基于PCL的人体模型自动化修形研究

提出了基于患者人体点云数据的修形曲面自动化建造方法.利用三维激光扫描仪获取人体点云数据,滤波后将点云数据分割成骨盆、腹腔和胸腔三部分,根据三点加力矫形原理提取用于设置伸展空间和施加矫形压力的点云数据,施加变换操作;最后实现点云数据的拼接,创建人体修形曲面.设计案例表明该方法为矫形支具自动化设计奠定基础.     

基于气泡模型的自由曲面网格生成和调控

为了在自由曲面上生成形状规整、大小可控的三角形网格,提出一种基于气泡运动模型的网格自动生成方法. 将适量的网格点布置在离散化的曲面上,并模拟为弹性气泡. 引入气泡间的相互作用力和曲面对气泡的吸附力,得到各气泡的运动控制方程. 采用数值方法近似求解气泡系统的平衡状态. 将平衡后的气泡中心用曲面Delaunay法连接成曲面上的三角形网格. 在气泡模型中,通过相对半径函数控制各气泡的相对大小,进而实现对网格大小的调控. 通过在相对半径函数中考虑气泡中心到特定点或线的距离、参考线或曲面的曲率等因素的影响,生成网格大小与曲面特征相适应的三角形网格. 6个算例结果表明,该方法生成的网格形状规整、疏密有致,其形状质量指标都高于0.97;该方法为网格结构的设计提供了参考.      

稳健的多支持向量机自适应提升算法

AdaBoostSVM容易受到离群点的干扰从而影响到算法的泛化性能.离群点是不反映一般规律的数据点,当被错分的数据含有离群点时,AdaBoostSVM会不断地给离群点赋予很大的权重,进而影响到提升的分类准确率.针对这一问题,提出了RAdaBoostSVM算法,通过对权重过大的误分类样本用和它相邻近的几个样本的中心来代替,有效地减小了离群点对提升效果的影响.与AdaBoostSVM算法相比,RAdaBoostSVM对离群点更加稳健更适合于噪声条件下的分类问题.在基准数据集上的实验结果验证了算法的有效性.     

稳健的多支持向量机自适应提升算法

AdaBoostSVM容易受到离群点的干扰从而影响到算法的泛化性能.离群点是不反映一般规律的数据点,当被错分的数据含有离群点时,AdaBoostSVM会不断地给离群点赋予很大的权重,进而影响到提升的分类准确率.针对这一问题,提出了RAdaBoostSVM算法,通过对权重过大的误分类样本用和它相邻近的几个样本的中心来代替,有效地减小了离群点对提升效果的影响.与AdaBoostSVM算法相比,RAdaBoostSVM对离群点更加稳健更适合于噪声条件下的分类问题.在基准数据集上的实验结果验证了算法的有效性.     

基于K近邻和法向精度的点云精简算法

针对传统点云简化算法在精简散乱点云数据时经常丢失过多特征点的不足,提出了基于K近邻和法向精度的点云精简算法.该算法首先对输入的散乱点云数据建立K近邻索引,并剔除集群点及离群点,从而完成点云数据的预处理,然后对预处理后的数据进行Delaunay三角化,并重构三角网格面,最后依据法向精度进行非特征点剔除.仿真实验表明,该算法既能较大程度地精简点云数据,又能较好地保持原有模型的基本特征.     

基于边界点云数据的3次B样条曲线拟合

点云边界特征线是指能够表达实物样件原始边界特征的测量点。边界不仅作为表达曲面的重要几何特征,而且作为求解曲面的定义域,对重建曲面模型的品质和精度起着重要作用。提出空间点云边界提取方法获取边界点云数据,然后通过“构造树型特征链”和3次B样条算法实现边界点云数据曲线拟合。     

径向基函数在图像修复中的应用

提出了径向基函数的图像修复算法．由用户手工标记出要修复的区域，算法自动计算修复区域的轮廓并沿法向扩张，确定合适的径向基函数重构区域，并将该区域内图像上的每个点的像素值看成高度场中该点的高度值，这样一张图像就张成了以像素值为高度的三维曲面，从而将图像修复问题转化为三维散乱数据点的曲面重建问题．该算法能正确，稳定地处理各种破损区域。     

基于特征数据分块自适应切片的空洞修补

针对常用的空洞修补方法在修复具有多种曲面类型的空洞时失效和所修复的曲面不光顺等缺点,提出基于特征数据分块自适应切片的空洞修补。首先,在考虑特征信息的情况下基于聚类对散乱点云进行分块;然后利用特征进行自适应切片,获得曲线并进行拟合;最后,在线上取点填充缺失的点云,最终对完整的点云模型进行曲面重构建立实体模型。试验结果表明,采用自适应切片法修补空洞能够保留特征,所填充的点云数据精度较高,能够满足后续建模的需要。此外对该方法填充的点云进行了曲面重构及光顺,结果令人满意。     

未标定图像序列的隐式曲面重建方法

为了提高未标定图像序列三维重建得到的几何模型的质量,提出特征点检测算法,以得到更多的匹配点.其主要思想是在首帧图像指定密集的网格,在网格点附近确定最容易跟踪的特征点,利用迭代方法得到子像素精度的特征点坐标,然后用稀疏特征集的金字塔Lucas-Kanade光流跟踪算法跟踪这些特征点,再用自标定算法,重建出相对均匀和稠密的三维点云,最后利用基于径向基函数(RBF)的隐式曲面重建算法,生成目标的表面模型. 多个图像序列的重建结果表明,本方法对纹理丰富的场景能够获得较好的重建结果.     

基于逆向工程的车身A级曲面建模

介绍了逆向设计在车身产品开发中的关键技术:如何采集车身外形点云数据及创建曲面数学模型;归纳总结了汽车A级曲面的概念、技术要求及一般建模方法,以某轿车尾箱A面的设计为例阐述设计方案、曲面生成和轮廓线提取等关键技术。