点云模型骨架提取(ROSA)-liyc汇总.

Microsoft Kinect (Real time Point Cloud)
4
选题理由
2) 模型骨架广泛应用于形状分解、模型匹配、模型动画，数 字导航及医学图像等领域 .
H. Sundar et al 2003
Yotam Livny et al, SIGGRAPH ASIA 2010
Q. Zheng et al, EG 2010.
Bunny 35947 Igea 134345
表1 本文算法与相关算法简化性能的对比
最大误差 模型
平均误差
均方根误差
本文
Bunny Igea 0.003763 0.000124
文献[12]
0.086169 0.000224
文献[13]
0.112649 0.000721
本文
0.000176 0.000013
利用法向信息对缺失点云进行弥补，从而保证骨架点的有效性.
18
点云模型骨架提取
2) 粗骨架提取
将骨架看做点云模型的广义旋转对称轴[Andrea2009], 提取各分支
的粗骨架.
输入点云
分割结果
粗骨架提取
19
点云模型骨架提取
2) 粗骨架连接
采用拉普拉斯光顺处理, 使各分支粗骨架连接成整体.
分割结果
粗骨架提取
点云精简算法流程
11
点云模型的预处理
2) 点云精简性能分析
左: 同一简化率(90%)不同输入模型的时间效率
右: 同一输入模型(Igea)不同简化率的时间效率
12
点云模型的预处理
2) 点云精简性能分析
模型 输入点数 输出点数 本文 4562 9199 文献[12] 4402 9144 文献[13] 4549 9384 本文 2.6 10.4 简化时间 文献[12] 0.56 4.05 文献[13] 0.78 8.92
3. 基于K均值模糊聚类对点云模型进行有意义的分割[Ma 2007] .
点云模型骨架提取
2) 粗骨架提取
将骨架看做点云模型的广义旋转对称轴[Andrea2009], 提取各分支 的粗骨架.
左, 为骨架点位置定义. 右, 为骨架点方向定义
17
点云模型骨架提取
2) 粗骨架提取
将骨架看做点云模型的广义旋转对称轴[Andrea2009], 提取各分支 的粗骨架.
模型去噪
含有噪声模型
去噪后模型
10
点云模型的预处理
2) 点云模型精简
提出一种基于二次误差度量[Garland1997]的自适应点云简化方法. 1. 基于曲率信息提取特征点[Song H. 2009]，防止几何特征的丢失. 2. 通过构造曲率自适应覆盖球[ Ohtake2005] ，对非特征点进行简化.
2) 点云模型骨架提取
基于文献 Andrea 2008本文提出一种基于模型分割的点云骨架提取方法 , 对含 有冗余、噪声和数据缺失的模型具有较高的鲁棒性 .
25
26
1) 点云模型分割
基于K均值模糊聚类对点云模型进行分割[Ma 2007] , 防止模型多 分枝间的相互干扰 .
点云分割结果.
15
点云模型骨架提取
1) 点云模型分割
1. 本文采用测地距离作为聚类的相似性度量[Joshua B T 2000].
2.确定初始聚类中心[Zhou Y N 2004], 并进行优化[Xie X L 1996] .
Dennie Reniers et al, IEEE SMA 2007 5
选题理由
3) 现有点云模型骨架提取算法不多 , 同时对输入模型的孔 洞和噪声较为敏感 .
含有噪声的模型
不完整点云的骨架提取（Zhang Hao et al. siggraph 2009）
含有孔洞的模型
6
研究现状
Dey et al. ESGP 2006.
粗骨架连接
20
点云模型骨架提取
2) 粗骨架细化
构造滤波器[Peter J 1986], 对提取的粗骨架进行细化.
粗骨架提取
粗骨架连接
滤波细化
二次中心化
下采样
21
实验结果 ( 点云模型骨架提取结果 )
完整点云
缺失点云
22
实验结果 ( 点云模型骨架实验结果 ( 点云模型骨架提取结果 )
Andrea Tagliasacchi et al. Siggraph 2008.
Junjie Cao et al. IEEE SMA 2010 . Yotam Livny et al. SIGGRAPH ASIA 2010
7
答辩内容纲要
研究背景 核心工作 实验结果
内容总结
8
核心工作
文献[12]
0.005009 0.000011
文献[13]
0.005495 0.000030
本文
0.000252 0.000010
文献[12]
0.007660 0.000017
文献[13]
0.009081 0.000054
表2 本文算法与相关算法的简化误差对比
13
点云模型骨架提取
骨架提取流程
14
点云模型骨架提取
1)模型去噪 : 去除点云中的噪声点和离群点 , 防止对后续的骨
架提取造成干扰 .
2)模型精简 : 去除点云中的冗余数据 , 提高骨架提取速度 .
3)骨架提取 : 对于去除噪声和冗余的点云模型 , 利用点云的离 散信息提取出模型的一维线骨架 .
9
点云模型的预处理
1) 点云模型去噪
构造类似于均值漂移方法的光顺迭代算子 [ Ohtake2005] 对点云 模型进行光顺去噪 .
多种姿态的Armadillo模型骨架提取结果
24
内容总结
本文的点云骨架提取方法旨在从算法的鲁棒性角度入手 , 较为复杂的 , 含有噪 声和数据缺失的点云模型提取较为完整的曲线骨架 . 针对该问题，本文所做 的主要工作如下 :
1) 点云模型预处理
基于文献 Garland 2007本文提出一种基于二次误差度量的自适应点云简化方法 , 在较好保持模型几何特征的前提下，有效消除原始点云中的冗余点 .
1
内容纲要
研究背景 核心工作 实验结果
内容总结
2
研究目标
本选题研究点云模型的骨架提取算法 , 希望对含冗余、噪声及 数据缺失的原始点云模型提取较为完整的模型骨架 .
骨架提取
3
选题理由
1) 随着点云数据获取技术的飞速发展 , 点云成为计算机
图形学、计算机视觉等学科的研究热点 .
Stanford Digital Michelangelo Project