基于曲率突变分析的点云特征线自动提取

点云特征线提取是点云模型重构的基础,国内外对此从边缘检测、特征线跟踪和面域分析等方面展开了研究,但由于存在模型多样性、点云数据噪声和不完整性、特征复杂性等问题,看似简单的特征线自动化提取很难实现.从曲率突变点隐含了点云特征线这一论断出发,借鉴图像处理中的区域分割和边缘检测思想,提出了特征线提取中的聚类、细化、分段和排序方案.在具体实现中分别提出了基于连通区域聚类的备选点集分离算法,基于局部影响区域腐蚀的点集细化算法,以及基于组合搜索准则和主成分分析(PCA)双向搜索的特征线分支截断和排序算法.在对比实验中,确定了算法关键参数曲率突变点比例w和方向夹角阈值θT的推荐值,并与类似算法对比能提取更多的特征点;在模型实验中,简单几何模型的特征线提取正确率达到了100％,复杂机械零件模型和艺术品模型的特征线提取正确率均达到了85％ 以上,取得了预想的棱线和特征轮廓线提取效果.算法具有通用性和可扩展性,通过程序优化可获得更好的特征提取效果.