基于多尺度深度网络的低质量点云特征线提取与优化研究

The feature lines, such as boundary lines, ridge lines and turning lines, are important elements in point clouds. The rich surface information contained in feature lines makes it important for surface reconstruction, surface editing and other related fields. However, traditional algorithms are easily affected by noise, outliers and non uniform sampling. To solve the problem, this project intends to generalize the extraction of multi type feature lines as feature point location and direction identification and take the multi-scale deep neural network as a tool to extract feature vectors and construct robust mapping between feature vectors and feature line position and direction. The specific research contents include: (1) Studying the automatic labeling method of training samples to provide sources for supervised training;(2) Studying methods to revise DNN structure and improve training stagey, proposing a DNN based feature line extraction scheme for low quality point cloud and studying methods to improve the robustness of the deep neural network to noise, outlier and non uniform sam-pling;(3) Studying optimization methods for the output of the deep neural network to optimize feature lines location in low quality point clouds. The success of this project would be able to provide new ideas for feature line extraction, and promote the development of related research, such as surface reconstruction, object recognition and surface editing.

边界线、脊谷线和拐线等特征线是点云中的重要元素，蕴含着丰富的曲面信息，在表面重建、曲面编辑等领域有重要的应用价值。针对传统算法容易受到噪声、离群点及非均匀采样等因素影响的问题，本项目拟将多类型特征线提取统一概括为特征点位置和方向辨识问题，利用多尺度深度神经网络代传统手动设计规则的方法提取点云特征，并实现特征与特征线类型和方向的鲁棒映射。具体研究内容包括：（1）研究训练样本的自动标注方法，解决有监督训练数据来源问题；（2）研究网络结构、训练策略的改进措施，提出适用于低质量点云的特征线提取方案，并提高神经网络对噪声、离群点及非均匀采样的鲁棒性；（3）研究深度神经网络输出结果的优化处理方法，提高低质量点云特征线定位精度。本项目的顺利实施可为点云特征线提取提供新的思路，促进曲面重建、物体识别以及曲面编辑等相关研究的进一步发展。

法向量在特征线提取中具有重要作用。本项目提出了一种适用于尖锐特征法向估算的网络框架SharpNet，通过离散化操作将法向量估算转换为特征分类问题，并利用深度网络的非线性映射能力实现尖锐特征法向量。为了进一步提高估算的准确性，本项目还提出了一种法向量优化方法，利用初始法向量间的差异性找到该点所在曲面片，进而求得其的准确法向量。实验表明，本项目算法能够实现尖锐特征法向量的准确估算，且对于噪声和离群点具有很强的鲁棒性。.为了有效识别点云中的脊谷特征，本项目引入了具有尺度无关性的极值点距离准则，减少了潜在特征点数量，提高了特征点识别的准确性；在此基础上，提出了一种基于用户先验引导的脊谷特征增强算法，通过构造和求解包含位置和法向约束的目标方程实现特征区域点云坐标调整。算法在脊谷特征检测、自由曲面特征增强以及CAD工件尖锐特征恢复方面的应用证实了其有效性。. 基于检测到的特征线，本项目提出了一种基于单匹配点的点云粗对齐算法。具体的，我们首先识别位于特征线上的特征点，然后使用卷积神经网络生成这些特征点的描述符,最后，通过描述符匹配得到候选解，并通过基于RANSAC的优化策略给出精确配准。由于所使用的特征点具有很强的方向性，因此可以通过将方向和法向量相结合来构造稳定的局部坐标系（LCS），从而通过单个匹配点的LCS映射来实现配准。实验结果表明，该算法在具有挑战性的场景中取得了良好的配准效果，并且对噪声、离群点、非均匀采样具有较强的鲁棒性。