融合改进场力和判定准则的点云特征规则化 下载: 697次
1 引言
近年来,随着物联网和社会物理信息系统(CPSS)的发展,激光扫描技术得到了广泛地应用[1],如逆向工程、形状分析、物体识别、变形监测[2-3]等。由于扫描得到的原始点云数据包含大量杂乱、无组织和不规则的点,需要对点云进行边界特征提取以提高数据的利用率。点云边界是曲面模型的重要组成部分,如何从散乱的点云数据中快速有效地提取边界线将直接影响曲面重构的效率和精度[4]。目前,国内外许多学者对散乱点云的特征点提取展开了研究,Bazazian等[5]通过分析由每个点的
针对以上问题,本文对场力和算法做出改进。在将数据点向其微切平面投影时,把点的三维坐标转化成投影平面内的二维坐标,简化了每个点场力的计算;引入权重的概念将矢量偏转角度和距离同时作为排序的判定条件对边界点进行排序连接;最后将改进的三次B样条曲线拟合算法应用于边界线的拟合,得到连续光滑的边界线,实现点云特征规则化。
2 改进场力和算法提取边界特征点
2.1 改进的k-d树搜索k邻域
初始的点云数据是散乱的,只能提供物体表面的三维坐标信息,为此需要建立点云的
首先将原始点云中的每个数据点分别根据它们的
对于分布不规则的点云,若只采用规则的空间网格划分,会使空间网格内的点云信息有较大差异,导致
2.2 拟合微切平面
以采样点
式中:
式中:
2.3 边界特征点提取
设平面方程为
图 2. Pi及k个邻近点向其微切平面投影的示意图
Fig. 2. Schematic of projection of Pi and k neighbor points onto their micro-cut plane
以
图 3. 微切平面内建立的局部二维坐标系
Fig. 3. Local two-dimensional coordinate system established in micro-cut plane
认为
单位化后的
如果
图 4. 单位化后的投影向量。(a)邻域点偏向一侧(边界特征点);(b)邻域点均匀分布(内部点)
Fig. 4. Unitized projection vector. (a) Neighborhood points tilted to one side (boundary feature point); (b) neighborhood points distributed evenly (internal point)
研究表明,
3 点云特征规则化
3.1 边界特征点排序连接
特征提取得到的点是无序的,为了得到连续的边界线,需要对其进行排序。在排序时如果仅以距离最小作为判定标准可能会出现误判,如
式中:(
图 5. 利用矢量偏转角度选择下一个连接点
Fig. 5. Using vector deflection angle to select next connection point
图 6. 使用矢量偏转角度排序出现的问题。(a)问题1;(b)问题2
Fig. 6. Problems during vector deflection angle sorting. (a) Question 1; (b) question 2
实验证明,矢量偏转角度仅仅保证了特征点排序时的走向,在处理实际问题时选择
式中:
使用上述算法对特征点进行排序,其步骤如下:
1) 从提取的边界特征点集
2) 在特征集合
3) 使用(4)式计算出矢量
4) 使用(5)式计算并选定
5) 更新
6) 如果
3.2 改进的三次B样条拟合
由于初始边界线是由排序后的边界特征点进行的简单直线连接,若边界线为曲线将会导致边界线不够光滑且存在多处尖角,不利于后续处理。为了提高边界精度,需要对其进行平滑处理,保证边界线具有一定程度的光滑性。在反求工程中,常采用B样条曲线对边界曲线进行拟合,传统的单段三次B样条曲线由4个型值点控制,拟合后的曲线具有局部性、凸包性、连续性等优点[17],但拟合后的曲线不过型值点(原始边界特征点),造成一定程度的精度误差,如
在
然后以
因为传统三次B样条曲线基函数的系数为1
依据上述方程逐段拟合,最终可以得到改进后的三次B样条曲线。将该方法应用到圆和正弦曲线的连接,如
图 9. 三种方法拟合连接对比图。(a)圆;(b)正弦曲线
Fig. 9. Fitting connection comparison by three methods. (a) Circle; (b) sinusoid
4 算法应用及分析
为了验证上述算法的可行性,以Matlab和CloudCompare软件为实验平台,在硬件配置为Intel® CoreTM i7-5500U CPU @2.40 GHz 4.00 GB内存、操作系统为Windows 10的计算机上针对两组不同的三维点云数据进行实验。
4.1 点云模型实验对比分析
为了更好地突出所提算法的实用性,选取边界线为曲线的三维曲面模型点云进行模拟,以便观测边界曲线的排序拟合效果。不同参数下的提取状况和比较有代表性的部分提取结果分别见
由
表 1. 不同参数下的特征点提取状况和运行时间
Table 1. Extraction status of feature points and running time under different parameters
|
图 10. 不同参数下的部分提取效果图。(a) k=30,ε=0.48;(b) k=30,ε=0.52;(c) k=28,ε=0.50;(d) k=30,ε=0.50
Fig. 10. Partial extraction effect diagrams under different parameters. (a) k=30, ε=0.48; (b) k=30, ε=0.52; (c) k=28, ε=0.50; (d) k=30, ε=0.50
图 11. 点云模型的特征提取对比与拟合。(a)(f)(k)原始点云;(b)(g)(l)文献[ 11]算法;(c)(h)(m)文献[ 12]算法;(d)(i)(n)所提算法;(e)(j)(o)特征规则化
Fig. 11. Feature extraction comparison and fitting of point cloud model. (a)(f)(k) Original point clouds; (b)(g)(l) algorithmin Ref. [11]; (c)(h)(m) algorithm in Ref. [12]; (d)(i)(n) proposed algorithm; (e)(j)(o) feature regularization
图 12. 长江二七大桥的特征提取对比与拟合。(a)侧视图;(e)主视图;(i)俯视图;(b)(f)(j)文献[ 12]算法;(c)(g)(k)所提算法;(d)(h)(l)特征规则化
Fig. 12. Feature extraction and fitting of Yangtze River Erqi Bridge. (a) Side view; (e) main view; (i) top view; (b)(f)(j) algorithm in Ref. [12]; (c)(g)(k) proposed algorithm; (d)(h)(l) feature regularization
由
4.2 实例分析
由第4.1节可知,所提算法对于点云模型的特征提取和边界拟合效果较好。长江二七大桥有多种不同的边界特征,包含尖锐棱线、弱曲率线等,特征提取较难且边界线数目多、分布广,因此将所提算法应用到长江二七大桥进行实例分析。
表 2. 两种算法的特征点提取状况和运行时间
Table 2. Extraction status of feature points and running time by two algorithms
|
由
由
由(10)、(11)式可知,拟合得到的边界线平均偏差为0.0698 mm,标准差为0.0337 mm,偏差量级为
表 3. 随机抽取的40个点与边界线的偏差量
Table 3. Deviations between randomly selected 40 points and boundary lines
|
10-5 m,由此可以说明该边界线具有较高的精度,能够更好地保留边界特性。
5 结论
通过改进场力和判定准则实现点云的特征规则化。首先在一种基于点云密度的动态网格内建立局部
[1] Wang Y H, Wang L J, Hao W, et al. A novel slicing-based regularization method for raw point clouds in visible IoT[J]. IEEE Access, 2018, 6: 18299-18309.
[2] 张立朔, 程效军. 基于激光点云的隧道形变分析方法[J]. 中国激光, 2018, 45(4): 0404004.
[3] 章涛, 陈西江. 利用三维激光扫描技术监测桥梁振幅[J]. 激光与光电子学进展, 2018, 55(5): 051409.
[5] BazazianD, Casas JR, Ruiz-HidalgoJ. Fast and robust edge extraction in unorganized point clouds[C]∥2015 International Conference on Digital Image Computing: Techniques and Applications (DICTA), 2015: 1- 8.
[6] HackelT, Wegner JD, SchindlerK. Contour detection in unstructured 3D point clouds[C]∥IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016: 1610- 1618.
[7] Xi XH, Wan YP, WangC. Building boundaries extraction from points cloud using an imageedge detection method[C]∥IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2016: 1270- 1273.
[8] 张雨禾, 耿国华, 魏潇然, 等. 采用密度空间聚类的散乱点云特征提取方法[J]. 西安电子科技大学学报(自然科学版), 2017, 44(2): 114-120.
[9] 董伟. 利用邻近点几何特征实现建筑物点云特征提取[J]. 激光与光电子学进展, 2018, 55(7): 071006.
[10] 陈朋, 谭晔汶, 李亮. 地面三维激光扫描建筑物点云特征线提取[J]. 激光杂志, 2016, 37(3): 9-11.
[11] 陈义仁, 王一宾, 彭张节, 等. 一种改进的散乱点云边界特征点提取算法[J]. 计算机工程与应用, 2012, 48(23): 177-180, 190.
[12] 孙殿柱, 范志先, 李延瑞. 散乱数据点云边界特征自动提取算法[J]. 华中科技大学学报(自然科学版), 2008, 36(8): 82-84.
[13] 孙金虎. 点云模型分割与融合关键技术研究[D]. 南京: 南京航空航天大学, 2013: 9- 24.
Sun JH. Research on key technologies of point cloud segmentation and fusion[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2013: 9- 24.
[14] 马骊溟, 徐毅, 李泽湘. 基于动态网格划分的散乱点k邻近快速搜索算法[J]. 计算机工程, 2008, 34(8): 10-11, 21.
[15] 张蓉. 一种改进的立体栅格K邻域搜索算法[J]. 科技创新与应用, 2017( 29): 5- 6.
ZhangR. An improved spatial grid K-neighborhood search algorithm[J]. Technology Innovation and Application, 2017( 29): 5- 6.
[16] 顾园园, 姜晓峰, 张量. 曲面重构中带孔洞点云数据的边界提取算法[J]. 苏州大学学报(工科版), 2008, 28(2): 56-61.
Gu Y Y, Jiang X F, Zhang L. The boundary extraction of point cloud with hole in surface reconstruction[J]. Journal of Suzhou University (Engineering Science Edition), 2008, 28(2): 56-61.
[17] 施法中. 计算机辅助几何设计与非均匀有理B样条[M]. 2版. 北京: 高等教育出版社, 2013: 133- 149.
Shi FZ. Computer aided geometric design and non-uniform rational B-spline[M]. 2nd ed. Beijing: Higher Education Press, 2013: 133- 149.
[18] 曾卓. 阿达依·谢尔亚孜旦, 申传鹏. 三次B样条小波的曲线拟合研究[J]. 机械科学与技术, 2018, 37(6): 891-895.
Zeng Z, Xieeryazidan A, Shen C P. A research on curve fitting of cubic B-spline wavelets[J]. Mechanical Science and Technology for Aerospace Engineering, 2018, 37(6): 891-895.
[19] 段振云, 王宁, 杨旭, 等. 一种改进B样条曲线拟合算法研究[J]. 机械设计与制造, 2016( 5): 17- 19, 23.
Duan ZY, WangN, YangX, et al. An algorithm of improved B-spline curve fitting[J]. Machinery Design & Manufacture, 2016( 5): 17- 19, 23.
Article Outline
刘庆, 章光, 陈西江. 融合改进场力和判定准则的点云特征规则化[J]. 中国激光, 2019, 46(4): 0404009. Qing Liu, Guang Zhang, Xijiang Chen. Point Cloud Feature Regularization Based on Fusion of Improved Field Force and Judging Criterion[J]. Chinese Journal of Lasers, 2019, 46(4): 0404009.