基于学习的网格特征边界边识别

特征边界边识别是复杂三角网格模型后续应用的基础，采用单一阈值和判定规则很难识别符合实际要求文章引用: 张百云, 张应中, 罗晓芳. 基于学习的网格特征边界边识别[J]. 计算机科学与应用, 2018, 8(4): 487-495.

随着CAD/CAM 及数字几何获取技术的发展，大量的复杂形体通过激光采样获取，采样获取的点云数据一般转换为三角网格表示。三角网格模型[1]是三维空间中由一系列相互连接的平面三角片组成的一种曲面离散逼近表达形式；三角网格模型后续中的一个重要应用是重构或识别这种由离散的、低级几何表示的三角网格模型为高层次的设计、制造特征，或者分割为有意义的部件；特征识别或者部件分割的一个最基本工作是网格特征边界线的识别和提取。

为此国内外对三角网格模型的特征线识别开展了大量的研究[2] [3] [4]，但大多数都是通过计算某些几何特征值， 例如曲率， 二面角， 形状直径等， 通过设置阈值和判定规则来判定网格边是否是特征边界。

在规则和边界突出的模型中，这些方法有一定的适应性。然而对于扫描获取的点云网格，由于采样模型的粗糙度和洁净程度、采样噪音、数据计算误差等因素，使得点云网格崎岖不平，并且网格十分密集， 很难判定某个网格边就是特征边；此外在一些曲面过渡边界也很难用单个或少量几何特征值去判定，判定阈值也难以确定。目前一些学者把机器学习的方法应用到三角模型的分割、特征识别领域[5] [6] [7]， 基于数据驱动的识别方法可以不依赖于硬的代码规则或显式的编程指令，将人对形状的边界认知融合到分类器中，从而实现更接近实际的特征边界识别结果。

本文深入分析特征边界几何特征，在文献基础[8]上开展基于数据驱动和学习的特征边界识别方法的研究，实现采用AdaBoost 算法的基于学习的特征边界边识别方法。该算法在三角网格数据模型的基础上省略了对特征点的判断，而是直接判断三角网格模型的三角边是否为特征边，提高了效率，识别结果更接近实际边界。

2. 特征边的几何特征分析 2.1. 特征边界线 特征通常是指三维模型上有特定工程意义的形状。根据模型处理的工程意义，有可能需要识别设计特征、制造特征或者是分析特征。图1 给出一个简单的通过激光扫描获取的齿轮零件的三角网格模型， 图1(a)是该模型渲染效果图，图1(b)是该模型线框图。从图1 可以看出，特征边界线一般发生在表面几何变化处，有些几何表面发生突变，形成锐边，自然很容易识别为边界边，有些区域可能缓慢过渡，但需要分割出不同特征面，例如图1 所示的齿轮零件模型，感兴趣的特征包括齿形面、齿根面等，不同的