基于信息模型的三维曲面三角重建外文翻译资料

 2022-01-09 21:18:44

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

基于信息模型的三维曲面三角重建

摘要：本文的目的是解决逆向工程中点云的表面重建问题。通过三维扫描设备获取数据，并作为点云进行处理。点云中的点用于构建三维曲面。点云需要进行四步处理才能得到三维信息曲面。首先，在收敛规则下，利用减法得到了以凸函数集合结尾的表面盒。然后，将盒子中的点投影到接近法线方向上。第三，利用收敛规则和内细分规则避免重叠。最后利用信息模型进行重构。将该方法应用于三峡库区滑坡监测中，进行三维地表重建与监测。该方法精度高，复杂度低。对大型监测十分有效。

关键词：三角重建、三维弹性模型、矢量投影、点云、滑坡监测

1 介绍

点云曲面重建是一个十分普遍且具有挑战性的问题，在模型制造、生产设计、医学工程和3d打印制造等领域都有着广泛的应用。数据采集设备现在可以在市场上买到。光学非接触扫描（如激光扫描）是一种商业技术，可用于生产大型云数据集，也可从医疗采集技术（MRI、CAT系列切片显微镜和共焦显微镜）中看到数据。点云数据因为其简单、自由的形式和不连续性等特点得到了越来越广泛的应用。一旦生成了一个点云数据集，就应该对其进行处理，以提取一个用于3D打印的数字制造模型。表面重建有一些方法。这些方法大致可分为五类：基于Voronoi的表面重建法、基于水平集的方法、体积雕刻方法和代数方法。基于Voronoi的点三角测量可以描述任意拓扑中的对象，这是一种虚拟方法。基于Voronoi的Delaunay三角剖分是一种计算数据冗余度很小的平面模型的良好结构。对于三维曲面的构造，应修改Delaunay三角剖分，或者将三维曲面投影到二维平面进行Delaunay三角剖分。

吴、刘、徐采用迭代法进行了多分辨率重建，实现了表面特征的多分辨率描述。高和庞利用逐步产生网格模式的波前法对云数据进行了快速增量重建。管和博给出了一种八象限投影法，以获得最大投影平面，保证三角测量的高质量。吴提出了一种利用多尺度技术从三角形中提取六边形的细分方法。采用八叉树作为存储结构，公开了不同的存储方法。Habib审查了现有的三维表面重建方法，并使用关键规范证明了性能。提出了今后的发展方向，并提出了一些关键问题。Bretar和Chehata基于航空地图云数据给出了地形的三维数字模型。迄今为止，三维三角测量在理论和方法上还没有完美的分辨率。三角剖分方法有四种：三角剖分生长法、逐点插值法、合并分割法和三维到二维投影法。主要问题是计算成本高、精度低。本文采用八叉树结构对三维曲面进行存储和划分。提出了一种新的分割投影方法PCND。根据由直线形成的内部细分，投影到盒子表面的点从中心点到顶点。包围盒用于覆盖点和细分框，直到一个框中的点符合分形维数规范。在分割盒中，云点根据内盒细分分别投影到六个平面上。在六个平面上进行三角剖分后，重新投影三角网格，三角法向量作为三角剖分结果的判定规则。弹性物体模型是一种快速成型制造方法，利用三维打印机可以制作出重构曲面模型。通过一次试验，验证了该方法在滑坡监测中的有效性。

2.点云划分与投影

点云在投影前会被分成许多区域。找到一个好的项目平面是重建性能的关键因素。本文提出了一种内盒投影方法，该方法有助于高精度的曲面重建。首先，云数据在一个框中被划分为六个区域，其中六个区域由从中心点到顶点的直线构成，而二维平面是框的表面。其次，利用三维投影到二维平面上的点，采用Delaunay三角剖分法将无组织点连接起来形成曲面网格。再次，将网格重新投影到原来的位置，对重叠部分进行修正，对区域连接进行平滑处理。点投影在某一方向上的重叠是导致重建失败的关键问题。对不同箱体之间的网孔连接进行了表面平滑处理。为了保证重建质量，可以避免重叠问题，并给出更多的细节。最后，在网格中的每个点添加弹性特性。覆盖盒以八叉树结构存储。减法减少了没有点的方框。它比通常的加法更有效、更快速。第一步是找到外面的盒子来覆盖整个点集。下一步将区域分段如下：

  1. 在X、Y和Z方向找到最长的线作为方框的边线L，并绘制方框以覆盖所有点。如图1a.2所示
  2. 使用l/2作为新框的新边线来细分上面的分段，如图1b.3所示
  3. 重复迭代直到分段集是凸函数的组合，如图1c.4所示
  4. 使用以下规则删除空框：

a）从名为i-layer的最外面的封面框中删除空框。

b）继续删除i-1层中的空框，迭代到没有空框的n层。

2.1. 使用不均匀细分的重叠区域

在低密度位置，重叠投影不太可能发生。内细分规则与求凸集是一致的。给出了判断重叠的密度准则，并求出凸集。密度函数由D维中的点集p={p1，p2，hellip;，pn}定义如下：

其中k（p）是高斯函数，h是核半径。k（p）是旋转不变量，并且

其中k（p）是k（p）的分段函数，c是正则化单元。

盒内点的阈值密度由不重叠的全盒样本给出。这个值是通过选择重构对象的样本框来预先定义的。该方法不是自动的，阈值可以定义为目标图像不同密度区域的若干值。重叠区域应进行细分，直到没有发现重叠投影满足以下要求：

dbox lt; dth.

迭代分割，直到找到凸集，并且投影中没有重叠。细分结果如图1所示。细分后，投影可以不重叠。

2.2 分线盒编码器

采用八叉树结构对细分盒进行存储，序列为Z-gt;X-gt;Y，符合三维打印制造。这些点被分配了位置信息。关于点Pi(xi,yi,zi),（I=1,2,hellip;hellip;,n），使用hush函数对盒子位置的位置号进行编码：

关于点Pi的坐标，box-index（pi）是分割的位置。

2.3 基于投影的Delaunay三角测量

Delaunay三角测量是为二维曲面设计的，应针对三维应用对其进行修改。通常的方法是降维、alpha;-形状、划分和扩展传播。本文的除法不同于一般的用减法代替加法的除法。由于删除了空盒，该方法的复杂性大大降低。将分割点和细分点投影到六个平面上，分别在六个平面上进行三角测量。无效三角形是由于三维到二维的投影而产生的，在二维到三维的再投影过程中被发现，在以下几种情况下定义了无效三角形：

1）两点的欧几里德空间大于k阶邻域。

2）三角形交叉。

3）法向量方向不在细分曲率范围内。应删除无效三角形，并搜索要添加到k阶邻居中的三角形的左点。考虑到盒子的边长为m，下一次迭代的盒子大小为m/2，k是分形维数，如下所示：

K=m/n

其中m是框数，n是面数。如果Delta;kasymp;0当迭代时，这意味着结果收敛。如图2所示，网格是在方法收敛时构建的。

在细分区域，利用法向量差拟合曲率。采用不均匀位移法连接各面。

3 功能弹性表面制造模型

功能性弹性物体是指物体的结构设计为弯曲、移动的环境，如手臂的皮肤和人形机器人的面部。材料的弹性不能完全满足要求。在模型中加入弹性性能，生成功能性弹性体。

3.1 点云表面重建

使用视频测量生成精确的三维模型需要设计和校准特定的系统。系统包含的元素如下：

1）一个恒速旋转支持，允许通过在缩短的时间内生成1000多个图像序列来完整记录对象。

2）一个平台系统，用于获取相机支架的几何图形并缩放生成的3D模型。

3）系统有一个以底部平台中心为中心的单一坐标系，图像坐标系（x，y，f）和对象坐标系（x，y，z）结果大致平行。点云数据的获取和分割如第2节所示，投影和重建如图2所示。

4 滑坡监测重建面

滑坡常发生在山体、河滩形态、水库大坝等部位，如图3a所示，利用飞行器进行航拍，对该区域进行监控。摄影结合GPS、地面位移、宏观检测等专业数据，给出滑坡时空转换规律，考虑雨、风等因素。

采用上述方法，对三峡库区地表进行了点云图像监测与重建。在弹性范围内，监测区的运动处于正常运动状态。当重建面变化超出范围时，就会发生滑坡。如图3-b.

5 结论

传统的逆向工程曲面重构方法忽略了对象的功能信息。弹性性能是许多应用的重要功能。本文给出了一种有效的弹性物体投影重建方法和模型。采用最外层的封面盒，用减法求出最终的封面盒。该方法的复杂性为O（n）。凸凹集有利于避免重叠投影，细分内框设计为单投影删除重叠投影。[11，12]中方法的复杂性为[13]中的O（n2），O（n）。因为采用了弹性模态，所以精度更高。虽然灵敏度较低，但精度较高。

基于OpenCV的樱桃采摘机器人视觉识别系统

1 介绍

樱桃采摘作业是樱桃生产链中最费时费力的环节。同时，拣货作业的质量直接影响到后续产品的跟踪和贮存。如何以低成本获得高质量的产品，是水果生产中必须注意和考虑的问题。采摘作业由于季节性强、劳动强度大、成本高，从而保证及时收获果实，降低成本，是农业收入的重要途径之一。由于拣配工作的复杂性，拣配自动化水平仍然较低。目前，国内水果采摘工作基本上是人工完成的，约占总成本的50%-70%，时间比较集中。由于我国完全依靠人工采摘和樱桃成熟期短，采摘成本大，效率低。樱桃经常因收获不及时而浪费，这限制了樱桃种植的规模。机械收割技术的发展已成为我国工业的迫切需要和樱桃生产的必然趋势。樱桃被称为“初果后春”。它不需要好的农田土壤。种植技术和果树管理难度不大，经济效益高。樱桃采摘降低了采摘机器人的成本。它带来了巨大的利润，给农民更多的种植樱桃的热情，降低了价格低廉的成本。当地的樱桃更具竞争力和市场。采摘樱桃的机器人能够有效地收获，关键是机器人视觉识别系统的图像处理。

2 OpenCV 介绍

利用opencv库的函数可以实现樱桃的识别技术。它基本上不需要用到额外的C 中的代码。它基本上不需要C 中的附加代码。

3识别技术

该技术采用Windows 7作为开发平台，使用Visual Studio 2010 C 和OpenCV2.4.9开源库作为开发工具，用于采摘机器人的视觉识别系统的编程。图1是樱桃采摘机器人视觉识别系统的一个步骤。

图1 樱桃采摘机器人视觉识别系统的步骤

首先，我们有一个樱桃图像进行图像预处理，使用中值滤波器，然后使用R-1/2G-1/2B颜色识别，然后进行阈值分割。然后在形态闭合术前分割出一张好的图像，再进行形态闭合术。然后进行图像边缘检测，最后进行图像圆霍夫变换。最后画出樱桃的圆形和圆形轮廓。

3.1图像预处理（中值滤波）

樱桃采摘机器人在自然环境中，由于硬件质量目标和拍摄设备以及拍摄角度、距离等因素，樱桃捕捉到的图像通常含有噪声。这些噪声对提取樱桃特征识别和提取的影响较大，会造成图像失真，提取结果无法达到实际应用的效果，因此通常需要去除图像的噪声。该技术是利用中值滤波，输入樱桃图像，利用opencv函数库中的medianblur（）函数来实现该功能。函数原型是void medianblur（inputaray-src、outputaray-dst、int-ksize）。第三个参数的函数是孔径的线性尺寸，它必须是一个大于1的奇数，这项技术使用的是一个孔径为7的线性。

3.2颜色识别

由于樱桃红色与枝叶的绿色差异较大，因此用樱桃色特征进行识别是一种有效的方法。由于采集图像的樱桃硬件设备多采用RGB模型，所以该技术也采用了该模型。在这个模型中，图像的所有颜色都是红、绿、蓝三种基本颜色的组合。通过opencv split（）函数可以实现通道分离的RGB模型，分离的通道（0）蓝色，通道（1）绿色，通道（2）红色。但从实验结果中分离出的红色组分表明，效果并不理想。一些学者使用2*红

全文共6638字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[1793]

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章