车身逆向工程散乱点云特征点自动提取的研究..doc

车身逆向工程散乱点云特征点自动提取的研究 王希珂 汽车工程系 摘要：针对散乱点云数据，本文提出一种特征点自动提取的方法：首先借助逆向造型软件得到散乱点云的截面数据，再利用最小二乘法为每条截面数据拟合平面，并把截面数据点投影到该平面上，进一步把投影点的空间坐标系描述变换为平面坐标系描述，最后通过相关算法识别各类不连续处位置。本文结合Visual C++和OpenGL对特征点自动提取系统进行开发，并用实例验证了该系统的功能。 关键词：散乱点云；特征点；自动提取 0 引言 在点云模型重构之前，若能够对数据进行准确、快速的区域划分，这会大大提高后续模型重建的效率，并对重建模型的质量给予保证。特征曲线是数据分割的重要依据，且可以看作是由特征点按一定顺序连接而成，故对特征点自动提取技术的研究具有重要意义。 国内外有不少学者对这一领域作了研究，杨春雪[1]分析了当前一些特征提取技术，如二次曲面特征提取、过渡曲面特征提取、拉伸曲面特征提取和自由曲面特征提取；针对由CMM获取的三维数据，慈瑞梅等[2]提出了基于扫描线的三维分层式特征线的自动提取的方法，实现任意曲面尖锐棱线的自动提取；陈义仁等[3]利用最小二乘拟合法和双向最近点搜索算法提出一种新的散乱点云边界特征点提取算法；陈杰等[4]对特征提取技术进展作了综述，并且介绍一种用于提取变半径过渡特征的多阈值精度比较法；王俊等[5]首先采用基于面积和法矢准则对测量数据点进行数据分割，然后再通过基于人工神经网络的自动特征识别系统，识别出特征类型并提取特征参数。在对自由曲面特征进行分类基础上，Kumar Gupta R提出一种基于拓扑学和几何学的自由曲面特征提取算法[6]；Ellen Dekkers等[7]结合车身这样大规模数据模型，提供了一种半自动化、简单有效的特征曲线重建工具；通过不断细分曲面片，Dmitriy Bespalov等提出一种Scale-Space特征提取技术[8]，这种技术在一定程度上可用来匹配不同模型的局部结构。本文着重对散乱点云的特征点提取进行研究，提出一套特征点自动提取的方法，并结合Visual C++和OpenGL开发应用程序，实现了特征点的自动提取。 1 平面离散曲线特征点识别 在几何形体表面数字化过程中，坐标测量机截面连续扫描是曲面测量的常用方式之一。一般情况下扫描线为平面曲线，根据曲线的连续性质，其特征点可以分为：跳跃点（C0不连续）、尖点（C1不连续）、折痕点（C0、C1连续，C2不连续）。 1.1跳跃点的识别 设曲线为z=f(x)，对于曲线上两相邻离散点Vi和Vi+1，其中点为A，则有 (1) 若︱Z(A－)－Z(A+)︱M（M为给定阀值）则可认为离散曲线在点Vi和Vi+1之间为C0不连续，即Vi和Vi+1为跳跃点。 1.2 尖点的识别 离散曲线在某点处的一阶倒数可用一阶差分来近似。设曲线为V，pi-2(xi-2, yi-2)、pi-1(xi-1, yi-1)、pi (xi, yi)、pi+1(xi+1, yi+1)、pi+2(xi+2, yi+2)为曲线上相邻的离散点，A为pi-1pi的中点，B为pi pi+1的中点，C为pi-2pi-1的中点，D为pi+1 pi+2的中点，如图1所示。 图1 离散点一阶切矢估算 根据中心差商分别计算曲线位于点A、B、C、D处的切矢， (2) 再由V′(C)和 V′(A)利用插值法计算V′(pi-)，由V′(D)和V′(C)利用插值法计算V′(pi+)， (3) 其中， ， V′(pi-)与 V′(pi+)的差值是一个矢量，若其模和角度分别超过某一定值，则认为点pi为C1不连续点。 1.3 折痕点的识别 二阶导数可用曲率来表示，故可通过曲率计算来确定二阶导数不连续处的点。即若 (4) 则可认为点pi为二阶导数不连续位置处。 2 散乱点云的特征点提取方法 随着高效率、高精度测量设备的出现，逆向建模时会遇到越来越多的散乱数据点云。由于散乱数据点中的拓扑关系是未知和模糊的，直接进行数据分割并不容易。基于这种考虑，本文对特征点的识别算法进行研究，提出了一套能够自动识别散乱点云中各类不连续点的方法。具体步骤和算法如下： (1)在Imageware中选取适当的平面，利用平行平面截取点云的功能得到散乱点云的截面数据。 (2)根据每条截面数据拟合平面 平面方程为 (5) 其中，a，b，c，d为常系数。 记一组截面数据点{(xi