[发明专利]基于SVM与K‑Means的大规模无标定曲面点云重建圆柱面方法

说明书

技术领域

本发明涉及逆向工程领域，尤其涉及基于SVM与K-Means的大规模无标定曲面点云重建圆柱面方法。

背景技术

逆向工程是指根据现有的产品模型，利用数字化测量设备获取实体数据，然后对这些数据进行分割与拟合，来构建一个完整的CAD模型。目前逆向工程技术已经广泛应用于各种工程领域，如工业检测、自主导航和文物保护等。

由于点云数据具有存储方便，计算灵活的特点，现已成为计算机图形学中一种重要的元数据形式，点云逆向重建是点云计算中的一项重要技术。近年来，随着数字化精度的不断提高以及扫描对象曲面的复杂化，对于三维激光扫描仪或CT扫描仪等设备所获取的海量点云数据，传统的点云数据分割处理环节非常耗时，因此通过计算机辅助技术来解决点云数据分割问题变得十分重要。

发明内容

本发明的目的在于提出基于SVM与K-Means的大规模无标定曲面点云重建圆柱面方法，将大规模无标定的曲面点云数据重建为圆柱面，提高了重建圆柱面的正确率和重建精度。

为达此目的，本发明采用以下技术方案：

一种基于SVM与K-Means的大规模无标定曲面点云重建圆柱面方法：

步骤A，通过激光扫描仪获得待重建曲面模型的点云数据组，利用椭球曲面的拟合方法计算出每个曲面点云对应的两个主曲率；选取每个曲面点云的三维坐标值及其两个主曲率作为代表该曲面点云的五个特征，从而获得所述待重建曲面模型的五维点云数据组；

步骤B，对所述五维点云数据组利用最小二乘意义进行圆柱面第一次拟合，根据曲面点云与拟合圆柱面的均方根误差判断拟合是否成功，若拟合成功，则输出拟合结果，曲面点云重建圆柱面完成；

步骤C，若第一次拟合失败，则从所述五维点云数据组中均匀采集其中10％的曲面点云数据，组成数据集Q，对所述数据集Q利用K-Means聚类算法分为两类，该两类分别为数据集A1和数据集A2，然后对所述数据集A1和所述数据集A2点云数据分别利用最小二乘意义进行圆柱面第二次拟合，并根据曲面点云与拟合圆柱面的均方根误差判断数据集Q分割出来的两个曲面是否同时拟合成功，两个曲面同时拟合成功即为圆柱面第二次拟合成功，否则，圆柱面第二次拟合失败；

若圆柱面第二次拟合成功，则从所述待重建曲面模型的五维点云数据组中除去所述数据集Q的那部分点云数据随机抽取30％的点云数据，组成辅助训练数据集Z，利用所述数据集Q和所述辅助训练数据集Z结合半监督学习算法训练SVM0分类器；

所述SVM0分类器训练完成后，所述待重建曲面模型的五维点云数据组中除去所述数据集Q后剩余的点云数据组成分类集S，所述SVM0分类器对所述分类集S中的点云数据分别分入到所述数据集A1和所述数据集A2中；重新对所述数据集A1和所述数据集A2中点云数据分别利用最小二乘意义进行圆柱面拟合，最终完成大规模无标定曲面点云数据重建为由两个圆柱面光滑拼接的曲面；

步骤D，若第二次拟合失败，则对所述数据集Q利用K-Means聚类算法分为三类，该三类分别为数据集B1、数据集B2和数据集B3，然后对所述数据集B1、所述数据集B2和所述数据集B3点云数据分别利用最小二乘意义进行圆柱面第三次拟合，并根据曲面点云与拟合圆柱面的均方根误差判断所述数据集Q分割出来的三个曲面是否同时拟合成功，三个曲面同时拟合成功即为圆柱面第三次拟合成功，否则，圆柱面第三次拟合失败；

若圆柱面第三次拟合成功，则基于三分类问题的决策有向无环图，利用所述数据集Q和所述辅助训练数据集结合半监督学习算法训练SVM1分类器、SVM2分类器、SVM3分类器、SVM4分类器、SVM5分类器和SVM6分类器；

所述SVM1分类器、所述SVM2分类器、所述SVM3分类器、所述SVM4分类器、所述SVM5分类器和所述SVM6分类器训练完成后，基于三分类问题的决策有向无环图，综合利用所述SVM1分类器、所述SVM2分类器、所述SVM3分类器、所述SVM4分类器、所述SVM5分类器和所述SVM6分类器对所述分类集S中的点云数据分别分入到所述数据集B1、所述数据集B2和所述数据集B3；重新对所述数据集B1、所述数据集B2和所述数据集B3中点云数据分别利用最小二乘意义进行圆柱面拟合，最终完成大规模无标定曲面点云数据重建为由三个圆柱面光滑拼接的曲面；