CN116862935A - 一种用于筒形三维测量的点云边缘轮廓自动提取方法 - Google Patents

Abstract

本发明提供一种用于筒形三维测量的点云边缘轮廓自动提取方法，包括如下步骤：S1、使用三维激光扫描设备获取筒形三维扫描点云数据并输入；S2、点云数据的一阶分割；S3、建立连接相邻簇的图；S4、添加表示特征线的边缘；S5、构建剪枝图的最小生成树；S6、闭合图最小生成树的特征线；S7、输出轮廓特征线：使用平面曲线演化方法平滑轮廓特征线并输出。本发明通过重构闭合的筒形特征线来区别于现有的特征线算法。该算法的优点为：只使用点云的坐标进行自适应计算，无需框选点云区域，为无网格化的自动化特征提取，能够对点云进行智能聚类，形成一个比原始点云小很多的图，提高计算的实时性。

Description

一种用于筒形三维测量的点云边缘轮廓自动提取方法

技术领域

本发明涉及机械及自动化技术领域，特别涉及一种用于筒形三维测量的点云边缘轮廓自动提取方法。

背景技术

目前，三维激光扫描测量技术由于具有测量范围大、精度高、无接触、不受光线影响、扫描速度快、自动化程度高等特点，已被越来越多的应用于筒形等大尺寸零部件的测量。筒形需要测量的尺寸主要包括对接孔拟合圆直径、圆度、高度、垂直度、基准偏扭等参数，这些参数的测量都需要对筒形的点云数据边缘轮廓进行拾取进而通过边缘轮廓点计算得到测量结果。

现有的物体边缘轮廓识别方法主要包括基于二维图像的检测和基于三维点云数据的特征点识别两类。图像检测方法因为不能反映三维零件完整信息具有一定局限性，现有的基于三维点云数据的识别方法具有计算量大的、参数取值自适应性差以及测量精度不高的特点。为提高筒形边缘轮廓点云数据的识别效率和准确度，本发明提出一种基于点云数据的筒形边缘轮廓自动提取方法。

发明内容

本发明的目的在于提供一种用于筒形三维测量的点云边缘轮廓自动提取方法，通过搜寻筒形点云数据的闭合特征点实现边缘轮廓自动提取，运行速度快，提取效果好。

本发明提供一种用于筒形三维测量的点云边缘轮廓自动提取方法，包括如下步骤：

S1、使用三维激光扫描设备获取筒形三维扫描点云数据并输入；

S2、点云数据的一阶分割；

S3、建立连接相邻簇的图；

S4、添加表示特征线的边缘；

S5、构建剪枝图的最小生成树；

S6、闭合图最小生成树的特征线；

S7、输出轮廓特征线：使用平面曲线演化方法平滑轮廓特征线并输出。

进一步的，所述步骤S2具体为：

通过生成一个以p为中点和半径的球面，使得k个最近邻在这个球面内，并构造这些点的最小二乘平面进行投影；使用正态分布估计区域增长法对局部区域点云进行聚类，通过设定阈值角来指定一个簇内相邻两点法线之间的最大角并完成点簇一阶法向量分割。

进一步的，所述步骤S3具体为：

使用最小生成树算法构造连通图作为特征线的初始近似，其中每个顶点表示一个簇，每个边连接两个包含至少一个点且具有重叠邻域的簇，并完成对突出特征线的检测。

进一步的，所述步骤S4具体为：

在所述步骤S3构造的连通图中连接两个相邻大簇的小簇中添加欧氏距离小于图中两个相邻小簇之间欧氏距离的特征线边缘，消除由突出边缘上的点与相邻大簇的法线对齐造成的簇间的间隙，实现边界的闭合。

进一步的，所述步骤S5具体为：

计算小簇之间边的权值，作为簇的代表点之间的距离，将大于小簇之间的权重附加到连接的大簇边上，得到一个边数减少的图，此时只有有限的边缘涉及到一个大簇，完成最小生成树的构建和短枝的修剪。

进一步的，所述步骤S6具体为：

使用深度在两端点间的路径优化搜索的连接算法，将图中的每个端点与一个合适的点连接起来，组成闭合边缘特征线。

本发明提供的用于筒形三维测量的点云边缘轮廓自动提取方法取得的有益效果是：

1)本发明通过重构闭合的筒形特征线来区别于现有的特征线算法。该算法的优点为：只使用点云的坐标进行自适应计算，无需框选点云区域，为无网格化的自动化特征提取，能够对点云进行智能聚类，形成一个比原始点云小很多的图，提高计算的实时性。

2)本发明所构建的基于点簇的图结构，在单个点的坐标上提取特征线，能够很好的识别出高法向量的突出边缘，容易对这些突出边缘的位置进行分割，降低了计算的复杂度。

3)本发明在获取轮廓点的基础上，利用局域区域点的原始位置信息将邻近点连线形成图表示的初始轮廓线，利用最小生成树、短边剪枝以及光滑等几个步骤进行处理形成最终的光滑轮廓线，计算复杂度低、速度快，能够实现点云边缘轮廓自动提取，容易嵌入在测量软件中实现一键式尺寸测量。

附图说明

下面结合附图对发明作进一步说明：

图1为用于筒形三维测量的点云边缘轮廓自动提取方法的流程图；

图2为k邻域取点流程图；

图3为点簇分割连接闭合流程图；

图4为构建剪枝图的最小生成树流程图。

具体实施方式

以下结合附图和具体实施例对本发明提出的用于筒形三维测量的点云边缘轮廓自动提取方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明实施例的目的。

实施例1

本发明提出了一种用于筒形测量的基于三维点云数据的边缘轮廓自动提取方法，通过搜寻筒形点云数据的闭合特征点实现边缘轮廓自动提取，运行速度快，提取效果好。

本发明的主要技术方案为：在筒形点云上构造一个筒形曲线网络，使用正态估计区域增长法将点云聚类形成点簇，进一步减小点云尺寸，建立这些点簇的图并使用一阶向量特征分割提取得到与簇匹配的闭合特征线，找到筒形表面轮廓可以定义的区域。

下面通过具体的实施方式并结合附图对本发明做进一步详细说明。

图1为用于筒形三维测量的点云边缘轮廓自动提取方法的流程图；图2为k邻域取点流程图；图3为点簇分割连接闭合流程图；图4为构建剪枝图的最小生成树流程图。参考图1到图4，本实施例的主要步骤如下：

步骤S1：使用三维激光扫描设备获取筒形三维扫描点云数据并输入；

步骤S2：点云数据的一阶分割。通过生成一个以p为中点和半径的球面，使得k个最近邻在这个球面内，并构造这些点的最小二乘平面进行投影。使用正态分布估计区域增长法对局部区域点云进行聚类，通过设定阈值角来指定一个簇内相邻两点法线之间的最大角并完成点簇一阶法向量分割；

步骤S3：建立连接相邻簇的图。使用最小生成树算法构造连通图作为特征线的初始近似，其中每个顶点表示一个簇，每个边连接两个包含至少一个点且具有重叠邻域的簇，并完成对突出特征线的检测；

步骤S4：添加表示特征线的边缘。在图中连接两个相邻大簇的小簇中添加欧氏距离小于图中两个相邻小簇之间欧氏距离的特征线边缘，消除由突出边缘上的点与相邻大簇的法线对齐造成的簇间的间隙，实现边界的闭合；

步骤S5：构建剪枝图的最小生成树。计算小簇之间边的权值，作为簇的代表点之间的距离，将大于小簇之间的权重附加到连接的大簇边上，得到一个边数减少的图，此时只有有限的边缘涉及到一个大簇，完成最小生成树的构建和短枝的修剪；

步骤S6：闭合图最小生成树的特征线。使用深度在两端点间的路径优化搜索的连接算法，将图中的每个端点与一个合适的点连接起来，组成闭合边缘特征线；

步骤S7：输出轮廓特征线。使用平面曲线演化方法平滑轮廓特征线并输出。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

Claims (6)

1.一种用于筒形三维测量的点云边缘轮廓自动提取方法，其特征在于，包括如下步骤：

S1、使用三维激光扫描设备获取筒形三维扫描点云数据并输入；

S2、点云数据的一阶分割；

S3、建立连接相邻簇的图；

S4、添加表示特征线的边缘；

S5、构建剪枝图的最小生成树；

S6、闭合图最小生成树的特征线；

S7、输出轮廓特征线：使用平面曲线演化方法平滑轮廓特征线并输出。

2.如权利要求1所述的用于筒形三维测量的点云边缘轮廓自动提取方法，其特征在于，所述步骤S2具体为：

通过生成一个以p为中点和半径的球面，使得k个最近邻在这个球面内，并构造这些点的最小二乘平面进行投影；使用正态分布估计区域增长法对局部区域点云进行聚类，通过设定阈值角来指定一个簇内相邻两点法线之间的最大角并完成点簇一阶法向量分割。

3.如权利要求2所述的用于筒形三维测量的点云边缘轮廓自动提取方法，其特征在于，所述步骤S3具体为：

使用最小生成树算法构造连通图作为特征线的初始近似，其中每个顶点表示一个簇，每个边连接两个包含至少一个点且具有重叠邻域的簇，并完成对突出特征线的检测。

4.如权利要求3所述的用于筒形三维测量的点云边缘轮廓自动提取方法，其特征在于，所述步骤S4具体为：

在所述步骤S3构造的连通图中连接两个相邻大簇的小簇中添加欧氏距离小于图中两个相邻小簇之间欧氏距离的特征线边缘，消除由突出边缘上的点与相邻大簇的法线对齐造成的簇间的间隙，实现边界的闭合。

5.如权利要求4所述的一种用于筒形三维测量的点云边缘轮廓自动提取方法，其特征在于，所述步骤S5具体为：

计算小簇之间边的权值，作为簇的代表点之间的距离，将大于小簇之间的权重附加到连接的大簇边上，得到一个边数减少的图，此时只有有限的边缘涉及到一个大簇，完成最小生成树的构建和短枝的修剪。

6.如权利要求5所述的一种用于筒形三维测量的点云边缘轮廓自动提取方法，其特征在于，所述步骤S6具体为：

使用深度在两端点间的路径优化搜索的连接算法，将图中的每个端点与一个合适的点连接起来，组成闭合边缘特征线。