逆向工程CAD建模关键技术研究

核心提示： 数据处理中对多次测量数据的拼合问题也就是坐标变换问题，Faugeras和Hebert在1986年应用四元组算法(quaternion)来求解，逆向工程CAD建模关键技术研究(3)，以处理物体移动时物体对齐问题，S.A Run等人在1988年通过SVD分解(singular value d

数据处理中对多次测量数据的拼合问题也就是坐标变换问题。Faugeras和Hebert在1986年应用四元组算法(quaternion)来求解，以处理物体移动时物体对齐问题。S.A Run等人在1988年通过SVD分解(singular value decom position)来求两个对应点集的变换问题；Besl和Mckay在1992年提出了著名的ICP算法(iterative closest point algorithm)对齐方法，首先从一个点集、一条曲线或一个曲面中找到与一点对应的最近点，再用这个结果去找两个对应的点集，最后采用单位四元素法来找出两个点集的变换矩阵；Rutishauser等在1994年提出一种用三角面片分割阵列图像(range images)，然后用统计的方法来合并两个阵列图像的方法。与这些方法相比，三点定位法是一种简单实用的拼合法，但三点定位法只适用于一般场合，并不能应用在需要高精度和大测量范围的汽车和航空领域，如在汽车整车测量过程中，由于种种原因导致某部分数据没有纳入测量范围，一段时间后需补充部分数据，而所分布的参考点已经无法再用。此类问题的出现，用公共参考点来进行拼接已不再可能。

目前提出一种新的多视曲面拼合的思路，即点纹法。它采用了高精度的纹路圈进行多视曲面的匹配，正因为所用的匹配纹路像手指上的指纹，故把它命名为点纹法。其基本思路：在被测曲面的多幅视图上，各选取一些重复区域上相对应的候选点，并构造出纹路圈，然后把纹路圈投影到点p的切平面上，这样就在切平面上形成了二维点纹，其他视图也如此，就可产生相对应的点纹，然后用改进的ICP算法对各幅视图的二维点纹进行自适应迭代，再经过基于径向基函数(RBF)神经网络对冗余数据进行融合处理。

4 数据滤波

受人为和环境因素的影响，测量的数据将包含噪声，为降低噪声对后续建模的影响，可对点云进行光顺处理，即滤波。常用的滤波算法有高斯(Gaussian)滤波、平均(averaging)滤波和中值(median)滤波3种。高斯滤波指采样点的权重为高斯分布，平均效果小，故滤波时能较好地保持原形貌。平均滤波指采样点的值为各数据点的统计平均值。中值滤波指采样点的值为各数据点的统计中值，这种滤波可较好地消除毛刺。这3种方式可根据具体情况灵活应用。点云滤波主要是针对有序点云进行的，若点云无序，则可能出现意外结果。数据光顺与维持点云高精度在一定程度上是对立的，点云精度越高，可能光顺性就越差，而提高光顺度，则精度可能降低。因此操作时应根据产品的用途和要求合理地设置滤波参数。