近日，信息工程学院智能媒体处理团队在中国计算机学会（CCF）推荐的A类国际期刊《IEEE Transactions on Visualization and Computer Graphics》（可视化与图形学领域Top期刊）上在线发表题为“Neighbor Reweighted Local Centroid for Geometric Feature Identification”的研究论文。该工作重点研究不同来源实际点云模型的几何特征检测与识别问题，首次为三维表面的凹、凸和边界几何特征设计了统一的检测与识别算法框架，取得了优于现有同类方法的处理结果。智能媒体处理团队硕士研究生刘通为论文第一作者，杨龙副教授为通讯作者。

几何特征在点云模型中只占较少比例，却包含着丰富的结构信息，在3D形状分析中扮演着重要角色。现有基于曲率张量的脊线和谷线识别方法对噪声比较敏感且计算复杂。在不需要高阶微分算子的情况下，大多数基于统计的方法牺牲一定程度的特征描述能力来换取算法的鲁棒性。但是，这两类方法都不能同时处理点云表面边界特征，且计算效率较低。现有深度学习类方法，因缺乏标注数据，网络训练成本高，以及几何特征检测问题本身的复杂性，尚不具备对多类特征同时检测的能力。尤其对于场景级点云模型，仍然缺乏能够对凹、凸和边界几何特征同时进行检测与识别的有效方法。

该研究提出了一种近邻重加权局部质心（NRLC）算法来识别点云模型的几何特征。通过将每个近邻向量分解为两个正交分量构造所考虑点的特征描述符，设计与传统高斯函数相反的“近小远大”类型近邻控制函数作为各分量的权重，并对各分量求和生成NRLC。基于NRLC构造局部特征描述符，初步筛选候选特征点。为进一步识别几何特征，研究团队设计了一种新型几何特征分类器用于区分点云表面的凹、凸、边界和非特征点。同时，该研究还将二维图像中的腐蚀和膨胀概念引入三维点云处理中，提出了一组同化和异化操作算子，进一步增强识别出的几何特征。研究结果表明，该算法能够同时识别点云表面的三种几何特征，可以有效地提取点云模型的轮廓结构，在识别结果和计算效率上与现有方法比较均有大幅提升。除此之外，研究团队还将所提出的NRLC方法用于求解典型的点云配准问题，其良好的几何特征描述能力使得表面配准精度和配准效率得到了显著提高。NRLC方法能够为三维表面的抽象表达、形状识别、点云分割以及目标检索等重要应用提供关键技术支持。

该工作得到了国家自然科学基金项目（61702422）和中央高校基本科研业务费专项基金（2452018146）的支持。

论文链接：https://ieeexplore.ieee.org/document/9600876

编辑：张晴

终审：徐海