，所述步骤S4构建椭球点云的主流形曲面模型并基于主流形曲面模型计算多尺度曲率值包括以下步骤：
[0023]S4.1定义4个椭球的经纬方向，经线方向与λ3轴平行，纬线方向与λ1、λ2平行；分别沿经纬两个方向划分网格，形成初始的主流形网格，包括网格点集V＝{vm}和边集E＝{en}；
[0024]S4.2定义主流形控制参数C：
[0025][0026]式中，μ
j
是常数。以控制参数C最小化为目标不断更新网格点集V，直至小于设定阈值。
[0027]S4.3计算S4.2输出的每个椭球点的主曲率ki(i＝1,2,3,4)。计算各点的平均曲率：
[0028][0029]以K是否大于设定阈值判断该点是否为边缘点。
[0030]作为本专利技术的一种优选技术方案，所述步骤S5使用RANSAC算法更新点云边缘特征点包括以下步骤：
[0031]S5.1将S4.3输出的所有边缘特征点的法向量初始点移至坐标系原点，以法向量终点作为目标点。
[0032]S5.2随机选取几组目标点作为内点拟合球面，以该球面方程测试其他目标点，如果目标点与球面方程之间的误差小于设定值，则将其纳入内点，如果最终内点数量大于设定阈值，则输出所有内点作为最终的边缘特征点。
[0033]与现有技术相比，本专利技术的有益效果是：本专利技术基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法，
[0034]1)多尺度椭球提高了识别点云边缘的鲁棒性和抗噪性能；
2)曲率计算是基于椭球点云的主流形曲面，计算结果更为精确，降低离散曲率计算导致的拟合偏差。
附图说明
[0035]图1为本专利技术的流程示意图。
具体实施方式
[0036]对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0037]请参阅图1，本专利技术提供了基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法，所述基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法按照以下步骤进行：
[0038]S1、对点云进行预处理；
[0039]S2、初步计算点云边缘特征点；
[0040]S3、以上一步获得的边缘特征点作为中心，划分多尺度椭球邻域并进行点云插值；
[0041]S4、构建椭球点云的主流形曲面模型并基于主流形曲面模型计算多尺度曲率值；
[0042]S5、使用RANSAC算法更新点云边缘特征点。
[0043]进一步地，所述步骤S1点云预处理包括滤波和邻域划分，使用高斯滤波对点云进行去噪，构建Delaunay三角网格划分点云邻域。
[0044]更进一步地，所述步骤S2初步计算点云边缘特征点包括以下步骤：
[0045]S2.1拟合平面π，参与拟合的点包括目标点Pi的一阶Delaunay邻域点Pij(j＝1，2，
…
，n)，其中n为点Pi的一阶Delaunay邻域点个数；将点Pij向平面π投影获得投影点Pip，构造辅助三角形，三角形由点Pi、邻域点Pij、投影点Pip构成；
[0046]S2.2计算点云边缘特征点判断特征值E，按照以下公式计算：
[0047][0048]式中，h为点Pi到投影点Pip的距离，di为点Pij到投影点Pip的距离，ei为辅本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法，其特征在于，所述基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法按照以下步骤进行：S1、对点云进行预处理；S2、初步计算点云边缘特征点；S3、以上一步获得的边缘特征点作为中心，划分多尺度椭球邻域并进行点云插值；S4、构建椭球点云的主流形曲面模型并基于主流形曲面模型计算多尺度曲率值；S5、使用RANSAC算法更新点云边缘特征点。2.根据权利要求1所述的基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法，其特征在于：所述步骤S1点云预处理包括滤波和邻域划分，使用高斯滤波对点云进行去噪，构建Delaunay三角网格划分点云邻域。3.根据权利要求1所述的基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法，其特征在于：所述步骤S2初步计算点云边缘特征点包括以下步骤：S2.1拟合平面π，参与拟合的点包括目标点Pi的一阶Delaunay邻域点Pij(j＝1，2，
…
，n)，其中n为点Pi的一阶Delaunay邻域点个数；将点Pij向平面π投影获得投影点Pip，构造辅助三角形，三角形由点Pi、邻域点Pij、投影点Pip构成；S2.2计算点云边缘特征点判断特征值E，按照以下公式计算：式中，h为点Pi到投影点Pip的距离，di为点Pij到投影点Pip的距离，ei为辅助计算值，计算方法如下：根据特征值E的大小初步筛选出点云边缘特征点。4.根据权利要求1所述的基于多尺度主流形与RANSAC算法的飞机零件点云边缘识别方法，其特征在于：所述步骤S3划分多尺度椭球邻域并进行点云插值包括以下步骤：S3.1以S2.2筛选出的边缘特征点为中心，对其1阶和2阶Delaunay邻域点进行主成分分析，生成...

【专利技术属性】
技术研发人员：李根，李泷杲，黄翔，楼佩煌，宋允辉，
申请(专利权)人：南京航空航天大学苏州研究院，
类型：发明
国别省市：