點(diǎn)云模型骨架提取(ROSA)-liyc

1、1內(nèi)容綱要內(nèi)容綱要l 研究背景研究背景l(fā) 核心工作核心工作l 實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)結(jié)果l 內(nèi)容總結(jié)內(nèi)容總結(jié)2研究目標(biāo)研究目標(biāo)本選題研究點(diǎn)云模型的骨架提取算法本選題研究點(diǎn)云模型的骨架提取算法, , 希望對含冗余、噪聲及數(shù)希望對含冗余、噪聲及數(shù)據(jù)缺失的原始點(diǎn)云模型提取較為完整的模型骨架據(jù)缺失的原始點(diǎn)云模型提取較為完整的模型骨架. .骨架提取骨架提取3選題理由選題理由1) 1) 隨著點(diǎn)云數(shù)據(jù)獲取技術(shù)的飛速發(fā)展隨著點(diǎn)云數(shù)據(jù)獲取技術(shù)的飛速發(fā)展, , 點(diǎn)云成為計(jì)算機(jī)圖點(diǎn)云成為計(jì)算機(jī)圖形學(xué)、計(jì)算機(jī)視覺等學(xué)科的研究熱點(diǎn)形學(xué)、計(jì)算機(jī)視覺等學(xué)科的研究熱點(diǎn). . Stanford Digital Michelangelo

2、Project4 Microsoft Kinect (Real time Point Cloud)選題理由選題理由2) 2) 模型骨架廣泛應(yīng)用于形狀分解、模型匹配、模型動(dòng)畫，數(shù)字模型骨架廣泛應(yīng)用于形狀分解、模型匹配、模型動(dòng)畫，數(shù)字導(dǎo)航及醫(yī)學(xué)圖像等領(lǐng)域?qū)Ш郊搬t(yī)學(xué)圖像等領(lǐng)域. . 5H. Sundar et al 2003Yotam Livny et al, SIGGRAPH ASIA 2010Q. Zheng et al, EG 2010.Dennie Reniers et al, IEEE SMA 2007選題理由選題理由3) 3) 現(xiàn)有點(diǎn)云模型骨架提取算法不多現(xiàn)有點(diǎn)云模型骨架提取算法不多,

3、, 同時(shí)對輸入模型的孔同時(shí)對輸入模型的孔 洞洞和噪聲較為敏感和噪聲較為敏感. . 含有噪聲的模型含有噪聲的模型含有孔洞的模型含有孔洞的模型6不完整點(diǎn)云的骨架提取（不完整點(diǎn)云的骨架提?。╖hang Hao et al. siggraph 2009）研究現(xiàn)狀研究現(xiàn)狀7Dey et al. ESGP 2006. Andrea Tagliasacchi et al. Siggraph 2008. Junjie Cao et al. IEEE SMA 2010 . Yotam Livny et al. SIGGRAPH ASIA 2010答辯內(nèi)容綱要答辯內(nèi)容綱要l 研究背景研究背景l(fā) 核心工作核心工作l

4、 實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)結(jié)果l 內(nèi)容總結(jié)內(nèi)容總結(jié)8核心工作核心工作1)1)模型去噪模型去噪: : 去除點(diǎn)云中的噪聲點(diǎn)和離群點(diǎn)去除點(diǎn)云中的噪聲點(diǎn)和離群點(diǎn), , 防止對后續(xù)的骨防止對后續(xù)的骨架提取造成干擾架提取造成干擾. . 92)2)模型精簡模型精簡: : 去除點(diǎn)云中的冗余數(shù)據(jù)去除點(diǎn)云中的冗余數(shù)據(jù), , 提高骨架提取速度提高骨架提取速度. . 3)3)骨架提取骨架提取: :對于去除噪聲和冗余的點(diǎn)云模型對于去除噪聲和冗余的點(diǎn)云模型, , 利用點(diǎn)云的離利用點(diǎn)云的離散信息提取出模型的一維線骨架散信息提取出模型的一維線骨架. . 點(diǎn)云模型的預(yù)處理點(diǎn)云模型的預(yù)處理1) 點(diǎn)云模型去噪點(diǎn)云模型去噪構(gòu)造類似于均值漂移方法

5、的光順迭代算子構(gòu)造類似于均值漂移方法的光順迭代算子Ohtake2005 對點(diǎn)云對點(diǎn)云模型進(jìn)行光順去噪模型進(jìn)行光順去噪.模型去噪模型去噪去噪后模型去噪后模型含有噪聲模型含有噪聲模型10點(diǎn)云模型的預(yù)處理點(diǎn)云模型的預(yù)處理2) 點(diǎn)云模型精簡點(diǎn)云模型精簡提出一種基于二次誤差度量提出一種基于二次誤差度量Garland1997的自適應(yīng)點(diǎn)云簡化方法的自適應(yīng)點(diǎn)云簡化方法. 點(diǎn)云精簡算法流程點(diǎn)云精簡算法流程111. 基于曲率信息提取特征點(diǎn)基于曲率信息提取特征點(diǎn)Song H. 2009，防止幾何特征的丟失，防止幾何特征的丟失.2. 通過構(gòu)造曲率自適應(yīng)覆蓋球通過構(gòu)造曲率自適應(yīng)覆蓋球Ohtake2005 ，對非特征點(diǎn)進(jìn)

6、行簡化，對非特征點(diǎn)進(jìn)行簡化.點(diǎn)云模型的預(yù)處理點(diǎn)云模型的預(yù)處理2) 點(diǎn)云精簡性能分析點(diǎn)云精簡性能分析 12左: 同一簡化率(90%)不同輸入模型的時(shí)間效率 右: 同一輸入模型(Igea)不同簡化率的時(shí)間效率點(diǎn)云模型的預(yù)處理點(diǎn)云模型的預(yù)處理2) 點(diǎn)云精簡性能分析點(diǎn)云精簡性能分析 13模型輸入點(diǎn)數(shù)輸出點(diǎn)數(shù)簡化時(shí)間本文文獻(xiàn)12文獻(xiàn)13本文文獻(xiàn)12文獻(xiàn)13BunnyIgea359471343454562919944029144454993842.610.40.564.050.788.92模型最大誤差平均誤差均方根誤差本文文獻(xiàn)12文獻(xiàn)13本文文獻(xiàn)12文獻(xiàn)13本文文獻(xiàn)12文獻(xiàn)13 BunnyIgea0.00

7、37630.0001240.0861690.0002240.1126490.0007210.0001760.0000130.0050090.0000110.0054950.0000300.0002520.0000100.0076600.0000170.0090810.000054表1 本文算法與相關(guān)算法簡化性能的對比表2 本文算法與相關(guān)算法的簡化誤差對比點(diǎn)云模型骨架提取點(diǎn)云模型骨架提取 骨架提取流程骨架提取流程14點(diǎn)云模型骨架提取點(diǎn)云模型骨架提取1) 點(diǎn)云模型分割點(diǎn)云模型分割基于基于K均值模糊聚類對點(diǎn)云模型進(jìn)行分割均值模糊聚類對點(diǎn)云模型進(jìn)行分割Ma 2007 防止模型多防止模型多分枝間的相互干

8、擾分枝間的相互干擾. 點(diǎn)云分割結(jié)果點(diǎn)云分割結(jié)果.15點(diǎn)云模型骨架提取點(diǎn)云模型骨架提取1) 點(diǎn)云模型分割點(diǎn)云模型分割 1. 本文采用測地距離作為聚類的相似性度量本文采用測地距離作為聚類的相似性度量 Joshua B T 2000 . 2.2.確定初始聚類中心確定初始聚類中心 Zhou Y N 2004, 并進(jìn)行優(yōu)化并進(jìn)行優(yōu)化Xie X L 1996 . 3. 基于基于K均值模糊聚類對點(diǎn)云模型進(jìn)行有意義的分割均值模糊聚類對點(diǎn)云模型進(jìn)行有意義的分割Ma 2007 點(diǎn)云模型骨架提取點(diǎn)云模型骨架提取2) 粗骨架提取粗骨架提取將骨架看做點(diǎn)云模型的廣義旋轉(zhuǎn)對稱軸將骨架看做點(diǎn)云模型的廣義旋轉(zhuǎn)對稱軸Andrea

9、2009, 提取各分支提取各分支的粗骨架的粗骨架. 左左, 為骨架點(diǎn)位置定義為骨架點(diǎn)位置定義. 右右, 為骨架點(diǎn)方向定義為骨架點(diǎn)方向定義17點(diǎn)云模型骨架提取點(diǎn)云模型骨架提取2) 粗骨架提取粗骨架提取將骨架看做點(diǎn)云模型的廣義旋轉(zhuǎn)對稱軸將骨架看做點(diǎn)云模型的廣義旋轉(zhuǎn)對稱軸Andrea2009, 提取各分支提取各分支的粗骨架的粗骨架. 利用法向信息對缺失點(diǎn)云進(jìn)行彌補(bǔ)，從而保證骨架點(diǎn)的有效性利用法向信息對缺失點(diǎn)云進(jìn)行彌補(bǔ)，從而保證骨架點(diǎn)的有效性.18點(diǎn)云模型骨架提取點(diǎn)云模型骨架提取2) 粗骨架提取粗骨架提取將骨架看做點(diǎn)云模型的廣義旋轉(zhuǎn)對稱軸將骨架看做點(diǎn)云模型的廣義旋轉(zhuǎn)對稱軸Andrea2009, 提取各

10、分支提取各分支的粗骨架的粗骨架. 分割結(jié)果分割結(jié)果輸入點(diǎn)云輸入點(diǎn)云粗骨架提取粗骨架提取19點(diǎn)云模型骨架提取點(diǎn)云模型骨架提取2) 粗骨架連接粗骨架連接采用拉普拉斯光順處理采用拉普拉斯光順處理, 使各分支粗骨架連接成整體使各分支粗骨架連接成整體. 分割結(jié)果分割結(jié)果粗骨架提取粗骨架提取粗骨架連接粗骨架連接20點(diǎn)云模型骨架提取點(diǎn)云模型骨架提取2) 粗骨架細(xì)化粗骨架細(xì)化構(gòu)造濾波器構(gòu)造濾波器Peter J 1986, 對提取的粗骨架進(jìn)行細(xì)化對提取的粗骨架進(jìn)行細(xì)化. 粗骨架提取粗骨架提取粗骨架連接粗骨架連接 濾波細(xì)化濾波細(xì)化二次中心化二次中心化下采樣下采樣21實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)結(jié)果(點(diǎn)云模型骨架提取結(jié)果點(diǎn)云模型骨

11、架提取結(jié)果) 完整點(diǎn)云完整點(diǎn)云缺失點(diǎn)云缺失點(diǎn)云22實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)結(jié)果(點(diǎn)云模型骨架提取結(jié)果點(diǎn)云模型骨架提取結(jié)果) 完整點(diǎn)云完整點(diǎn)云缺失點(diǎn)云缺失點(diǎn)云23實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)結(jié)果(點(diǎn)云模型骨架提取結(jié)果點(diǎn)云模型骨架提取結(jié)果) 多種姿態(tài)的多種姿態(tài)的Armadillo模型骨架提取結(jié)果模型骨架提取結(jié)果24內(nèi)容總結(jié)內(nèi)容總結(jié) 25本文的點(diǎn)云骨架提取方法旨在從算法的魯棒性角度入手本文的點(diǎn)云骨架提取方法旨在從算法的魯棒性角度入手, 較為復(fù)雜的較為復(fù)雜的, 含有噪聲和含有噪聲和數(shù)據(jù)缺失的點(diǎn)云模型提取較為完整的曲線骨架數(shù)據(jù)缺失的點(diǎn)云模型提取較為完整的曲線骨架. 針對該問題，本文所做的主要工針對該問題，本文所做的主要工作如下作如下: 1) 點(diǎn)云模型預(yù)處理點(diǎn)云模型預(yù)處理基于文獻(xiàn)基于文獻(xiàn)Garland 2007本文提出一種基于二次誤差度量的自適應(yīng)點(diǎn)云簡化方法本文提出一種基于二次誤差度量的自適應(yīng)點(diǎn)云簡化方法,在較在較好保持模型幾何特征的前