《点云特征提取问题研究》7900字（论文）

[16]:β=βmaxSi+1其中βpipj的平均发生率为βexp，即潜在曲面Si上的βpipj基于泊松区域生长的特征提取潜在特征点标定；基于上节的曲面遍历模型，我们的特征提取方法——泊松区域生长算法，该算法包含两层迭代，外部迭代称为初始种子生成迭代，内部迭代称为区域生长迭代。初始种子生成迭代种子点选取：选取一个满足式fsfs=j=1kβ其中Ns是初始种子点s的k近邻,βave为点云上βpipj的平均值。为了降低计算成本，计算βave时，我们随机选取m（m=N/20）选定初始种子点后，先进行预处理：将队列Qseed将初始种子点的邻域Ns中的点存入队列Q计算ββmaxSi=fs区域生长迭代每个区域都从Qseed弹出来的种子开始。然后计算特征度量阈值βmaxSi考虑到已经判断为非特征点的，说明其值小于特征度量阈值，所以不再对其进行处理，将被设定为新的生长种子点且不能被其他区域访问；而潜在特征点数据需要继续细化判断，所以设置可以被其他区域访问再次进行计算。在区域生长的过程中，潜在特征点sj的区域信息被存储在向量rsj中，且在区域生长的过程中不断被更新。当所有的领域点s当队列Qseed区域生长结束后，向量rs实验结果与分析本节针对以下两个点云模型进行特征提取实验，检测基于泊松分布的特征提取方法的鲁棒性。首先是针对原始点云进行特征提取，再是对原始点云添加高斯噪声后再进行特征提取。添加的噪声方差为0.003dB，dB是点云模型OBB包围盒的对角线长度。从实验结果来看，该算法对噪声具有一定的鲁棒性。图3-2funkyCube点云模型特征提取图3-3334点云模型特征提取本章小结本章对泊松区域生长算法进行了介绍，并对实验结果进行了分析和总结。基于神经网络的点云特征提取算法概述该算法基于上一章提出的基于泊松分布的区域生长算法，提取点云模型中特征点的编号信息。根据编号信息和立方体包围盒中的点的信息构建数据集，训练神经网络对点进行分类。数据集获取算法步骤：算法利用上一章提出的基于泊松分布的区域生长算法提取特征点在点云模型上的编号信息。据此对点进行分类，非特征点标记为0，特征点标记为1。采用加权协方差矩阵的特征向量作为点云局部的参考坐标系。该参考系可以保证点云特征旋转不变性。构造能够以覆盖局部曲面片的立方体包围盒，并在三个维度上对该立方体进行等比例切割，形成N*N*N个小立方体。设置N=5。依据所提取出的特征点和非特征点落入的小立方体的位置，对小立方体进行标记，形成二进制序列，作为神经网络的输入。标记是通过算法步骤（1）中得到的。数据集形式为（125，1）。图4-1局部参考坐标系LRF图4-2立方体包围盒（N=5）神经网络构建据上一节得到多个点云模型的数据集，算法利用其中三个点云模型的数据集训练第四个点云模型。以提取出点云上的尖锐特征和较平滑特征。神经网络结构如下图：图4-3神经网络结构反向标记由于特征点和非特征点的数量不均衡，神经网络的分类结果都偏向于非特征点。我们分析每个点属于特征点的概率，设定阈值，再次分类。据分类结果反向对点云上的点进行标记。实现点云模型的特征提取。实验结果与分析设计该网络的目的主要是想对点云上的点进行分类，分为特征点和非特征点。但是由于点云中特征点与非特征点的数据量差距较大，不均衡，导致经过网络训练后，输出类别基本都为0，即非特征点。但是通过分析发现，因为网络输出的是该点属于特征点和非特征点的概率值，每个点还是有属于特征点的概率的。基于这点，设定阈值，将属于特征点的概率较大的置为1，较小的置为0。再反向标记回点云上。暂时还未确定阈值选择的方法，都是人工设定测试得出的。图4-4334点云模型特征提取(阈值设定0.28)图4-5335点云模型特征提取（阈值设定0.15）本章小结本章对基于神经网络的点云特征提取方法进行了介绍。该方法主要是通过对点进行分类，再将分类结果反向标记回点云。由此得到点云特征提取的结果。但是由于点云特征点和非特征点的数量不均衡，分类情况不是很理想。所以我们对神经网络的输出进行二次处理，人工设定阈值再次分类，根据其结果反向标记。暂时是人工设定阈值，还未确定阈值选择的方法。之后展示了两个点云模型通过人工设定阈值得出的特征提取实验结果，该方法需要进一步改进。原型系统设计根据系统论证和系统所用算法进行了原型系统的设计。首先根据需求画出功能模块图，再对所需环境进行配置。前端主要是基于Qt设计GUI界面，后台算法对传入的点云进行计算分析，实现噪声添加和点云特征提取。项目工程需调用PCL开源库和第三方库VTK。原型系统仅加入了基于泊松分布的点云特征提取算法。未添加基于神经网络的特征提取方法用到了python语言，而我们的原型系统是基于C++语言构建的。二者有冲突，不能在同一个平台上展示。前端设计前端界面设计简单明了，保证了良好的人机交互性能，能够让用户迅速熟悉并流畅使用此系统。原型系统的功能模块主要分为File、Noise、PossionRegGrow三个部分，具体如图所示：图5-1功能模块图原型系统主界面如图所示：图5-2原型系统主界面后端设计后端计算处理主要分为添加噪声与特征提取两个模块，前端使用Qt，配合C++实现控制逻辑。算法实现则主要使用VTK以及PCL等开源库内的方法。系统使用流程原型系统的操作具体流程如图所示：图5-3系统操作流程图特征提取流程大致可以分为导入点云模型，添加噪声（可选），点云模型的特征提取，保存三维模型。导入点云模型。点击File-Load按钮，将点云导入系统并显示，可以导入的点云类型为.ply格式和.pcd格式。添加噪声。添加的是高斯噪声，通过修改微调框（spinbox）中的数字调整方差，对点云数据进行调整。方差等于微调框中的数字乘以点云模型OBB外包围盒对角线长度。点云模型的特征提取。点击菜单栏PossionRegGrow下的Run按钮，运行PossionRegGrow算法，不需要输入参数，可以自适应地标记特征点，并显示。保存三维模型。将特征提取模块生成的的模型生成点云文件即.ply或者.pcd格式，可以选择保存路径。其他操作。Clear按钮可以实现清屏，Exit按钮可以退出原型系统。根据以上步骤可以画出系统的三维模型特征提取流程图，如下：图5-4三维点云特征提取流程图系统测试添加噪声功能测试以fandisk模型为例，对点云模型加以0dB，0.003dB，0.01dB的处理，并在界面上显示。图5-5fandisk模型（方差为0dB）图5-6fandisk模型（方差为0.003dB）图5-7fandisk模型（方差为0.01dB）特征提取功能测试以334模型以及cat模型对特征提取功能进行展示。图5-8334点云模型特征提取图5-9cat点云模型特征提取其他功能测试保存点云功能：点击SaveAs，可以保存为.pcd格式或者.ply格式。图5-10保存点云功能清屏功能：点击Clear即可清除显示屏上的点云。图5-11清屏功能退出功能：点击就可以退出原型系统。图5-12退出功能本章小结本章基于VisualStudio2017，Qt5.12.2环境，对特征提取算法进行实现，设计了点云特征提取原型系统，能够方便快捷的对点云模型的特征点进行提取。最后对系统进行测试，所有功能都可以正常运行使用。特征提取出的点云模型特征点基本完整，能够较好的表示点云形态。总结和展望文章提出了一种基于泊松分布的特征提取算法，可以自适应的计算特征提取阈值，最终实验结果测试模型特征识别效果良好。同时基于Qt设计了特征提取原型系统。系统可以应用于文物保护等方面，也有积极的意义和作用。由于本文算法采用了区域生长的策略，因此在对特征点进行判断时比较耗时。之后可以在提高算法检测效率方向进行改进。近年来深度学习也逐渐应用到各个领域。文章还基于神经网络的方法对点云上的点进行分类，再反向标记回点云上。由于数据集中特征点，非特征点的比例不均衡，分类情况不是很理想。之后可以对数据进行如欠采样，过采样，加权等处理，以解决问题。原型系统方面也可以基于人机交互的思想进行优化设计，比如加入快捷操作等，方便用户使用。参考文献DemarsinK,VanderstraetenD,VolodineT,etal.Detectionofclosedsharpedgesinpointcloudsusingnormalestimationandgraphtheory[J].Computer-AidedDesign,2007,39(4):276-283.MéRigotQ,OvsjanikovM,GuibasLJ.Voronoi-BasedCurvatureandFeatureEstimationfromPointClouds[J].2011,17(6):743-756.王丽辉,袁保宗.三维散乱点云模型的特征点检测[J].信号处理,2011,27(006):932-938.张雨禾,耿国华,魏潇然,苏惠明,周明全.保留几何特征的散乱点云简化算法[J].计算机辅助设计与图形学学报,2016,28(09):1420-1427.史红霞,王建民.基于法向量区域聚类分割的点云特征线提取[J/OL].中国机程:1-10[2021-01-26]./kcms/detail/42.1294.th.20201228.1747.037.html.刘倩,耿国华,周明全,赵璐璐,李姬俊男.基于三维点云模型的特征线提取算法[J].计算机应用研究,2013,30(03):933-937.史皓良.三维点云数据的去噪和特征提取算法研究[D].南昌大学,2017.杨斌杰,鲁铁定.点云数据特征点提取方法的比较[J].江西科学,2015,33(01):10-14.王永波,盛业华.一种基于曲率极值法的LiDAR点云特征提取算法[J].中国矿业大学学报,2011,40(04):640-646.GumholdS,WangX,MacleodR.FeatureExtractionfromPointClouds.procofimr,2001.贺彤,熊风光,韩燮,张元.一种基于协方差矩阵的点云特征曲线提取算法[J].计算机工程,2018,44(03):275-280+286.张雨禾,耿国华,魏潇然.散乱点云谷脊特征提取[J].光学精密工程,2015,23(01):310-318.王晓辉,吴禄慎,陈华伟,胡赟,石雅莹.基于区域聚类分割的点云特征线提取[J].光学学报,2018,38(11):66-75.DanielsIJ,HaLK,OchottaT,etal.RobustSmoothFeatureExtractionfromPointClouds[C]//IEEEInternationalConferenceonShapeModeling&Applications.IEEE,2007.庞旭芳,庞明勇,肖春霞.点云模型谷脊特征的提取与增强算法[J].自动化学报,2010,36(008):1073-1083.ZhangY,GengG,WeiX,etal.Astatisticalapproachforextractionoffeaturelinesfrompointclouds[J].Computers&Graphics,2016,56(May):31-45.OsgoodDW.Poisson-basedregressionanalysisofaggregatecrimerates[J].JournalofQuantitativeCriminology,2000,16(1):21-43.周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报,2017,40(06):1229-1251.DengH,BirdalT,IlicS.PPFNet:GlobalContextAwareLocalFeaturesforRobust3DPointMatching[C]//Proceedings/CVPR,IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition.IEEEComputerSocietyConferenceonComputerVision