本发明提供一种三维实物表面采样点集的近似最小包围盒快速求解方法,属于数字化设计与制造领域。
背景技术:
实物表面采样数据的近似最小包围盒是指其最小体积包围盒,物体的最小包围盒在工业设计和制造、机械零件的分型铸造、碰撞检测等领域具有广泛的应用。
目前,国内外许多学者对包围盒求解方法进行了卓有成效的研究,包括:o’rourke算法(josepho’rourke.findingminimalenclosingbox-es[j].internationaljournalofcomputerandinformationsciences,1985,14(3):183-199)基于采样点集的凸包求解其最小包围盒,该算法求解结果较为精确,时间复杂度为o(n3);坐标旋转法主要通过不断旋转模型所在坐标系,每旋转一个位置,计算该位置的轴向包围盒,用旋转过程中的模型的最小轴向包围盒作为其最小包围盒,利用该方法求解包围盒时,需要设定每次的旋转角度,求解结果不准确,计算量较大;孙殿柱在《基于遗传算法的散乱点云最小包围盒求解》(北京航空航天大学学报,2013,08:995-998.)中通过将遗传算法与o’rourke算法相结合,以o’rourke算法的体积函数作为遗传算法的目标函数求解体积最小包围盒,该方法首先需要获取点集的凸包,并对凸包边集合进行编码与解码,另外,还需要指定遗传算法的种群大小和遗传代数,该算法有较高的时间和空间复杂度。
基于上述分析可知,目前缺少一种兼顾求解精度与效率的实物表面采样数据的最小包围盒求解方法,因此提供一种近似最小包围盒的快速求解方法已成为本领域技术人员亟待解决的技术问题。
技术实现要素:
本发明的目的在于提供一种实物表面采样数据的近似最小包围盒快速求解的方法,该方法能够在保证求解精度的前提下提高求解的效率,技术方案如下:
一种实物表面采样数据的近似最小包围盒快速求解方法,其特征在于包含以下步骤:一、对实物进行扫描获取其表面采样数据t;二、基于核密度估计的方法计算目标样点的模式点,通过比较目标样点与其模式点的欧氏距离提取出特征数据t1,剩余的数据为非特征数据t2;三、对非特征函数t2,采用一种增量式聚类简化的方法进行简化处理;四、将简化后的非特征数据和特征数据合并为点集m,采用o’rourke算法计算m的精确最小包围盒,基于该最小包围盒构造定位坐标系,求解该坐标系下原始点集的最小轴向包围盒作为其近似最小体积包围盒。
为了实现发明目的,所述实物表面采样数据近似最小包围盒快速求解方法,其特征在于:在步骤二中,需要对采样点集t进行特征样点分离,具体步骤为:取t中任一样点ti,并利用kd-tree获取其近邻点集λ(ti),采用核密度估计的方法计算其模式点,计算公式为
其中,n表示λ(ti)中点的个数,
式中,s为
则认为ti为特征点,将所有提取出的特征样点归于集合t1,剩余的数据为非特征数据t2。
为实现发明目的,所述的实物表面采样数据近似最小包围盒快速求解方法,其特征在于:在步骤三中,对非特征数据t2进行增量式简化处理,具体步骤为:(1)令
为实现发明目的,所述的实物表面采样数据近似最小包围盒快速求解方法,将简化后的非特征数据和特征数据t1合并为新点集m,求解合并点集m的最小包围盒并构造定位坐标系,具体步骤为:(1)计算m的凸包;(2)任意选取凸包上的两条边
为实现发明目的,所述的实物表面采样数据近似最小包围盒快速求解方法,为求得原采样点集t的最小包围盒,将原始数据经过坐标变换
本发明实物采样数据的近似最小包围盒快速求解方法具有以下优点:
1、通过对采用数据中特征样的准确识别与分离,计算过程中保留所有的特征数据,有助于提高所求解最小包围盒的精度;
2、在对非特征数据进行简化时,采用增量式简化策略,有效降低了聚类简化的计算代价,并获得了良好的聚类结果,适合处理大规模采样数据。
附图说明
图1是本发明实物表面采样数据近似最小包围盒快速求解方法的程序流程图;
图2是对机械零件的扫描点云;
图3是对机械零件分离出的特征数据;
图4是机械零件剩余的非特征数据;
图5是对非特征数据进行简化后的数据;
图6是特征数据和简化后的非特征数据的合并点集;
图7是对合并点集求取的凸包点集;
图8是构造定位坐标系示意图;
图9~图12是本发明针对不同扫描数据计算的最小包围盒实例。
具体实施方式
下面结合附图以及实例对本发明做进一步说明。
图1是本发明实物表面采样数据近似最小包围盒快速求解方法的流程图,采用c语言程序设计实现,实物表面采样数据近似最小包围盒的计算方法主要包括针对采样数据的特征样点的识别、对非特征样点的简化处理以及包围盒的求解。
图2是以某一机械零件的采样数据进行包围盒的求解试验,它的表面由凹凸不平的多种曲面拼接组合构成,它所包含的数据点的个数为50123,文件格式为asc格式,即每行文件记录一个点的三维坐标值。
图3是对采样数据分离出的特征数据,可见该模型的高曲率点都被识别了出来,识别效果较好,分离出的特征数据点数为4816。
图4是对采样数据进行特征分离后剩余的非特征数据点集,非特征数据所包含的点数为45277;图5是对非特征数据进行增量式聚类简化的结果,简化后的数据个数为230。
图6是将非特征数据的简化结果和特征数据合并后的点集,可见该合并点集能够反映原始点集的外部特征,图7是对该合并点集求解的凸包顶点集合,基于该简化后的点集,可大大提高包围盒求解的效率。
图8为构造的定位空间
图9~图12是将本发明实物表面采样数据的最小包围盒求解算法应用于不用类型的采样数据求解的近似最小包围盒实例,可见本发明适用于多种实物表面采样数据的近似最小包围盒求解。
以上所述,仅是本发明的较佳实例而已,并非是对本发明做其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为同等变化的等效实例。但是凡是未脱离本技术方案内容,依据本发明的技术实质对以上实例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护内容。