基于线结构光扫描点云数据的数据精简及三角网格剖分
点云数据处理与三维模型重构技术研究
点云数据处理与三维模型重构技术研究一、引言点云数据是由激光雷达或相机等感知设备采集的三维空间中的离散点集合，具有广泛的应用领域，如机器人导航、虚拟现实、三维建模等。
点云数据处理与三维模型重构技术是对点云数据进行分析和处理，从而实现三维场景的模型重建和可视化的关键技术。
二、点云数据处理技术1. 点云数据获取与清洗点云数据的获取可以通过激光雷达、相机等感知设备实时采集。
然而，由于感知设备本身的限制，数据中常常会包含一些无效的点、噪声点和异常点等。
因此，需对点云数据进行清洗和预处理，剔除无效、噪声和异常的点，从而提高后续处理的准确性和效率。
2. 点云数据配准与对齐在多次采集或不同感知设备采集的点云数据中，存在姿态不一致和坐标系统不同的问题。
因此，点云配准与对齐技术能够通过寻找匹配点，估计点云的姿态和转换关系，从而将不同数据源的点云数据融合在一起，形成一致的坐标系统。
3. 点云数据滤波与特征提取点云数据通常由大量的点组成，针对复杂场景和密集的点云数据，需要进行滤波处理，以减少数据量和去除噪声。
常见的点云滤波方法有体素滤波、统计滤波等。
在数据滤波之后，需要提取点云特征，如表面法线、曲率等，以进一步分析和描述场景。
4. 点云数据分割与识别点云数据的分割与识别能够将点云数据进行语义分类、目标检测和分割等操作，从而将点云数据划分为不同的部分。
常见的点云分割与识别方法有基于几何特征的方法、基于深度学习的方法等。
三、三维模型重构技术1. 网格生成与三角化通过点云数据处理，可以生成三维空间中场景的点云数据。
为了进一步实现场景的可视化和分析，需要将点云数据转换为三角化的网格模型。
网格生成与三角化技术可以将点云数据转换为由三角形组成的网格模型。
2. 模型拟合与重建模型拟合与重建技术可以基于点云数据，拟合出相应的曲面模型或几何模型。
常见的模型拟合与重建方法有最小二乘法、网格平滑方法等。
通过模型拟合与重建，可以实现对点云数据的表面重建和模型修复。
点云数据处理与三维重建技术
点云数据处理与三维重建技术点云数据处理与三维重建技术在现代计算机视觉和计算机图形学领域扮演着重要的角色。
点云是由大量三维点构成的集合，可以用来表示物体的表面形状和几何结构。
本文将介绍点云数据处理的基本概念和方法，并探讨三维重建技术的应用。
一、点云数据的获取点云数据的获取可以通过多种方式实现，如激光雷达扫描、结构光扫描、摄像头拍摄等。
其中，激光雷达扫描是最常用的方法之一，通过向目标对象发射激光束并测量激光束返回的反射信号来获取点云数据。
结构光扫描则是利用投影仪将光栅图案投射到目标对象上，通过相机捕捉到的图像来计算点云数据。
摄像头拍摄则是通过多张图像的匹配和配准来重建点云数据。
二、点云数据处理点云数据处理包括数据滤波、特征提取和点云配准等步骤。
首先，数据滤波可以去除噪声和离群点，提高点云数据的质量。
常用的滤波算法包括高斯滤波、中值滤波和统计滤波等。
接下来，特征提取可以从点云数据中提取出重要的几何信息，如表面法线、曲率和特征点等。
最后，点云配准是将多个点云数据对齐，形成一个完整的模型。
配准的方法包括迭代最近点（ICP）算法、特征匹配算法和面对面配准算法等。
三、三维重建技术三维重建技术是利用点云数据构建物体或场景的三维模型。
三维重建技术被广泛应用于虚拟现实、电影制作、建筑设计等领域。
常见的三维重建方法包括体素网格重建、表面重建和立体匹配等。
体素网格重建方法将点云数据映射到三维网格上，并通过体积渲染技术生成三维模型。
表面重建方法则是根据点云数据的几何信息生成物体表面的三角网格模型。
立体匹配方法是利用多张图像的视差信息来重建三维场景，常用于室内场景的重建。
四、应用案例点云数据处理与三维重建技术在许多领域都有广泛的应用。
例如，在建筑设计中，可以通过扫描建筑物获取点云数据，并利用三维重建技术生成建筑模型。
在工业制造中，可以通过激光雷达扫描获取零件的点云数据，并进行尺寸的测量和分析。
在文化遗产保护中，可以利用点云数据重建古建筑或文物，实现数字化保存和展示。
机器视觉——基于数字光栅投影的结构光三维测量技术（综述）
机器视觉——基于数字光栅投影的结构光三维测量技术（综述）概述本文是在读了论文《基于数字光栅投影的结构光三维测量技术与系统研究》[1]之后做的学习总结，方便自己学习，同时与博友共享，共同提高！三维重建三维重建（3D Reconstruction）是指利用二维投影恢复物体三维信息的数学过程和计算机技术，包括数据获取、预处理、点云拼接和特征分析等步骤。
三维重建过程：图像获取、摄像机标定、特征提取、立体匹配和三维重建。
光学三维测量光学三维测量主要分为被动三维测量（无结构光）和主动三维测量（有结构光）两种：被动三维测量主要过程：多幅二维图像–>计算出特征点–>重建三维特征点–>特征点滤波–>得到三维模型。
主动三维测量结构光的作用：增加三维物体的纹理信息；双目视觉系统：将投影仪当作一个逆向的相机，通过建立投影仪图像和相机图像的对应关系，将投影仪标定转换为成熟的相机标定，从而将单相机结构光三维测量系统转换为经典的双目视觉系统；主要测量方法：激光扫描法（LS）、傅立叶变换轮廓术（FTP）、相位测量轮廓术（PMP）、彩色编码条纹投影法（CFP）等。
基于PMP的结构光三维测量技术本文所讲的三维测量方法用的是主动三维测量中的相位测量轮廓术（PMP）。
测量时，投影仪将一幅或一组正弦光栅条纹投影到空间中，形成投影条纹，摄像机拍摄到被测物体表面，得到条纹图像，根据图像获得相位分布情况进行三维重建。
整体架构参见附录《结构光三维测量原理图》。
结构光生成与投射水平方向光栅条纹图像12幅：不同频率3组，每组不同相移的4幅图像竖直方向光栅条纹图像12幅：不同频率3组，每组不同相移的4幅图像结构光生成由计算机生成并发送到投影仪的光栅图像的灰度分布为：其中，(u,v)表示投影面投影像素单元的坐标，I(u,v)为(u,v)点的灰度值，a和b分别为正弦光栅的直流基波分量（光强背景值）和振幅（调制光强），θ(u,v)为I(u,v)对应的光栅相位，ϕ为待求相位主值，α为相位位移。
结构光视觉三维点云逐层三角网格化算法
结构光视觉三维点云逐层三角网格化算法
1结构光视觉三维点云
结构光视觉三维点云是一种由光学与计算机技术结合的精确成像方式，可以根据不同的应用情况来捕捉、分析和表示物体的三维形状特征，该技术的核心原理在于利用结构光进行细节表征。
结构光是指一种特殊的光线，它具有一定的光束角分布和波长比例，且随着距离会重复使用，这样可以让捕捉设备在捕获到结构光后可以分析深度信息从而准确地把空间环境中的物体表达出来。
通过结构光视觉三维点云，可以快速准确地获得物体的精确三维重建模型，从而完成许多行业应用中的重要需求。
2逐层三角网格化算法
逐层三角网格化算法是结构光视觉三维点云数据处理任务中最主要的一步，它能够将结构光视觉三维点云投影到一个平面上，然后按照一定顺序从点云数据中逐层抽取点，然后构建网格，最后形成三角网格以完成重建细节信息。
该算法在确定网格边界、坐标映射和网格拓扑的过程中，没有偏向性，并且可以在半自动的情况下更加准确和精确地把各层点云形成网格，而且可以有效的把三维模型的精度和速度进行优化。
逐层三角网格化算法在实际应用中显得非常重要，能够把从结构光视觉三维点云中获取到的大量点云点可视化表达，经过多层网格化处理，可以使得三维模型得到更加完整和精准，从而更好地满足实际
工程中对数据定性、定量分析的要求，且还可以更方便地进行三维渲染与动画处理。
因此，该算法被广泛应用于许多视觉导航，机器人及3d应用的数据处理中。
点云数据处理与三维建模技术综述
点云数据处理与三维建模技术综述随着激光扫描等技术的发展，点云数据处理与三维建模技术在许多领域中得到了广泛应用。
本文将对这些技术进行综述，包括点云数据的获取、处理算法以及三维建模的应用。
一、点云数据的获取1. 激光扫描技术：激光扫描仪通过向目标物体发射激光束，并测量激光束的反射时间来获取目标物体的几何信息。
激光扫描技术可以快速、准确地获取大量点云数据。
2. 结构光扫描技术：结构光扫描仪使用投影仪将编码的光纹投影到目标物体上，然后通过相机捕获被光纹扫描后的图像，通过解码得到点云数据。
3. 立体视觉技术：立体视觉利用多个相机同时拍摄目标物体，通过计算视差来获取点云数据。
这种方法适用于静态场景，具有较高的准确性。
二、点云数据处理算法1. 点云数据滤波：由于其他因素（如噪声、遮挡等）的干扰，点云数据中可能存在无效点或错误点。
点云数据滤波算法主要用于去除这些无效点，以提高数据质量。
2. 点云数据配准：当存在多个点云数据时，需要将它们对齐到同一个坐标系中。
点云数据配准算法可以通过计算不同点云之间的变换关系，实现点云的配准。
3. 点云数据分割：点云数据分割算法用于将点云数据划分为不同的部分，如物体表面、空洞等。
这种分割有助于后续的目标识别和模型重建。
4. 点云数据重建：通过点云数据重建算法，可以将离散的点云数据转换为连续的曲面表示。
这种重建可以用于三维建模、仿真等应用。
三、三维建模的应用1. 建筑与城市规划：点云数据处理与三维建模技术在建筑和城市规划中得到了广泛应用。
通过将现实世界的建筑物与场景转化为三维模型，可以帮助规划者进行可视化分析、布局设计等工作。
2. 工业制造：在工业制造领域，点云数据处理与三维建模技术可以用于产品设计、机器人路径规划等任务。
通过将物理世界的对象转换为三维模型，可以进行精确的仿真和优化。
3. 文化遗产保护：文化遗产的保护和修复需要精确的测量和重建技术。
点云数据处理与三维建模技术可以帮助保护者获取文化遗产的几何信息，进行精确的重建和修复工作。
点云重建与三角剖分
点云重建与三角剖分在计算机图形学中，点云重建和三角剖分都是非常重要的概念。
点云重建是指将一组离散的点云数据转化为连续的三维模型，而三角剖分则是将三维模型分割成许多小的三角形，以便进行三维建模、渲染等操作。
本文主要介绍这两个概念的基本原理及应用。
一、点云重建1.1 点云数据点云数据是由许多个三维坐标点组成的数据集。
在数字化采集现实物体的过程中，我们通常使用光学扫描、激光雷达等技术来获取物体表面上的点云数据。
点云数据虽然能够精确的描述物体表面的形状、大小等信息，但是这些点云数据通常是非常稀疏的，不连续的。
1.2 点云重建原理点云重建是将离散的、不连续的点云数据转化为连续的三维模型的过程。
常用的点云重建方法包括基于体素的重建、基于网格的重建和基于光滑曲面的重建等。
基于体素的重建：将点云数据以立方体体素的形式进行离散化处理，再通过光滑、修补等处理方式，将其转化为连续的三维模型。
基于网格的重建：将点云数据经过网格化处理，形成一个三角网格，再通过网格修补、平滑等技术，将其转化为连续的三维模型。
基于光滑曲面的重建：通过对点云数据点之间的距离、法向、曲率等特征进行分析，生成光滑曲面，再通过形成曲面网格的方式，将其转化为三维模型。
1.3 点云重建应用点云重建通常被应用于数字艺术、虚拟现实、医学图像处理、三维打印等领域。
例如，在虚拟现实游戏中，点云重建技术可以将真实的场景通过点云数据转化为三维模型，使得玩家更加沉浸在游戏中。
二、三角剖分2.1 三角剖分定义三角剖分是将多边形分割为许多小的三角形的过程。
由于三角形是计算机图形学中最基本的图形，因此将多边形分割为三角形可以更好地进行三维建模、渲染、检测碰撞等操作。
2.2 三角剖分算法常用的三角剖分算法包括离散点三角化算法、Delaunay 三角剖分算法等。
离散点三角化算法：将多边形上的各个顶点对应的离散坐标映射到一个坐标系中，再通过三角剖分算法将整个多边形进行分割。
Delaunay 三角剖分算法：该算法是目前应用最广泛的三角剖分算法之一，其主要思路是依据一组点云数据生成一个最大化的空圆内部的三角剖分，从而满足三角形的最优性和连通性。
测绘技术中点云数据的获取与处理方法
测绘技术中点云数据的获取与处理方法导语：随着科技的不断进步，测绘技术在各个领域中发挥着越来越重要的作用。
其中，点云数据的获取与处理是测绘技术中的一项关键工作。
本文将探讨点云数据的获取方法以及处理方法，带您了解测绘技术中点云数据的应用与实践。
一、点云数据的获取方法1.激光扫描测量法激光扫描测量法是一种高精度、高效率的点云数据获取方法。
通过使用激光测距仪，将激光束发射到被测物体表面，并通过接收器接收反射回来的激光束，从而得到点云数据。
这种方法具有非接触、无损伤、高精度的优点，广泛应用于三维建模、地质勘探等领域。
2.摄影测量法摄影测量法是利用摄影测量仪器通过拍摄被测物体的多个角度和位置，从而测量得到点云数据的方法。
通过对不同角度的影像进行匹配和配准，可以得到三维空间中的点云数据。
这种方法适用于大范围的测量，如城市规划、土地利用等领域。
3.结构光测量法结构光测量法是一种通过投射特殊光源模式到被测物体表面，通过相机来捕捉光影变化以获取点云数据的方法。
这种方法具有快速、准确的特点，广泛应用于工业检测、机器人导航等领域。
二、点云数据的处理方法1.点云数据的滤波点云数据通常包含了很多无效或噪声点，需要进行滤波处理。
常用的滤波方法有统计滤波、半径滤波和法线滤波等。
统计滤波通过计算每个点的邻居点的统计信息来去除噪声点；半径滤波通过计算每个点在给定半径内的平均值或中值来去除无效点；法线滤波则通过计算每个点的法线向量来去除异常点。
2.点云数据的配准配准是将多个采集到的点云数据融合成一个整体的过程。
常用的配准方法有ICP（Iterative Closest Point）算法和特征点匹配法等。
ICP算法通过不断迭代优化点云之间的匹配关系，使其最小化距离误差来实现点云配准；特征点匹配法则通过在点云中提取特征点，通过特征点之间的匹配来实现点云配准。
3.点云数据的重建与分析点云数据的重建与分析是将点云数据转化为可视化模型或进行进一步分析的过程。
基于结构光点云缺陷检测原理
基于结构光点云缺陷检测原理基于结构光点云的缺陷检测原理在现代工业生产中，产品质量控制是至关重要的一环。
为了确保产品的良好品质，各种缺陷检测技术被广泛应用。
其中，基于结构光点云的缺陷检测技术因其高效、准确的特点而备受关注。
结构光点云技术是通过投射特殊的结构光模式，然后通过相机捕捉被物体表面反射的结构光，进而生成物体的三维点云模型。
利用这个点云模型，可以对物体进行全方位的检测和测量。
基于结构光点云的缺陷检测原理是利用点云数据中的几何信息来分析物体表面的缺陷。
首先，通过分析点云数据的形状和拓扑结构，可以得到物体表面的几何特征。
然后，通过与标准模型进行比对，可以检测出物体表面的缺陷。
具体来说，基于结构光点云的缺陷检测原理包括以下几个步骤：1. 数据采集：使用结构光投射仪和相机对物体进行扫描，获取物体表面的结构光点云数据。
2. 数据处理：对采集到的结构光点云数据进行预处理，包括去噪、滤波、点云配准等操作，以提高数据质量和准确性。
3. 特征提取：从经过预处理的点云数据中提取物体表面的几何特征，比如曲率、法向量等。
这些特征可以反映出物体表面的形状和拓扑结构。
4. 缺陷检测：将提取到的几何特征与标准模型进行比对，通过计算差异度来判断物体表面是否存在缺陷。
差异度越大，说明缺陷越明显。
5. 缺陷分类：根据不同的缺陷类型，可以采用不同的算法和模型进行分类。
比如，对于裂纹缺陷，可以利用深度学习算法进行自动分类。
基于结构光点云的缺陷检测原理具有高效、准确的特点。
与传统的缺陷检测方法相比，它不依赖于特定的表面材料和颜色，适用范围更广。
同时，结构光点云技术还可以实时生成三维点云模型，为后续的检测和分析提供了便利。
基于结构光点云的缺陷检测原理是一种高效、准确的检测方法，可以广泛应用于各个领域的产品质量控制中。
通过利用点云数据中的几何信息，可以实现对物体表面缺陷的快速检测和分类，为工业生产提供有力的支持。
点云数据三角化
第1章、1.1空间曲面上散乱数据三角剖分的概念目前有多种方法可以获得物理模型的形状信息。
在制造工业中最常使用的是坐标测量机(Coordinate Measuring Machine,CMM)。
坐标测量机能精确测量物体表面上点的位置，但其测量速度较慢，当测量点数较多时，效率很低，一般用在对精度要求较高的场合，如检查零件的形状精度、位置精度等。
当需要大量获取零件表面的数据点时，一般使用激光扫描仪(Laser Scanner)。
激光扫描仪能在相对较短的时间内得到大量零件表面的数据点。
另外一种在医学上常用的测量设备是计算机断层扫描仪(Computerized Tomography,CT)。
CT得到的是物体的轮廓线，数据点呈层状分布，每一层代表物体的一个剖面。
这些测量设备得到的数据点形式各不相同，虽然在局部上某些数据点具有有组织的状态，如激光扫描仪和CT所得的数据点呈现层状的特点，但在全局上基本均表现出散乱的特点。
所谓散乱数据的三角剖分就是给定一组散乱数据点，将各数据点之间以三角形相互连接，形成一张三角网格。
其实质是以三角网格反映数据点与其邻近点间的拓扑连接关系。
而正确的拓扑连接关系将有效揭示散乱数据集所蕴涵的原始物体表面的形状和拓扑结构。
1.2空间曲面上散乱数据三角剖分的研究意义及应用范围空间曲面上散乱数据的三角剖分是构造散乱数据插值曲面的必不可少的前置处理步骤，也是最重要最关键的一步，基于散乱数据点三角剖分构造散乱数据插值曲面的过程如图1所示:图1.1构造散乱数据插值曲面的步骤空间曲面上散乱数据的三角剖分是在对测量数据点必要的处理之后进行的，它是构造散乱数据插值曲面的前置处理步骤。
平面域内的散乱数据的三角剖分研究己经经历了相当长的时间，相关理论与算法己经相当成熟，特别是Delaunay 三角剖分及其优化准则等研究成果使得平面内的散乱数据点的三角剖分已经不再困难。
但在把平面内的算法推广到空间曲面上时，由于空间曲面散乱数据点之间拓扑关系的复杂性，对其直接剖分的理论和算法尚不完善。
基于点云数据的三维模型重构与分析算法研究
基于点云数据的三维模型重构与分析算法研究近年来，随着三维技术的发展和广泛应用，基于点云数据的三维模型重构与分析算法的研究逐渐成为计算机视觉领域的热点。
点云数据是一种由大量三维点组成的离散数据集合，可以通过激光扫描或摄影测量等手段获取。
本文将介绍基于点云数据的三维模型重构与分析算法的研究现状、方法和应用。
首先，我们来了解一下点云数据的特点。
点云数据是以点为基本元素的三维数据表达形式，每个点都有自己的位置和属性信息。
相较于传统的三维建模方法，点云数据具有较高的准确性和真实性，能够更好地反映真实世界中的物体形态和细节。
然而，点云数据的不规则性和噪声干扰给其处理和分析带来了挑战，因此需要研究有效的算法来重构和分析点云数据。
一种常见的点云重构算法是基于表面重建的方法。
该算法通过对点云数据进行表面重建，生成连续的三维模型。
其中，一种常用的表面重建方法是基于移动最小二乘（Moving Least Squares, MLS）的方法。
该方法通过拟合每个点的邻域曲面，将点云数据表达为连续的曲面模型。
此外，还有一些基于体素的方法，通过将点云数据转化为体素（Voxel）表示，然后进行光滑和分割操作，最终生成三维模型。
在点云数据分析方面，一种常见的问题是点云配准（Registration）问题。
点云配准是指将多个点云数据集合对齐到一个公共坐标系中，以实现点云数据的融合和比较。
配准算法通常包括特征提取、特征匹配和变换估计等步骤。
特征提取常用的方法有SIFT、SURF等，通过提取点云数据的局部特征，从而进行匹配和对齐。
此外，还有一些基于深度学习的方法，如PointNet和PointNet++，能够直接在点云数据上进行特征提取和配准。
除了点云配准，点云数据还可以用于三维物体识别和分类。
三维物体识别是指从点云数据中检测和识别出特定的三维物体，常用的方法有基于形状描述子和基于深度学习的方法。
基于形状描述子的方法从点云数据中提取出形状特征，然后使用机器学习算法进行分类和识别。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
去除基面冗 余数据后的点云数据量依然十分庞 大，有必要对其进行进一步的精简． 有关数据精简的
算 法 很 多 ， 常用 的有取 样 法 、 高法 、 度偏 差法 、 较 弦 角 包 围盒 法等 问 不 同 类 型 的精 简方 法 适合 于不 同 的点 ，
收稿 日期 ：０７ ０ 一 Ｉ ２ ０ － ５ Ｉ 基金项 目： 国家 自 然科学基金资助项 目（０ ７ ｌ４ ５ ６５ ７ ） 作者简介 ： 王晓强（９ ２ ）男 ， １７ 一 ， 山东莱州人 ， 博士生 ， 主要从事 Ｃ ＤＣ Ｍ及逆向工程研究 Ａ ／Ａ ８１
维普资讯
１ 数据精简
１１ 扫 描点云数 据的特点 ．
化等相关领域具有广泛的应用． 这种技术归类于逆向 工程 ， 能够实现在没有 Ｃ Ｄ设计数据的条件下对物体 Ａ
的复 制 和再生 【 首先 从零 件表 面获 取 离散 坐标 数据 ｌ 点 （ 云） 点 ，然后 在被 测数 据基 础上 构建 被 测对 象 的 Ｃ Ｄ模 型 ． Ａ 目前 ， 曲面 重 构领 域 主要 有 ３种 方法 团 （ ） 在 ：１基
基于计 算效率和存储效率 的三角剖分计算算法 以及 实现此算法的数据结构四 Ｃ ｅ 等人主要集 中于研究 ， ｈｎ 通 过 指 定 数 据精 简 过 程 的百 分 比和边 界 误 差 的 Ｓ Ｌ Ｔ 文件生成算法问Ｐｒ ｄ ｉ ，ａ ａ ｍ从原始散乱点云数据人 ｋｎ Ｋ
面进行 ， 可大大减少数据处理过程 中存储空间和计算
时间的消耗阎 ．图 １ 显示为线结构光扫描测量系统所 测得的摩托车后视镜的原始点云数据．
１ 点云数据 的精简 ． ２
线结构光扫描测量系统具有扫描速度快 和高精
手插值构造一大致曲面 ， 进而重复细化得到所需要的 逼近精度四 ．
度等优点， 并且线型的点云数据在 曲面建模中易于应
用． 但是 ， 系统所获得的是密集的点云数据 ， 数据的处
常用的三角剖分优化准则有 ： ｉ ｓ Ｔ ｅｅ ｈ ｓ ｎ区域准则、 最小内角最大准则、 圆准则、 Ｂ Ａ Ｎ准则 、 球准则、 光顺
准则等【 ｌ ｑ ． 以最小内角最大准则为例 ， 对一个严格凸的四边 形进行三角化时有 ２ 种选择 ，如图 ５ 所示 。 准则就是
云数据． 本文采用非均匀网格的数据精简方法 ， 弦高 一
（） ３计算直线 和 Ｐ ２ ｏ 之间的夹角 和弦高 ｄ Ｐ ； （） ４如果 ｏ Ａｔ ｔ ｏ并且 ｄ Ａ ， 除点 Ｐ， 取下 一点 ＜ ＜ ｄ删 １ 选 Ｐ． ３ 如果点 Ｐ 不存在 ， 到步骤 （ ）否 则 ， Ｐ Ｐ， ３ 转 ６， 令 ：２
Ｂ．３ 到步骤 （ ） Ｐ， 转 ３； （ ）如果 条件 ＜ 和 ｄ Ａ 不 满 足 ，令 Ｐ＝ ， ５ △ ＜ｄ ｏＰ， Ｐ． ２并且选取 点 Ｐ． 果点 Ｐ 不存在 ， Ｐ， ３ 如 ３ 转到步 骤 （） ６，
Ｖｏ ．２ Ｎｏ４ １ ． ２ Ｄｅ ． ２ ｏ７ ｃ Ｏ
基于线结构光扫描点云数据的数据精简及三角网格剖分
王晓强 ，郭迎福ｓ ，蒋庄德 ，李 兵
（． １ 西安交通大学 精密 工程研究所。 陕西 西安 ７０４ ； 河南科技大 机电 １ ９２ ０ ． 学 工程学院。 河南 洛阳 ４ １ ３３ 湖南科技大学 机电 ７０ ； ０ ． 工程 学院， 湖南 湘潭 ４１０ ） １ １ ２
图６ 为圆准则示意图． 选择 凸四边形的三个顶点 确定一个 圆， 如果第四顶点在圆内， 此顶点与其 相 将
维普资讯
对的顶点相连 ， 否则连接另外的两个顶点．
的两 条扫 描线上 选取 ４ 点 构建 四边形 ．在每一 条 扫 个
描线上从起始点选取连续 的 ２ 数据点 （ 个 如图 ８ 所 示 ， ｓ首先 被选取 ） ： ．
否则令 Ｐ， ３ 转到步骤（ ） ３； （） ６ 选取下一条扫描线 ， 转到步骤 （ ）如果所有 ２．
图 １ 摩 托 车后 视 镜 原 始点 云 数据
Ｆｇ． Ｏ ｒｇ ￣ ｐ ｉ ｔｃｏ ｆｔ ｅ ｒ ｉｗ ｎｏｒｏ ｍ ｏｔ ｃ ｃｅ ｉ １ ｉｉ ｏ ｎ ｌ ｕｄｏ ｈｅｒ ａｖｅ ｍｉ ｆ ｏｒｙ ｌ
法； ） （ 采用多面体来描述曲面． ３ 点云数据的三角剖分 是三角 Ｂｚ ｒ ｅ ｅ 曲面重构的重要步骤 ， Ｄ ｌ ｎｙ ｉ 而 ｅ ｕ ａ 三角 ａ 剖分是曲面生成 中普遍采用 的一种方法并广泛应用
于快速成型（ Ｐ 技术． Ｒ） 许多研究人员 已经在此领域取 得 了重大的研究成果 ，比如 ： ． ． ｌｅ 等人研究 了 Ａ Ｋ Ｃｉ ｓ ｎ
不必要的冗余数据点 ， 必须将其删除． 首先对每一扫描
线上的准有序点云数据进行排序整理，使得基面数据
处于每条扫描线的两端＿ 由于基面数据理论上具有相同 的 坐标值 ， 设定—个合适的允差 Ａ 并设基面理论 ， 坐标值为 孙 当 ｔ． ｌ Ａ ｚ ＜ 时将该点作为冗余点删除． ｒ ０＝
ｓａ ｉ ｎｅ ｃ ｎｎｎｇｌ ｓ ｉ
连接每一条线的第一点（ 如图 ８ 中的．和 ） 。 作为 三角形的一条边 ， 比较所构建 的四边形对角线的长度
并连 接长度 较短 的对角 线 ２数据 点 ．以图 ８为例 ， ．
Ｓｓ ｉｏ ｂ ｎ已经证 明了上述两种准则是等价的，并且 指出只有一种三角剖分方法与这些优化准则相一致 ， 这 就是 Ｄ ｌ ｎｙ 角剖分 ． ｅａ ａ 三 ｕ ２ 结构光扫描数据的三角剖分 ． ２ 基于线扫描所得到的准有序点云数据 ，ｈｎ ｒ Ｓｕ—ｅ ｎ Ｌａｇ 出 了一 种在 相邻 两 列扫 描线 之 间构 造三 角 网 ｉ 提 ｎ 格的剖分方法【． ｌ 其建立三角网格的主要步骤是确定 ｌ 】 连接点的线段数和附加线段数 ， 然后根据相关准则进 行对应点的连接． 算法示意图如图 ７ 所示．
ｃ ｔｄｏｎ ｉ ｆｅ
２ 点云数据 的三角剖分
近些年来 ， 大量 的基于三角面片的曲面重构都是 基于 Ｖ ｒ ｏ 图和此基础上 的双 Ｄ ｌ ｎｙ ｏ ｎｉ ｏ ｅ ｕ ａ 三角剖分． ａ 但是 ，基于 Ｖ ｒ ｏＤ ｌ ｎｙ ｏ ｎｉ ｅ ｕａ 的算法最主要 的不足在 ｏ ／ ａ 于计算速度慢 和难 以处理大规模的点云数据 ， 主要表
物体表面上的成像 ， 运用三角法测量原理计算被测物 体在光刀投射处各点的高度 ， 再通过一维步进扫描测 量， 获取物体表面的三维轮廓信息． 在测量过程 中， 投 射到被测物体上的光刀在一个平面内 ， 采集到的原始
点云数 据具 有一 维不 变性 ． 以 ，在 对每 一 条 扫描 线 所 进 行点 云数 据 预处 理 以及 曲线 重 构 时 可 以在 二 维 平
图２ 基 面数据精 简结果
ｒ ｇ２ ｉ． Ｒｅｕ ｔ ｆ ａｅｐａ ｅｐ ｉ ｔ ｒｄ ｃ ｏ ｓ ｌ ｏ ｂ ｓ ｌｎ ｏ ｓ ｅ ｕ ｔ ｎ ｎ ｉ
现在两个方面： 第一 ，ｅ ｕａ 三角剖分的复杂度随输 Ｄ ｌ ｎｙ ａ 入 数 据 的 大 小 成 平 方 增 加 ；第 二 ， ｏｎｉ 和 Ｖｒ ｏ 图 ｉ Ｄ ｌ ｎｙ ｅ ｕａ 三角剖分的计算易受数值误差的影响 ａ
／ ＿、
径
小于 ，连接． 和 ｓ 接下来分别在相应的扫描线上 选取上述被连接对角点的后续数据点 ， 构造新的 四边
形并重复上面的过程 ， 直到一条扫描线 的数据点全部
参与三角网格的构建． ， 最后 连接上述提到的扫描线的 最后一数据点到另外扫描线的剩余数据点 ， 构建剩余 三角形． 这样 ，相邻扫描数据线之间的三角剖分网格
摘
一
要： 在分析线结构光扫描点云数据特点的基础 上 ， 讨论 了针对测量点云数据精 简算 法， 包括 测量基 面数据精 简和基 于弦高
角度偏差准则的数据精简算法． 介绍 了散乱数据的基于 Ｄｅ ｕ ａ ｌ ｎｙ三角剖分优化 准则和 Ｌａｇ 出的相邻扫描线之 间的三 角网格 ａ ｉ 提 ｎ
构建方法 ， 并在 此基础上提 出了一种 改进方法 ， 于优 化准则的线结构光扫描点云数据三角剖分算法 。 基 该算 法符合 Ｄｅ ｕ ａ ｌ ｎｙ的三 角 ａ 最优剖分． 以摩托 车后视镜点云数据 为例的 实验结果表 明该方法是有效的和切 实可行的． １ ， １ ． 图 ２参 １
线结构光扫描系统是一种非接触测量装置 ， 它利 用线型激光源（ 俗称光刀 ） 投射到被测物体表面 ， 通过
与投 射光 源具 有一 定 安装 角度 的 Ｃ Ｄ来 获 取 光源 在 Ｃ
于Ｂ 样条（ —ｐ ｎ ） Ｂ Ｓｌ ｅ或非均匀有理 Ｂ样条（ Ｕ Ｂ ） ｉ Ｎ Ｒ Ｓ的
曲面 重构 ；２ 基 于 三角 塞 尔 （ ｅｉ ） （） Ｂｚ ｒ曲面 的重 构方 ｅ
偏差角度联合法． ３ 图 为弦高 一 偏差角度算法的原理
图， 算法的具体步骤如下所示．
要保证对角线两侧三角形的最小 内角最大化．
图 ３ 弦高 一偏差角度算法示意图
Ｆ ｇ３ ｌｕ ｔａ ｖ ａ ｉ ． Ｉ ｓｒ ｔ ｅｄｉｇ 抓 ｌ ｉ ｏ ｈｒ ｆｃ ｏ ｄ—ａ ｇｌａ ｅ ｉｔｏ ｎ ＩＩｒｄ ｖ ａ ｎ ｉ
同时为了获得被测物体的边界 ， 在处理过程中保留从 ｋ－０ ＝Ａ 变 化到 ｋ－０ ＝ 的临界点 作为 物体 的 ｃ ｌ ＜ ｚ ｃ ｌ Ａ ＜ 边界点． ２ 图 显示了去除基面冗余数据后的结果．
图 ４ 基 于 弦 高 一偏 差 角度 准 则 的数 据 精 简 结果
ｒ ｇ４ Ｒ ｅｕｔｏ ａａ ｒ ｄ ｃｉ ｎ ｂ ｓ ｄ ｏ ｈ ｒ —ａ ２ｌ ｄ ｖａ ｏ ｉ． ｓ ｌ ｆｄ ｔ ｅ ｕ ｔ ａｅ ｎ ｃ ｏ ｄ ｎ ｅ ｉｔ ｎ ｏ ｌ ｉ
一
， ，
④
图 ６ 圆 准则
Ｆｇ。 Ｃｉｃｅｃ ｔｒｏ ｉ ６ ｒ ｌ ｒ ｅ ｎ ｉ ｉ
图 ８ 相 邻 扫描 线 上 ４ 构 建 四 边形 点
Ｆｇ Ｑｕ ｄａ ｇ ｏ ｓ ｕ ｔ ｎ ｗｉ ｏｎ ｉ ｃ ｎ ｇ ｏ ｓ ２ ｉ８ ． ａ ｒ ｌ ｃ ｎｔ ｃ ｏ ｔ ４ ｐ ｉｔ ｎ ｏ ｔ ｕ ｕ ｎ ｅ ｒ ｉ ｈ ｓ ｉ