王 超，王長(zhǎng)波

(華東師范大學(xué) 計(jì)算機(jī)科學(xué)與軟件工程學(xué)院，上海 200062)

一種面向3D打印的點(diǎn)云快速重建算法

王 超，王長(zhǎng)波

(華東師范大學(xué) 計(jì)算機(jī)科學(xué)與軟件工程學(xué)院，上海 200062)

采用KinectFusion點(diǎn)云融合技術(shù)，探索三維重建技術(shù)與3D打印技術(shù)的結(jié)合性，設(shè)計(jì)并實(shí)現(xiàn)了一種面向3D打印的點(diǎn)云快速重建算法.首先使用手持型Kinect獲取物體表面點(diǎn)云數(shù)據(jù)，使用八叉樹存儲(chǔ)數(shù)據(jù)，利用ICP(iterative closest point)算法進(jìn)行點(diǎn)云配準(zhǔn)與融合；然后采用基于統(tǒng)計(jì)異常值檢測(cè)方法、隨機(jī)抽樣一致性算法(RANSAC)、移動(dòng)最小二乘法等算法對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行后處理；再將處理后的點(diǎn)云數(shù)據(jù)進(jìn)行三維表面重構(gòu)并根據(jù)重心加入底座、支柱等缺失部位，以保持模型的平穩(wěn)性；最后使用自制的三角洲打印機(jī)打印成型.試驗(yàn)結(jié)果表明，該算法實(shí)現(xiàn)了從實(shí)物到三維虛擬模型再到實(shí)物打印成型的整個(gè)過程，具有設(shè)備成本低、實(shí)現(xiàn)簡(jiǎn)單并且高效快速等特點(diǎn).

點(diǎn)云數(shù)據(jù)；三維重建；點(diǎn)云配準(zhǔn)；3D打印

近幾年隨著3D打印技術(shù)[1-2]的發(fā)展，快速成型技術(shù)也取得了巨大的突破，其在工業(yè)制造、航空航天、生物醫(yī)療等領(lǐng)域占據(jù)重要地位.傳統(tǒng)用于3D打印的虛擬模型，需要圖形設(shè)計(jì)人員在相關(guān)軟件內(nèi)進(jìn)行設(shè)計(jì)與編輯，此類三維模型結(jié)構(gòu)復(fù)雜，編輯耗時(shí)，增加了模型設(shè)計(jì)的難度，同時(shí)也降低了模型設(shè)計(jì)到打印實(shí)物整個(gè)過程的效率，亟需尋找一種高效快速的模型生成方法.

另外，三維重建技術(shù)在游戲、影視動(dòng)畫制作、虛擬現(xiàn)實(shí)和文物保護(hù)等領(lǐng)域得到了廣泛應(yīng)用.Kinect傳感器[3]的出現(xiàn)，使得深度攝像機(jī)姿態(tài)的跟蹤與重建[4]變得簡(jiǎn)單方便.Kinect傳感器不受可見光影響，同時(shí)具有成像速度快、價(jià)格相對(duì)低廉、操作方式簡(jiǎn)單等優(yōu)點(diǎn)，基于Kinect的三維重建方法也成為了一個(gè)研究熱點(diǎn).在基于Kinect重建算法中，最具有代表性的為KinectFusion算法[5-6]，此方法抓取場(chǎng)景中的靜態(tài)物體表面點(diǎn)云并融合，實(shí)時(shí)地重建出物體的三維模型.文獻(xiàn)[7]拓展了原始的KinectFusion工作，克服了此算法重建空間有限制的缺點(diǎn)，使得KinectFusion算法適用于較大的場(chǎng)景.文獻(xiàn)[8]提出了基于八叉樹(octree)的表面形式，提高了基于Kinect的動(dòng)態(tài)場(chǎng)景重建的速率.然而，使用Kinect重建的三維模型具有不完整、不平滑、不封閉等缺點(diǎn)，不能直接用于3D打印.因此，將三維重建技術(shù)與3D打印技術(shù)相結(jié)合仍然是一個(gè)開放性的課題[9].

針對(duì)上述問題，本文基于KinectFusion算法提出了一種面向3D打印的點(diǎn)云重建方法，探索三維重建技術(shù)與3D打印技術(shù)結(jié)合的可行性.首先使用Kinect攝像機(jī)對(duì)場(chǎng)景中的靜態(tài)物體進(jìn)行快速重建，主要包括點(diǎn)云抓取與快速融合、點(diǎn)云去噪、點(diǎn)云融合、表面抽取等操作；再將重建的模型進(jìn)行后處理，包括底面添加、模型閉合、打印支柱添加等操作；最后使用3D打印機(jī)將模型打印出來.本文算法具有以下特點(diǎn)：(1) 將點(diǎn)云重建技術(shù)與3D打印技術(shù)相結(jié)合，在KinectFusion算法框架的基礎(chǔ)上，加入八叉樹、點(diǎn)云后處理、抽取表面等處理，能夠使用點(diǎn)云快速重建目標(biāo)物體模型.(2) 在制作打印機(jī)的同時(shí)，探索速度更快、價(jià)格更低廉、運(yùn)行更穩(wěn)定的3D打印技術(shù).將點(diǎn)云重建的模型進(jìn)行處理，使模型滿足封閉、表面光滑、整體平穩(wěn)等特性，并加入底座、支柱等缺失部件，獲得適合3D打印的模型后進(jìn)行3D打印成型. (3) 算法自適應(yīng)性強(qiáng)，不嚴(yán)格設(shè)定試驗(yàn)場(chǎng)景，具有較高的健壯性，同時(shí)試驗(yàn)設(shè)備成本低、部署簡(jiǎn)單.

1 算法概述

本文算法使用Kinect對(duì)場(chǎng)景物體進(jìn)行掃描，將獲取的點(diǎn)云作為輸入，經(jīng)過點(diǎn)云融合、去噪、重建，模型處理等步驟，最后將模型進(jìn)行快速打印作為整個(gè)算法的輸出，算法框架如圖1所示.該算法主要分為兩個(gè)部分：Kinect點(diǎn)云重建與3D打印處理.Kinect點(diǎn)云重建主要包括點(diǎn)云抓取、點(diǎn)云融合、點(diǎn)云后處理和表面抽取等步驟；3D打印處理主要包括重建模型處理和快速打印成型兩個(gè)步驟.

圖1 算法框架Fig.1 Algorithm framework

2 Kinect點(diǎn)云重建

首先通過Kinect設(shè)備獲取點(diǎn)云數(shù)據(jù)，在掃描的過程中跟蹤攝像機(jī)的空間姿態(tài)參數(shù)(包括位置和朝向)，將多個(gè)角度抓取的點(diǎn)云數(shù)據(jù)不斷融合生成一個(gè)完整的點(diǎn)云數(shù)據(jù)，并進(jìn)行后處理，最后進(jìn)行表面抽取以獲得3D模型.

2.1 點(diǎn)云抓取

Kinect采集點(diǎn)云數(shù)據(jù)不受光線影響，精度較高，分辨率為640像素×480像素，幀率為30幀/s.將試驗(yàn)場(chǎng)景選擇為空曠的大廳，這樣可以減少背景物體的影響，從而增加點(diǎn)云配準(zhǔn)的精度.試驗(yàn)過程中，轉(zhuǎn)椅上的物體正對(duì)Kinect旋轉(zhuǎn)，實(shí)時(shí)得到點(diǎn)云數(shù)據(jù)并顯示出來.在點(diǎn)云抓取過程中，計(jì)算物體相對(duì)于Kinect攝像頭的旋轉(zhuǎn)角度，并將新一幀抓取的點(diǎn)云數(shù)據(jù)融合到全局點(diǎn)云模型中.此處抓取點(diǎn)云使用KinectFusion框架，在保存點(diǎn)云數(shù)據(jù)的同時(shí)獲取對(duì)應(yīng)的RGB圖像信息.

2.2 點(diǎn)云融合

在點(diǎn)云抓取與融合過程中，需要不斷計(jì)算攝像頭的空間姿態(tài)信息，這里的空間姿態(tài)信息Tg(如式(1)所示)具有6個(gè)自由度.

(1)

式中：t為平移向量，其自由度為3; 0T=[0 0 0]；R為旋轉(zhuǎn)矩陣，其自由度為3.由于Kinect具有較高的幀率，所以可以假設(shè)相鄰兩幀之間攝像機(jī)的空間位置移動(dòng)非常小，基于此假設(shè)可以使用快速投影數(shù)據(jù)關(guān)聯(lián)算法[10]， 來獲得相鄰幀點(diǎn)云之間的對(duì)應(yīng)關(guān)系以及點(diǎn)到面的幾何關(guān)系[11].計(jì)算攝像機(jī)空間姿態(tài)信息時(shí)，采用ICP(iterative closest point)算法[12]計(jì)算兩個(gè)點(diǎn)云之間的匹配程度，若點(diǎn)云匹配成功，可以得到兩個(gè)點(diǎn)云之間的平移和旋轉(zhuǎn)信息.點(diǎn)云配準(zhǔn)時(shí)需要計(jì)算匹配點(diǎn)的誤差值.傳統(tǒng)方法一般采用點(diǎn)到點(diǎn)的方式計(jì)算兩個(gè)點(diǎn)的空間歐氏距離，方法簡(jiǎn)單，但是對(duì)于大體積點(diǎn)云不能達(dá)到實(shí)時(shí)性的要求.此時(shí)采用點(diǎn)到面的方法，即不是計(jì)算對(duì)應(yīng)點(diǎn)對(duì)之間的距離，而是計(jì)算源點(diǎn)到對(duì)應(yīng)點(diǎn)處切面的距離，如圖2所示.源點(diǎn)si=(six,siy,siz, 1)和目標(biāo)點(diǎn)di=(dix,diy,diz, 1)為一對(duì)匹配點(diǎn)，di處的法向ni=(nix,niy,niz, 0)，那么每次ICP迭代的目標(biāo)最優(yōu)解Mopt為

(2)

式中：M和Mopt為4×4的剛體變換矩陣.雖然采用點(diǎn)到面的計(jì)算方式在每一步迭代中比點(diǎn)到點(diǎn)的計(jì)算方式慢，但前者收斂速度快，能夠達(dá)到實(shí)時(shí)性要求. 在ICP運(yùn)行過程中需要不斷查找空間的匹配點(diǎn)，系統(tǒng)采用八叉樹來存儲(chǔ)數(shù)據(jù)，以加快空間中鄰居查找的速度.

圖2 兩平面間的點(diǎn)到面誤差計(jì)算Fig.2 Point-to-plane error calculation between two surfaces

隨著物體的不斷旋轉(zhuǎn)，系統(tǒng)可以得到不同角度的點(diǎn)云數(shù)據(jù)，遮擋或者丟失的部位在融合的過程中會(huì)被不斷填充，表面點(diǎn)云會(huì)被持續(xù)優(yōu)化，最終得到融合的點(diǎn)云信息.

在整個(gè)點(diǎn)云抓取和融合的過程中，記錄當(dāng)前攝像機(jī)相對(duì)于初始幀時(shí)的旋轉(zhuǎn)角度，當(dāng)相對(duì)旋轉(zhuǎn)角度大于360°時(shí)，表示物體已經(jīng)完成一周掃描與融合，則結(jié)束點(diǎn)云抓取融合步驟.人像融合試驗(yàn)效果如圖3所示.在整個(gè)掃描過程中Kinect保持固定，物體進(jìn)行旋轉(zhuǎn).但也可以選擇物體保持固定，移動(dòng)Kinect來進(jìn)行點(diǎn)云抓取和融合.

圖3 人像融合效果Fig.3 Human body fusion result

2.3 點(diǎn)云后處理

本文算法并不嚴(yán)格設(shè)置試驗(yàn)環(huán)境，擺放好Kinect并啟動(dòng)后，只要將物體放在轉(zhuǎn)椅上即可進(jìn)行點(diǎn)云抓取.一方面由于Kinect本身分辨率與幀率存在限制，同時(shí)光斑匹配計(jì)算深度的方式使得獲取的空間深度數(shù)據(jù)并不穩(wěn)定，點(diǎn)云數(shù)據(jù)中存在著大量的誤差，去噪平滑處理必不可少.另一方面，融合得到的點(diǎn)云數(shù)據(jù)可能包含地面等額外數(shù)據(jù)，這些數(shù)據(jù)需要被去除，只保留目標(biāo)物體模型的點(diǎn)云，例如圖3中的地面需要被剔除.

首先，使用隨機(jī)抽樣一致性算法(RANSAC)[13]分離出平面，此算法假設(shè)樣本中既包含正確數(shù)據(jù)(可以被模型描述的數(shù)據(jù))，也包含異常數(shù)據(jù)(偏離正常范圍很遠(yuǎn)、無法適應(yīng)數(shù)學(xué)模型的數(shù)據(jù))，即數(shù)據(jù)集中含有噪聲.這些異常數(shù)據(jù)可能是由于錯(cuò)誤的測(cè)量、假設(shè)、計(jì)算等產(chǎn)生的.同時(shí)RANSAC也假設(shè)，給定一組正確的數(shù)據(jù)，存在可以計(jì)算出符合這些數(shù)據(jù)的模型參數(shù)的方法.使用RANSAC的一個(gè)優(yōu)點(diǎn)是即使數(shù)據(jù)集中存在大量的異常值，它也可以對(duì)模型參數(shù)進(jìn)行較高精度的健壯估計(jì).將模型參數(shù)設(shè)置為平面模型，即可以分離出地面點(diǎn)云.本文算法自動(dòng)處理融合的點(diǎn)云，將地面、墻壁等額外點(diǎn)云信息進(jìn)行切分，只保留目標(biāo)物體的點(diǎn)云數(shù)據(jù).

然后，使用基于統(tǒng)計(jì)的異常值檢測(cè)方法進(jìn)行去噪.掃描通常會(huì)產(chǎn)生密度不均勻的點(diǎn)云數(shù)據(jù)集，同時(shí)測(cè)量中的誤差會(huì)產(chǎn)生稀疏的離群點(diǎn)，導(dǎo)致融合效果較差，使得估計(jì)局部點(diǎn)云特征(如采樣點(diǎn)法向量等)的相關(guān)運(yùn)算變得復(fù)雜，并可能導(dǎo)致表面抽取等后續(xù)處理失敗.此去噪方法對(duì)每個(gè)點(diǎn)的鄰域進(jìn)行一個(gè)統(tǒng)計(jì)分析，計(jì)算該點(diǎn)到所有鄰居點(diǎn)的平均距離.假設(shè)得到的結(jié)果是一個(gè)高斯分布，其形狀由均值和標(biāo)準(zhǔn)差決定，平均距離在標(biāo)準(zhǔn)范圍之外的點(diǎn)可被定義為離群點(diǎn)并從數(shù)據(jù)集中去除.這里使用八叉樹來進(jìn)行數(shù)據(jù)結(jié)構(gòu)的存儲(chǔ)，以便進(jìn)行鄰居點(diǎn)的快速查找.圖4顯示了原始點(diǎn)云與點(diǎn)云去噪后K最近鄰平均距離的對(duì)比，橫軸標(biāo)表示點(diǎn)編號(hào)，縱軸標(biāo)表示每個(gè)點(diǎn)到K最近鄰平均距離的值.由圖4可知，本文算法能夠有效地去除小幅度噪聲，并且有效地保持模型中的原有特征.

圖4 去噪前后K最近鄰平均距離對(duì)比Fig.4 K-nearest neighbor mean distance before and after denoising operation

最后，使用移動(dòng)最小二乘法(least moving square)來平滑點(diǎn)云以及填補(bǔ)孔洞，并進(jìn)行重采樣.在測(cè)量較小的對(duì)象時(shí)會(huì)產(chǎn)生一些誤差，這些誤差造成的噪聲很難使用基于統(tǒng)計(jì)分析的方法來去除，并且在表面重建的過程中會(huì)造成表面不光滑或者產(chǎn)生漏洞，為了建立完整的模型必須對(duì)此類的表面進(jìn)行平滑處理和漏洞修復(fù).對(duì)于不能進(jìn)行額外掃描的遮擋部分，可以使用數(shù)據(jù)重采樣方法來解決這個(gè)問題，重采樣算法通過對(duì)周圍點(diǎn)云數(shù)據(jù)進(jìn)行高階多項(xiàng)式插值來填補(bǔ)表面缺失的部分.通過實(shí)現(xiàn)重采樣，一些小的誤差會(huì)得到校正.人像重采樣操作前后的效果如圖5所示.由圖5可以看到，重采樣后的點(diǎn)云數(shù)量增加了，表面變得平滑且局部的小孔洞被填充.

2.4 表面抽取

在獲取融合好的點(diǎn)云數(shù)據(jù)后，需要將點(diǎn)云轉(zhuǎn)化成光滑表面.由于掃描得到的點(diǎn)云是散亂的，使用貪婪投影三角化算法對(duì)有向點(diǎn)云進(jìn)行三角化.首先將有向點(diǎn)云投影到某一局部二維坐標(biāo)平面上，然后在這個(gè)二維坐標(biāo)平面內(nèi)進(jìn)行三角化，最后根據(jù)平面內(nèi)三維點(diǎn)的拓?fù)溥B接關(guān)系獲得一個(gè)三角網(wǎng)格曲面模型.三角化過程是局部進(jìn)行的，首先沿著一點(diǎn)的法線將該點(diǎn)投影到局部二維平面內(nèi)并連接其他懸空點(diǎn)，然后再處理下一個(gè)點(diǎn)，直到所有符合幾何正確性和拓?fù)湔_性的點(diǎn)都被連接上，算法則結(jié)束.表面重建的結(jié)果如圖6所示. 整個(gè)表面重建過程使用GPU實(shí)現(xiàn)，降低了算法的處理時(shí)間，提高了系統(tǒng)的效率.

(a) 重采樣前 (b) 重采樣后圖5 重采樣操作前后的效果Fig.5 Results before and after resampling operation

圖6 表面重建結(jié)果Fig.6 Surface reconstruction result

3 3D打印處理

重建得到物體的三維模型后，需要使用3D打印機(jī)將模型快速成型.目前的桌面級(jí)3D打印機(jī)多采用熔絲制造的方法，而三角洲式打印機(jī)相比于同等精度的DIY打印機(jī)，機(jī)械復(fù)雜程度低，在xyz三個(gè)維度上都可以自由運(yùn)動(dòng)，打印速度和精度較高.參考rostock機(jī)型的工作原理以及組裝方式，設(shè)計(jì)、采購(gòu)并組裝Delta打印機(jī)，這樣既可以大大降低打印機(jī)的成本，又可以詳細(xì)了解3D打印相關(guān)技術(shù)，探索并研制速度更快、價(jià)格更低廉、運(yùn)行更穩(wěn)定的桌面級(jí)3D打印機(jī).圖7為自制的三角洲式Delta打印機(jī).

圖7 Delta打印機(jī)Fig.7 Delta printer

3.1 重建模型處理

由于點(diǎn)云重建的三維模型是不完整的，同時(shí)尺寸大小也需要考慮，并不能直接用于3D打印.首先，三角剖分抽取的表面并不是一個(gè)封閉的模型，特別是模型的底部，由于并沒有獲取點(diǎn)云，在三角剖分階段也不會(huì)產(chǎn)生三角面片.由于3D打印是從下到上一層一層進(jìn)行打印，此時(shí)需要在調(diào)整模型大小后，在模型底部手動(dòng)交互添加一個(gè)圓柱形的底座，使得模型底部平整.其次，需要考慮模型的重心問題.圓柱形底座抽樣為離散點(diǎn)組成的結(jié)構(gòu)，與重建模型上的原始點(diǎn)云一起計(jì)算整個(gè)模型的重心，需要保證重心垂線投影點(diǎn)位于底面內(nèi)部，否則在3D打印的過程中產(chǎn)品不能保持平衡而傾倒，造成3D打印失敗.此時(shí)需要加入額外的支柱，保持整個(gè)模型的平穩(wěn)性，這些細(xì)小的支柱在打印完成后即可手動(dòng)去除.最后，模型是空心的，一方面節(jié)省材料，另一方面縮減了打印時(shí)間，提高整個(gè)系統(tǒng)的效率.人像最終模型效果如圖8所示.

圖8 人像最終模型效果Fig.8 Final model of human body

3.2 打印實(shí)例

將處理好的三維模型使用Slic3r軟件進(jìn)行切片處理，即將三維模型轉(zhuǎn)換成3D打印機(jī)可以執(zhí)行的G代碼來控制整個(gè)打印機(jī)的電流控制、電機(jī)轉(zhuǎn)動(dòng)、擠絲等操作.使用Printrun軟件進(jìn)行打印機(jī)監(jiān)控和控制，三維模型即可一層一層地打印出來.相比較于同類的重建算法[14-15]，本文的三維模型重建算法具有試驗(yàn)場(chǎng)景搭建簡(jiǎn)單，自適應(yīng)性強(qiáng)，能夠快速重構(gòu)出靜態(tài)物體模型等特點(diǎn).除此之外，該算法能夠?qū)⒅亟ǖ奶摂M模型進(jìn)行后續(xù)處理，使其滿足封閉、光滑、平穩(wěn)等特性，并最終進(jìn)行3D打印，實(shí)現(xiàn)了由實(shí)物到虛擬三維模型再到實(shí)物的過程.人像打印結(jié)果如圖9所示.

圖9 人像打印結(jié)果Fig.9 3D printed result of human body

4 結(jié) 語

本文提出了一種面向3D打印的點(diǎn)云快速重建算法，該算法利用Kinect廉價(jià)、快速精確、可移動(dòng)、光照影響低等特性，實(shí)現(xiàn)了攝像機(jī)姿態(tài)的快速跟蹤，同時(shí)加入點(diǎn)云數(shù)據(jù)后處理的方法(包含去噪、配準(zhǔn)、平滑升采樣等操作)，得到完整的點(diǎn)云融合數(shù)據(jù)，并重建出光滑的三維模型.為了將Kinect重建的三維模型直接用于3D打印，本文描述了生成封閉、光滑、整體平衡的模型處理方法，并將模型保持為空心結(jié)構(gòu)，最終實(shí)現(xiàn)3D打印.在制作打印機(jī)的同時(shí)，探索速度更快、價(jià)格更低廉、運(yùn)行更穩(wěn)定的3D打印技術(shù).本文算法部署簡(jiǎn)單且自適應(yīng)性強(qiáng)，不嚴(yán)格設(shè)定試驗(yàn)場(chǎng)景，具有較高的健壯性，同時(shí)該算法融合八叉樹、GPU等方法，加快點(diǎn)云重建的效率，實(shí)現(xiàn)了由實(shí)物到虛擬三維模型再到實(shí)物的過程，相對(duì)于傳統(tǒng)的模型設(shè)計(jì)與打印，具有快速性和高效性.未來工作將對(duì)三維重建做進(jìn)一步完善，并加入顏色紋理信息進(jìn)行紋理映射，從而打印彩色模型，同時(shí)提高系統(tǒng)的快速性與穩(wěn)定性，實(shí)現(xiàn)由實(shí)物到打印實(shí)物的自動(dòng)化過程.

[1] CIMA M, SACHS E, FAN T, et al. Three-dimensional printing techniques: US 538 7380[P]. 1995-02-07.

[2] GIBSON I, ROSEN D, STUCKER B. Additive manufacturing technologies[M]. New York: Springer, 2015.

[3] ZHANG Z. Microsoft kinect sensor and its effect[J]. IEEE Multimedia, 2012, 19(2):4-10.

[4] CAI Q, GALLUP D, ZHANG C, et al. 3D deformable face tracking with a commodity depth camera[C]// Computer Vision-ECCV 2010. Springer Berlin Heidelberg, 2010:229-242.

[5] NEWCOMBE R A, IZADI S, HILLIGES O, et al. Kinect-Fusion: Real-Time dense surface mapping and tracking[C]// 2011 IEEE International Symposium on Mixed and Augmented Reality. 2011:127-136

[6] IZADI S, KIM D, HILLIGES O, et al. KinectFusion: Real-time 3D reconstruction and interaction using a moving depth camera[C]// Proceedings of the 24th Annual ACM Symposium on User Interface Software and Technology. 2011:559-568.

[7] WHELAN T, KAESS M, FALLON M, et al. Kintinuous: Spatially extended KinectFusion[J]. RSS Workshop on RGB-D: Advanced Reasoning with Depth Cameras, (Sydney,

Australia), 2012.

[8] ZENG M, ZHAO F, ZHENG J, et al. Octree-based fusion for real-time 3D reconstruction[J]. Graphical Models, 2013, 75(3):126-136.

[9] TAUBIN G, MORENO D, LANMAN D. 3D scanning for personal 3D printing: Build your own desktop 3D scanner[C]// ACM SIGGRAPH 2014 Studio. 2014.

[10] BLAIS G, LEVINE M D. Registering multiview range data to create 3D computer objects[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1995, 17(8):820-824.

[11] CHEN Y, MEDIONI G. Object modeling by registration of multiple range images[C]// Proceedings of IEEE Conference on Robotics and Automations, Sacremento. 1991:2724-2729.

[12] LOW K L. Linear least-squares optimization for point-to-plane ICP surface registration[R].Technical Report TR04-004,Department of Computer Science,University of North Carolina at Chapel Hill,February 2004.

[13] BOLLES R C, FISCHLER M A. Ransac-based approach to model fitting and its application to finding cylinders in range data[C]// Proceedings of the 7th International Joint Conference on Artificial intelligence. 1981.

[14] 朱江濤, 吳以凡, 周亮. 基于多Kinect的三維人體重建系統(tǒng)[J]. 東華大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 41(2):227-231.

[15] 周瑾, 潘建江, 童晶,等. 使用Kinect快速重建三維人體[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2013, 25(6):873-879.

Point Cloud Reconstruction Rapid Algorithm for 3D Printing

WANGChao,WANGChang-bo

(School of Computer Science and Software Engineering, East China Normal University, Shanghai 200062, China)

Using KinectFusion point cloud fusion technology, the combination of 3D reconstruction and 3D printing is explored and a new point cloud reconstruction rapid method for 3D printing is designed and implemented. Surface point cloud data captured by handheld Kinect is stored by octree and ICP (iterative closest point) algorithm is adopted to implement point cloud registration and fusion. The statistical outlier detection method, random sampling consensus algorithm (RANSAC) and moving least squares method are employed to process point cloud data. Then the point cloud data is used in the surface reconstruction step. A base, pillars and other missing parts are added into the model to maintain the stability of the model. Finally the virtual model is printed using homemade Delta printer. Experimental results show that the algorithm implements the process of getting 3D virtual model from real objects and using virtual model for rapid prototyping. The devices are at low price and simple to deploy and the algorithm is effective.

point cloud data; 3D reconstruction; point cloud registration; 3D printing

2015-12-31

國(guó)家自然科學(xué)基金資助項(xiàng)目(61532002，61272199)；國(guó)家高技術(shù)研究發(fā)展計(jì)劃(863)資助項(xiàng)目(2015AA016404)；教育部博士點(diǎn)基金資助項(xiàng)目(20130076110008).

王 超(1990—),男,吉林四平人，碩士研究生,研究方向?yàn)辄c(diǎn)云重建、流體仿真、3D打印等.E-mail:598027501@qq.com 王長(zhǎng)波(聯(lián)系人),男，教授，E-mail:cbwang@sei.ecnu.edu.cn

TP 301.6

A

1671-0444 (2016)04-0466-07