利用gsom网络实现散乱点云的区域分割

《利用gsom网络实现散乱点云的区域分割》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、利用GSOM网络实现散乱点云的区域分割摘要：论文提出了一种新的自组织神经网络动态生成算法，实现逆向工程中点云的区域分割，以数据点的坐标、估算出的法矢量和曲率构成的8维向量作为神经网络的输入，在训练中动态生成网络结构，克服了现有SOFM网络需要预先给出分区数目的限制，网络生成的结点数少、聚类速度快，最后通过实例实现了数据点云的区域分割，验证了该方法的正确性。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：APoint-cloudsegmentationbasedonGSOMneuralnetworksYUShui-

2、jingLIUDe-ping,LIUXiao-yu,WANGYing-ying(MechatronicsinstituteofZhengzhouUniversity,Zhengzhou,China,)Abstract:Animproveddynamicself-organizationfeaturemapofneuralnetworks(GSOM)isputforward.Basedonthisalgorithm,theregiondivisionofpointcloudsinreverseengineeringisrealized,eightdim

3、ensionalfeaturevectorsincluding3-dimensionalcoordinate,3-dimensionalnormalvectorand2-dimensional10curvaturearetakenasinputofthenetworks,theframeworkofnetworksisconstructeddynamicallyinmodeltraining.Comparedwithothertraditionalmethods,thisnovelmethodhasnonecessarytospecifiedthen

4、umberofneuralnetworksegmentationinadvance,ithaslessknotsandconvergesmorequickly.Thevalidityofthismethodisprovedbytherealexample.KeyWords:Reverseengineering,neuralnetworks,self-organizationfeaturemap，point-cloudsegmentation100引言从实物样件出发获得产品的数字化模型技术已经成为CAD/CAM中一个相对独立的范畴，称为逆向工程（Rev

5、erseEngineering）[1]。逆向工程一般分为数据获取、数据分割、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数据点中检测边点，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。10聚类的方法是通过矢量量化把局部几何特征参数相似的

6、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6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

7、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，但是算法的效率有待提高。本文在D.Alahakon[5]等提出的动态增长自组织映射(GSOM,GrowingSelf-OrganizingMaps）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8维向量作为网络的输入，很好地解决了上述问题。1GSOM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10个输出神经元组成，且形成一个二

8、维平面阵列。该算法要求竞争层的神经元个数要预先指定，这种结构上的限制大大影响了网络的收敛速度。目前来说，解决