一种面向复杂零件曲面特征保留的点云精简方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113744389A(43)申请公布日2021.12.03(21)申请号202110976324.9(22)申请日2021.08.24(71)申请人武汉理工大学地址430070湖北省武汉市洪山区珞狮路122号(72)发明人秦训鹏丁吉祥董寰宇杨世明董书洲(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙)42222代理人黄靖(51)Int.Cl.G06T17/00(2006.01)G06T17/20(2006.01)G06K9/62(2006.01)权利要求书4页说明书7页附图3页(54)发明名称一种面向复杂零件曲面特征保留的点云精简方法(57)摘要本发明公开了一种面向复杂零件曲面特征保留的点云精简方法，通过计算信息熵提取特征区域后，对特征区域采用FCM&k‑means迭代聚类精简，对非特征区域采用八叉树精简，实现在保留特征区域完整性的同时对不同区域进行不同精简比的精简。本发明能够对模型点云的不同区域进行划分，并针对不同区域的特点和要求应用不同的精简方法，既保留了零件表面特征的完整性，又可实现较高的精简比，避免了细节特征的缺失。CN113744389ACN113744389A权利要求书1/4页1.一种面向复杂零件曲面特征保留的点云精简方法，其特征在于，该方法包括下列步骤：步骤一：对复杂零件表面待测区域执行扫描，生成表面点云数据集S1，其中S1＝{pi|i＝1,2,…,n}，式中pi代表扫描获取的点云中的某个点，且每个点所在同一坐标系下，n表示初始点云的总数量；步骤二：对获取的零件表面点云数据集进行八叉树分割，计算所获取点云的局部表面密度dp，确定八叉树分割时的邻域点数k，计算八叉树分割的体素大小l，完成八叉树分割，并以八叉树分割后的体素中心作为初始k‑means聚类的中心点，完成空间域的聚类划分；步骤三：获取每个点pi的邻域点集pn＝{pj|p1,p2,…,pk}，k表示点pi邻域点数量，计算每个点的几何特征大小，几何特征包括法向量np、法向夹角θp、高斯曲率Cp，构建所有点的特征描述子Hp＝{Hpi|Hp1,Hp2,…,Hpn}；步骤四：计算空间域聚类划分后每个簇对应的信息熵Ip，计算所有信息熵的均值Imean和标准差Istd设定分割阈值IT，对空间域划分后的初始簇进行分类，由此获得特征区域子簇集S2和非特征区域子簇集S3；B为常数步骤五：计算特征区域内所有点的3x3特征矩阵F(np)的特征值λ1,λ2,λ3(λ1＜λ2＜λ3)，并计算其中两个最小特征值对应的主曲率α、β，结合每个点对应的单位法向量np，构建几何域内点p的特征描述符h＝(α,β,np)；步骤六：计算特征区域每个子簇内所有点的几何特征差异性距离d(hi,vk)，选择FCM初始聚类中心点，计算簇中每一个点到FCM聚类中心的隶属度uik，FCM聚类算法将每个簇内的所有点划分到c个模糊簇中，以使目标函数JFCM取得最小值；步骤七：FCM初次聚类分割后，对所有子簇的中心点vk(k＝1,2,…,c)进行更新，同时对簇中每个点的隶属度uik进行更新，并对子簇内每个点重新聚类，直至中心点的移动距离小于固定阈值δ；步骤八：选择聚类的初始中心点，将初次FCM聚类后的子簇集C＝{cj|j＝1,2,…,m1}，按照步骤二中的聚类方法在空间域上进行k‑means聚类；步骤九：重复步骤六～步骤八所述方法，进行FCM&k‑means迭代聚类，将特征区域子簇进行细分，细分后的子簇集为S4＝{si|i＝1,2,…,n1}，根据精简率的要求设置不同的距离阈值ε，判断每次细分之后子簇是否满足迭代聚类终止条件L；步骤十：对非特征区域子簇集S3运用八叉树的方法进行精简，选取所有体素的中心点作为非特征区域的精简点集S5，选取特征区域迭代聚类后的所有子簇中心点作为精简后点集S6，将所有精简后的点集合并，同时删除重复点，由此获得最终的精简点云。2.如权利要求1所述的一种面向复杂零件曲面特征保留的点云精简方法，其特征在于，在步骤二中，表面密度计算采用公式为(1)，计算多次计算dp的均值作为八叉树的邻域k值；S表示局部区域表面积，N1表示所在区域的点数；2CN113744389A权利要求书2/4页采用公式(2)计算体素大小ω为常数，k为搜索邻域点数，n是目标点云大小，Xmax，Xmin，Ymax，Ymin，Zmax，Zmin为所获点云边界尺寸；k‑means聚类的目标函数D的计算公式(3)v表示聚类数，u表示第a个簇中的数据个数，Ca为第a个簇的簇中心，Pab为第a个簇中的2数据点，d(Pab‑Ca)表示该点Pab到该簇中心Ca距离的平方。3.如权利要求1所述的一种面向复杂零件曲面特征保留的点云精简方法，其特征在于，在步骤三