可有效保留边界和局部特征的复杂曲面零件点云精简方法与流程

本发明属于精密加工与测量技术领域，更具体地，涉及一种可有效保留边界和局部特征的复杂曲面零件点云精简方法。

背景技术：
随着计算机视觉、模式识别等领域的不断发展，非接触式扫描技术在精密零件的加工及检测环节中起着越来越重要的作用，尤其在工件的三维建模、刀具定位、几何轮廓度检测中有着广泛的应用。基于光学原理，非接触式扫描设备可以在几秒钟之内获得数以万计的三维点数据，并且对一些复杂结构曲面和大尺寸的物体，所获得的点云数据非常庞大，因此，难以直接把这些数据用于计算处理。点云精简技术为点云的后续处理提供了一种有效的解决办法，在精简过程中，一方面需要在模型代表性区域内选择尽可能多的点来保证精简后的模型与原始模型有较高的相似度；另一方面需要对点的数量进行有效控制，从而达到简化计算的目的。因此，点云的精简是一个大规模的复杂技术问题。现有技术中的点云精简方法大多采用传统的随机采样和均匀采样方法，由于不需考虑模型的特征信息，这两种方法的计算效率较高，但在实际运用中发现这两种方法并不适用于高精度复杂曲面零件点云的精简操作。例如，在航空发动机叶片的轮廓度检测过程中，需要通过精简后的叶片点云与设计模型匹配来计算轮廓误差，如果采用随机采样法，每次测量后将得到不同的检测结果，此外，由于没有考虑特征和边界点，采用传统采样方法得到的检测结果并不能反应叶片的真实加工误差。因此，有必要提出一种新的对零件边界和局部特征有效保留的简化方法。此外，进一步的检索发现，CN104881498A公布了一种海量点云的Out-of-Core快速均匀精简方法，可用于精简超出主存容限的实物表面采样数据，但该方法本质是利用包围盒来简化点云数据，在简化过程中会损失部分点云的几何特征；CN102800114A公开了一种基于Poisson-disk采样的数据点云精简方法，该方法通过在稀疏与密集区域增补或移除采样点可以防止采样点局部聚集，但在实际应用中稀疏与密集区域的界定比较困难；CN104732581A公开了一种基于点特征直方图的移动场景点云精简方法，该方法首先计算每个点的特征直方图的标准差，并与预设的标准差阈值进行比较，通过删除大于标准差阈值的点来达到简化的目的，但是由于点云间的几何结构差别很大，因此，很难确定一个通用的标准差阈值提出通过一个对应关系表来自适应选择标准阈值，但该表的建立过程比较复杂、耗时；CN104915986A公开了一种实体三维模型自动建模方法，该方法对于已经建立的三维网格模型利用边折叠方法，按比例删除三维网格模型上的点和边，从而建立出物体的三维简化表面模型，由于没有考虑局部特征和边界点，该发明所得到的简化模型与真实模型之间存在较大误差。

技术实现要素：
针对现有技术的以上缺陷或改进需求，本发明提供了一种可有效保留边界和局部特征的复杂曲面零件点云精简方法，其中通过结合复杂曲面零件自身的结构及其点云模型特性，并构建特定的分类及精简算法进行处理,相应与现有技术相比不仅具备高精度、高效率和通用性好等特点，而且能够有效保留点云模型的边界和局部特征，因而尤其适用于譬如航空发动机叶片之类的大型复杂曲面零件的点云精简应用场合。为实现上述目的，按照本发明，提供了一种可有效保留边界和局部特征的复杂曲面零件点云精简方法，其特征在于，该方法包括下列步骤：(a)对复杂曲面零件执行扫描，获得多个三维测量点并生成对应的待精简的扫描点云P，其中P＝{pi|i＝1,2,…,np},pi用于表示扫描点云P中的各个点且以同一坐标系中的x,y,z坐标值来表示，np表示扫描点云P中的点的总数量；(b)针对扫描点云P中的各个点pi，各自采样获得其多个邻域点pik并生成对应的邻域点集合{pi1,pi2,…,pik}，其中k表示邻域点的总数量，然后计算得出反映扫描点云P中各个点pi的局部特征的法线向量V(pi)；(c)分别以各个点pi为球心，找出距离该点最短半径范围内的m个点，然后求出点pi的所述法线向量V(pi)与这m个点所对应的法线向量V(pj)之间的夹角θij，并对该夹角取绝对值得出夹角平均值且该平均值σpi∈[0,π]；(d)针对所述夹角平均值分别预设下限阈值T1和上限阈值T2，然后依照下列公式(一)对点云执行特征粗分类，由此获得三类粗分类子集即非特征点集Z1、过渡点集Z2、特征点集Z3：(e)采用聚类法分别对三个粗分类子集分配不同的聚类中心数量值K1，K2，K3来进行二次细分，并保留其聚类中心坐标，由此完成第一个精简子集Pf的选取；(f)从扫描点云P中选择一个初始点，依次计算该初始点与其他各点之间的定向Hausdorff距离，并保留满足位置关系的点，至此完成第二个精简子集Pb的选取；(g)对通过步骤(e)所选取的第一个精简子集Pf和通过步骤(f)所选取的第二个精简子集Pb进行合并，同时删除重复点，由此获得所需的精简后的扫描点云。作为进一步优选地，在步骤(b)中，优选采用下列公式(二)来计算所述法线向量V(pi)：其中，表示与点pi相对应的邻域点集合的中心点，且以该邻域点集合所有点的坐标平均值来表示；用于表示以所有邻域点pik与中心点的坐标差共同作为矩阵元素所构建的矩阵，T用于表示对该矩阵的转置。作为进一步优选地，在步骤(c)中，m值优选为10。作为进一步优选地，在步骤(d)中，所述下限阈值T1的值优选为π/6，所述上限阈值T2的值优选为π/2。作为进一步优选地，在步骤(e)中，所述聚类中心数量值K1，K2，K3优选依照下列公式(三)来计算获得：其中，Y(X)表示对X进行取整数操作，Nnew表示期望对扫描点云P执行精简后的目标数量。作为进一步优选地，在步骤(f)中，所述初始点优选为扫描点云P的重心点。作为进一步优选地，在步骤(f)中，计算所述初始点与其他各点之间的定向Hausdorff距离的过程优选依照如下公式(四)：其中，h(A,B)表示所述初始点与其他各点之间的定向Hausdorff距离；A表示对初始点执行多次定向Hausdorff距离计算后所分别获得的更新点集合，B表示扫描点云P；a、b分别为更新点集合和扫描点云中的取样点，并且d(a,b)表示计算a、b两点间的欧式距离。作为进一步优选地，在步骤(g)中，所述第二个精简子集Pb的数量K4优选依照下列公式(五)来设定：K4＝Nnew-(K1+K2+K3)(五)其中，K1、K2和K3分别表示对所述三个粗分类子集Z1、Z2和Z3所分配的不同聚类中心数量值，Nnew表示期望对扫描点云P执行精简后的目标数量。作为进一步优选地，所述复杂曲面零件优选为航空发动机叶片。总体而言，通过本发明所构思的以上技术方...