点云模型骨架提取(ROSA)-liyc

1、1内容纲要内容纲要l 研究背景研究背景l 核心工作核心工作l 实验结果实验结果l 内容总结内容总结2研究目标研究目标本选题研究点云模型的骨架提取算法本选题研究点云模型的骨架提取算法, , 希望对含冗余、噪声及希望对含冗余、噪声及数据缺失的原始点云模型提取较为完整的模型骨架数据缺失的原始点云模型提取较为完整的模型骨架. .骨架提取骨架提取3选题理由选题理由1) 1) 随着点云数据获取技术的飞速发展随着点云数据获取技术的飞速发展, , 点云成为计算机点云成为计算机图形学、计算机视觉等学科的研究热点图形学、计算机视觉等学科的研究热点. . Stanford Digital Michelangelo

2、Project4 Microsoft Kinect (Real time Point Cloud)选题理由选题理由2) 2) 模型骨架广泛应用于形状分解、模型匹配、模型动画，数模型骨架广泛应用于形状分解、模型匹配、模型动画，数字导航及医学图像等领域字导航及医学图像等领域. . 5H. Sundar et al 2003Yotam Livny et al, SIGGRAPH ASIA 2010Q. Zheng et al, EG 2010.Dennie Reniers et al, IEEE SMA 2007选题理由选题理由3) 3) 现有点云模型骨架提取算法不多现有点云模型骨架提取算法不多,

3、, 同时对输入模型的孔同时对输入模型的孔 洞和噪声较为敏感洞和噪声较为敏感. . 含有噪声的模型含有噪声的模型含有孔洞的模型含有孔洞的模型6不完整点云的骨架提取（不完整点云的骨架提取（Zhang Hao et al. siggraph 2009）研究现状研究现状7Dey et al. ESGP 2006. Andrea Tagliasacchi et al. Siggraph 2008. Junjie Cao et al. IEEE SMA 2010 . Yotam Livny et al. SIGGRAPH ASIA 2010答辩内容纲要答辩内容纲要l 研究背景研究背景l 核心工作核心工作l

4、 实验结果实验结果l 内容总结内容总结8核心工作核心工作1)1)模型去噪模型去噪: : 去除点云中的噪声点和离群点去除点云中的噪声点和离群点, , 防止对后续的骨防止对后续的骨架提取造成干扰架提取造成干扰. . 92)2)模型精简模型精简: : 去除点云中的冗余数据去除点云中的冗余数据, , 提高骨架提取速度提高骨架提取速度. . 3)3)骨架提取骨架提取: :对于去除噪声和冗余的点云模型对于去除噪声和冗余的点云模型, , 利用点云的离利用点云的离散信息提取出模型的一维线骨架散信息提取出模型的一维线骨架. . 点云模型的预处理点云模型的预处理1) 点云模型去噪点云模型去噪构造类似于均值漂移方法

5、的光顺迭代算子构造类似于均值漂移方法的光顺迭代算子Ohtake2005 对点云对点云模型进行光顺去噪模型进行光顺去噪.模型去噪模型去噪去噪后模型去噪后模型含有噪声模型含有噪声模型10点云模型的预处理点云模型的预处理2) 点云模型精简点云模型精简提出一种基于二次误差度量提出一种基于二次误差度量Garland1997的自适应点云简化方法的自适应点云简化方法. 点云精简算法流程点云精简算法流程111. 基于曲率信息提取特征点基于曲率信息提取特征点Song H. 2009，防止几何特征的丢失，防止几何特征的丢失.2. 通过构造曲率自适应覆盖球通过构造曲率自适应覆盖球Ohtake2005 ，对非特征点进

6、行简化，对非特征点进行简化.点云模型的预处理点云模型的预处理2) 点云精简性能分析点云精简性能分析 12左: 同一简化率(90%)不同输入模型的时间效率 右: 同一输入模型(Igea)不同简化率的时间效率点云模型的预处理点云模型的预处理2) 点云精简性能分析点云精简性能分析 13模型输入点数输出点数简化时间本文文献12文献13本文文献12文献13BunnyIgea359471343454562919944029144454993842.610.40.564.050.788.92模型最大误差平均误差均方根误差本文文献12文献13本文文献12文献13本文文献12文献13 BunnyIgea0.00

7、37630.0001240.0861690.0002240.1126490.0007210.0001760.0000130.0050090.0000110.0054950.0000300.0002520.0000100.0076600.0000170.0090810.000054表1 本文算法与相关算法简化性能的对比表2 本文算法与相关算法的简化误差对比点云模型骨架提取点云模型骨架提取 骨架提取流程骨架提取流程14点云模型骨架提取点云模型骨架提取1) 点云模型分割点云模型分割基于基于K均值模糊聚类对点云模型进行分割均值模糊聚类对点云模型进行分割Ma 2007 防止模型多防止模型多分枝间分枝间的

8、相互干扰的相互干扰. 点云分割结果点云分割结果.15点云模型骨架提取点云模型骨架提取1) 点云模型分割点云模型分割 1. 本文采用测地距离作为聚类的相似性度量本文采用测地距离作为聚类的相似性度量 Joshua B T 2000 . 2.2.确定确定初始聚类中心初始聚类中心 Zhou Y N 2004, 并进行优化并进行优化Xie X L 1996 . 3. 基于基于K均值模糊聚类对点云模型进行有意义的分割均值模糊聚类对点云模型进行有意义的分割Ma 2007 点云模型骨架提取点云模型骨架提取2) 粗骨架提取粗骨架提取将骨架看做点云模型的广义旋转对称轴将骨架看做点云模型的广义旋转对称轴Andrea

9、2009, 提取各分支提取各分支的粗骨架的粗骨架. 左左, 为骨架点位置定义为骨架点位置定义. 右右, 为骨架点方向定义为骨架点方向定义17点云模型骨架提取点云模型骨架提取2) 粗骨架提取粗骨架提取将骨架看做点云模型的广义旋转对称轴将骨架看做点云模型的广义旋转对称轴Andrea2009, 提取各分支提取各分支的粗骨架的粗骨架. 利用法向信息对缺失点云进行弥补，从而保证骨架点的有效性利用法向信息对缺失点云进行弥补，从而保证骨架点的有效性.18点云模型骨架提取点云模型骨架提取2) 粗骨架提取粗骨架提取将骨架看做点云模型的广义旋转对称轴将骨架看做点云模型的广义旋转对称轴Andrea2009, 提取各

10、分支提取各分支的粗骨架的粗骨架. 分割结果分割结果输入点云输入点云粗骨架提取粗骨架提取19点云模型骨架提取点云模型骨架提取2) 粗骨架连接粗骨架连接采用拉普拉斯光顺处理采用拉普拉斯光顺处理, 使各分支粗骨架连接成整体使各分支粗骨架连接成整体. 分割结果分割结果粗骨架提取粗骨架提取粗骨架连接粗骨架连接20点云模型骨架提取点云模型骨架提取2) 粗骨架细化粗骨架细化构造滤波器构造滤波器Peter J 1986, 对提取的粗骨架进行细化对提取的粗骨架进行细化. 粗骨架提取粗骨架提取粗骨架连接粗骨架连接 滤波细化滤波细化二次中心化二次中心化下采样下采样21实验结果实验结果(点云模型骨架提取结果点云模型骨

11、架提取结果) 完整点云完整点云缺失点云缺失点云22实验结果实验结果(点云模型骨架提取结果点云模型骨架提取结果) 完整点云完整点云缺失点云缺失点云23实验结果实验结果(点云模型骨架提取结果点云模型骨架提取结果) 多种姿态的多种姿态的Armadillo模型骨架提取结果模型骨架提取结果24内容总结内容总结 25本文的点云骨架提取方法旨在从算法的鲁棒性角度入手本文的点云骨架提取方法旨在从算法的鲁棒性角度入手, 较为复杂的较为复杂的, 含有噪含有噪声和数据缺失的点云模型提取较为完整的曲线骨架声和数据缺失的点云模型提取较为完整的曲线骨架. 针对该问题，本文所做针对该问题，本文所做的主要工作如下的主要工作如下: 1) 点云模型预处理点云模型预处理基于文献基于文献Garland 2007本文提出一种基于二次误差度量的自适应点云简化方法本文提出一种基于二次误差度量的自适应点云简化方法,在较好保持模型几何特征的前提下