利用GSOM络实现散乱点云的区域分割.doc

利用GSOM网络点云的分割 论文提出了一种动态逆向工程中点云的区域分割，数据点的坐标、估算出的法矢量曲率构成向量作为网络的输入，在训练中动态生成网络结构，克服了网络预先给出分区数目的限制网络生成的结点数聚类速度点云的区域分割了该方法的。关键词：逆向工程神经网络自组织特征映射数据分割 中图分类号：TP391 文献标识码：A Point-cloud egmentation based on GSOM neural networks YU Shui-jing LIU De-ping, LIU Xiao-yu, WANG Ying-ying (Mechatronics institute of Zhengzhou University, Zhengzhou, China, 450001) Abstract: An improved dynamic self-organization feature map of neural networks (GSOM) is put forward. Based on this algorithm, the region division of point clouds in reverse engineering is realized, eight dimensional feature vectors including 3-dimensional coordinate, 3-dimensional normal vector and 2-dimensional curvature are taken as input of the networks, the framework of networks is constructed dynamically in model training. Compared with other traditional methods, this novel method has no necessary to specified the number of neural network segmentation in advance, it has less knots and converges more quickly. The validity of this method is proved by the real example. Key Words: Reverse engineering, neural networks, self-organization feature map，point-cloud segmentation0 引言 逆向工程（Reverse Engineering）[1]。逆向工程一般分为数据获取、分割、曲面重构和模型构造四个阶段。数据分割技术是把属于同一子曲面类型的数据划分成同一数据域,把测量数据分类转变为曲面造型数据，它是逆向工程几何建模的难点和关键点。目前的数据分割方法主要有：基于边的方法、基于面的方法和基于聚类的方法。基于边的方法根据数据点的局部几何特征在点中检测边点，然后进行边点的连接构成环，最后判断点集是属于环内还是环外，从而实现数据分割。基于面的方法是确定哪些点属于某个曲面，在处理的过程中同时完成曲面拟合。 聚类的方法是通过矢量量化把局部几何特征参数相似的数据点聚集为一类。利用神经网络实现数据点云分区是目前逆向工程研究的热点，不少学者对这方面已经进行了深入的研究。Kon[2]利用自组织特征映射神经网络（SOFM）实现了数据分割，但其方法只处理单视图的呈行列分布的数据。史桂蓉[3]等用数据点的坐标和法矢量构成的维矢量作为SOFM网络的输入，实现了多视图合并的散乱数据的区域分割。然而，目前方法的不足主要在于：首先SOFM网络需要预先固定竞争层的神经元个数，即最多能够有多少个类别，而分区数目取决于不同的处理对象，这使得传统的SOFM网络结构在处理数据分割时有很大的局限性。而且这种结构上的限制也大大影响了网络的收敛速度。在这一问题上刘雪梅[4]等提出了一种多层自组织特征映射神经网络，可以解决竞争层神经元数目预先固定的限制，但是算法的效率。本文在D.Alahakon[5]等提出的动态增长自组织映射(GSOM, Growing Self-Organizing Maps）模型的基础上提出了一种改进的动态自组织特征映射神经网络，应用数据点云的坐标估算出的法矢量和曲率构成的维向量作为网络的输入，很好地解决了上述问题。 GSOM网络 Kohonen[6]的SOFM网络由输入层和竞争输出层组成。输入层由个输入神经元组成，竞争层由个输出神经元组成，且形成一个二维平面阵列。该算法要求竞争层的神经元个数要预先指定，