CN118608685A - 汽车零部件的三维模型构建方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种汽车零部件的三维模型构建方法、装置、设备及存储介质。该方法包括：获取被测汽车零部件的初始三维点云数据；对初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据；根据初始三维点云数据的数据特征，确定目标点云滤波方式，并基于目标点云滤波方式，对参考三维点云数据进行滤波处理，得到候选三维点云数据；对候选三维点云数据进行点云特征识别，确定被测汽车零部件的零部件种类；根据候选三维点云数据，基于零部件种类，构建被测汽车零部件的目标三维模型。上述技术方案提高了汽车零部件的三维模型构建精准度。

Description

汽车零部件的三维模型构建方法、装置、设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种汽车零部件的三维模型构建方法、装置、设备及存储介质。

背景技术

在汽车制造业中，快速且准确地构建汽车零件的三维模型对于产品的设计、制造和质量控制至关重要。然而，由于测量设备和环境干扰等因素，获取被测对象的点云数据过程中往往包含大量的噪声和异常点，影响后续三维模型构建的准确性和可靠性。因此，如何有效的对汽车零件点云数据进行精准处理，从而提高汽车零件的三维模型构建精准度，成为当前亟待解决的问题。

发明内容

本发明提供了一种汽车零部件的三维模型构建方法、装置、设备及存储介质，以提高汽车零部件的三维模型构建精准度。

根据本发明的一方面，提供了一种汽车零部件的三维模型构建方法，所述方法包括：

获取被测汽车零部件的初始三维点云数据；

对所述初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据；

根据所述初始三维点云数据的数据特征，确定目标点云滤波方式，并基于所述目标点云滤波方式，对所述参考三维点云数据进行滤波处理，得到候选三维点云数据；

对所述候选三维点云数据进行点云特征识别，确定所述被测汽车零部件的零部件种类；

根据所述候选三维点云数据，基于所述零部件种类，构建所述被测汽车零部件的目标三维模型。

根据本发明的另一方面，提供了一种汽车零部件的三维模型构建装置，所述装置包括：

初始点云数据获取模块，用于获取被测汽车零部件的初始三维点云数据；

点云数据过滤处理模块，用于对所述初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据；

点云数据滤波处理模块，用于根据所述初始三维点云数据的数据特征，确定目标点云滤波方式，并基于所述目标点云滤波方式，对所述参考三维点云数据进行滤波处理，得到候选三维点云数据；

点云数据特征识别模块，用于对所述候选三维点云数据进行点云特征识别，确定所述被测汽车零部件的零部件种类；

目标三维模型生成模块，用于根据所述候选三维点云数据，基于所述零部件种类，构建所述被测汽车零部件的目标三维模型。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的汽车零部件的三维模型构建方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的汽车零部件的三维模型构建方法。

根据本发明的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如本发明任意实施例所提供的三维模型构建方法。

本发明实施例技术方案通过对初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据；根据初始三维点云数据的数据特征，确定目标点云滤波方式，并基于目标点云滤波方式，对参考三维点云数据进行滤波处理，得到候选三维点云数据；对候选三维点云数据进行点云特征识别，确定被测汽车零部件的零部件种类；根据候选三维点云数据，基于零部件种类，构建被测汽车零部件的目标三维模型。上述技术方案通过基于点云数据的数据特性选取合适的滤波方式，实现了对点云数据的有效且精准的滤波；通过识别零部件种类，并根据零部件种类和三维点云数据构建零部件目标三维模型的方式，提高了对汽车零部件三维模型构建精准度。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例一提供的一种汽车零部件的三维模型构建方法的流程图；

图2是根据本发明实施例二提供的一种汽车零部件的三维模型构建方法的流程图；

图3是根据本发明实施例三提供的一种汽车零部件的三维模型构建装置的结构示意图；

图4是实现本发明实施例的汽车零部件的三维模型构建方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供的一种汽车零部件的三维模型构建方法的流程图，本实施例可适用于对汽车领域的汽车零部件进行零部件三维模型构建的情况，该方法可以由汽车零部件的三维模型构建装置来执行，该汽车零部件的三维模型构建装置可以采用硬件和/或软件的形式实现，该汽车零部件的三维模型构建装置可配置于电子设备中。如图1所示，该方法包括：

S110、获取被测汽车零部件的初始三维点云数据。

示例性的，可以通过3D(three-dimensional，三维)扫描设备对被测汽车零部件进行三维点云数据扫描，并将扫描得到的初始三维点云数据发送至云端服务器或其他服务器，以进行后续点云数据处理。其中，3D扫描设备可以是3D扫描仪。具体的，通过3D扫描设备对被测汽车零部件进行全面扫描，确保覆盖所有必要的角度和细节，对于大型或复杂的被测汽车零部件，可以从多个角度方位进行扫描以完整的覆盖零部件，实现对零部件的点云数据的全面采集。

其中，3D扫描设备的选取具体可以是根据被测汽车零部件的部件大小、形状、复杂度和精度要求进行选取。

S120、对初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据。

示例性的，可以基于预先设定的点云数据的异常值过滤方法，实现对初始三维点云数据的异常值过滤。其中，异常值过滤方法可以由相关技术人员根据实际经验值或实验值确定。例如，异常值过滤方法可以为统计参数方法、百分位法、K邻近法、模型拟合方法和曲率法等。

S130、根据初始三维点云数据的数据特征，确定目标点云滤波方式，并基于目标点云滤波方式，对参考三维点云数据进行滤波处理，得到候选三维点云数据。

其中，初始三维点云数据的数据特征可以为点云数据的噪声特征，具体可以为噪声数据中的离群点分布情况特征。

示例性的，可以根据初始三维点云数据的噪声离群点分布情况，当噪声离群点分布较为随机，且没有显著的离群点时，可以选取适用于平滑数据，模糊边缘或细节的点云滤波方式，例如，可以选取高斯滤波。当噪声离群点分布较为聚集，或存在尖锐的噪声，时，可以选取适用于保留更多边缘或细节的点云滤波方式，例如，可以选取中值滤波方式或双边滤波方式。

在一个可选实施例中，根据初始三维点云数据的数据特征，确定目标点云滤波方式，并基于目标点云滤波方式，对参考三维点云数据进行滤波处理，得到候选三维点云数据，包括：确定初始三维点云数据的噪声离群点分布类型；若噪声离群点分布类型为分布随机型，则确定参考点云数据中各坐标点在预设邻域内的距离权重值；根据参考三维点云数据中各坐标点的距离权重值，更新参考三维点云数据中的各坐标点的坐标值，得到候选三维点云数据。

示例性的，针对参考点云数据中的任一坐标点，确定以该坐标点为中心的预设邻域范围内的各相邻坐标点距离该坐标点之间的距离，并根据距离大小确定距离权重值。具体可以是与该坐标点距离较近的相邻坐标点的权重较高，距离较远的权重较低。根据各相邻坐标点的权重值进行加权平均，并将该坐标点的位置替换为确定得到的加权平均后的坐标位置。将坐标点替换后的点云数据确定为候选三维点云数据。

可选的，若噪声离群点分布类型为分布聚集型，则确定初始三维点云数据的点云特征，并根据点云特征，确定滑动窗口；基于滑动窗口，确定参考三维点云数据中各坐标点的中值；根据各参考三维点云数据中各坐标点的中值，更新参考三维点云数据中的各坐标点的坐标值，得到候选三维点云数据。

其中，点云特征可以包括根据点云数据的数据量大小和点云数据所呈现出的零件形状；根据点云特征，可以确定滑动窗口的窗口大小。

示例性的，针对参考三维点云数据中的任一坐标点，以该坐标点为滑动窗口的中心点，对滑动窗口内的全部点云数据进行位置排序，得到中值，并将该坐标点位置更新为该中值的坐标点位置，得到候选三维点云数据。可选的，在基于滑动窗口，对各坐标点进行遍历迭代过程中，可以根据需求调整滑动窗口的大小或形状，以适应不同形状和尺寸的汽车零件，从而消除噪声的影响。

由于3D扫描设备采集得到的点云数据量大且密集，在处理的过程中，过于密集的点云数据将会占用大量计算机的内存，从而导致数据处理速度较低，因此，去除点云数据杂点噪声，对数据进行预处理，在不影响点云数据精度的情况下，提高了数据的处理速度，去除了环境、测量装置精度和操作者经验等因素带来的影响。

通过根据初始三维点云数据的噪声离群点分布特性的方式，选取不同的滤波方式，实现了对点云数据的有针对性滤波，提高滤波精准度和滤波效率，同时，消除了环境和测量装置等外部因素带来的噪声影响，提高了点云数据处理精准度。

S140、对候选三维点云数据进行点云特征识别，确定被测汽车零部件的零部件种类。

需要说明的是，由于不同汽车零部件的形状、大小以及复杂程度均不相同，因此，可以通过被测汽车零部件的点云数据的特征，确定被测汽车零部件的零部件种类。具体可以通过确定点云数据的连通区域的方式进行零部件种类的确定。

在一个可选实施例中，对候选三维点云数据进行点云特征识别，确定被测汽车零部件的零部件种类，包括：对候选三维点云数据进行点云特征识别，确定至少一个连通区域；根据各连通区域的区域形状、区域面积和区域位置，确定被测汽车零部件的零部件种类。

示例性的，在候选三维点云数据中，针对任一坐标点，确定其预设范围内的邻近坐标点，并计算该坐标点到各邻近坐标点之间的距离，若距离小于阈值，则认为该坐标点与相应邻近坐标点是连通的；若不小于阈值，则认为该坐标点与相应邻近坐标点是不连通的。基于该方式可以确定得到至少一个连通区域。

根据各连通区域的区域形状、区域面积和区域位置，基于预先构建的汽车零部件标准模型库中的各零部件模型，确定被测汽车零部件的零部件种类。其中，汽车零部件标准模型库中存储有多个汽车零部件标准模型，具体可以由相关技术人员预先构建得到。具体的，可以根据各连通区域的区域形状、区域面积和区域位置，与各零部件模型进行相似度比较，将相似度达到预设阈值，且相似度最高的零部件模型的部件种类，确定为被测汽车零部件的零部件种类。

S150、根据候选三维点云数据，基于零部件种类，构建被测汽车零部件的目标三维模型。

示例性的，根据零部件种类，选取该零部件种类所对应的标准汽车零部件模型；根据标准汽车零部件模型，对候选三维点云数据进行配准，从而得到更加精准的候选三维点云数据。基于配准后的候选三维点云数据，构建被测汽车零部件的目标三维模型。

本发明实施例技术方案通过对初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据；根据初始三维点云数据的数据特征，确定目标点云滤波方式，并基于目标点云滤波方式，对参考三维点云数据进行滤波处理，得到候选三维点云数据；对候选三维点云数据进行点云特征识别，确定被测汽车零部件的零部件种类；根据候选三维点云数据，基于零部件种类，构建被测汽车零部件的目标三维模型。上述技术方案通过基于点云数据的数据特性选取合适的滤波方式，实现了对点云数据的有效且精准的滤波；通过识别零部件种类，并根据零部件种类和三维点云数据构建零部件目标三维模型的方式，提高了对汽车零部件三维模型构建精准度。

实施例二

图2为本发明实施例二提供的一种汽车零部件的三维模型构建方法的流程图，本实施例在上述各技术方案的基础上，进行了优化改进。

进一步的，将步骤“对初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据”细化为“确定初始三维点云数据中各坐标点分别对应的相邻坐标点；根据各坐标点与其对应的相邻坐标点之间的坐标点距离，确定各坐标点分别对应的局部密度值；根据各坐标点分别对应的局部密度值，对初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据。”以完善对参考三维点云数据的生成方式。

在步骤“根据候选三维点云数据，基于零部件种类，构建被测汽车零部件的目标三维模型”之前，添加步骤“根据零部件种类，确定参考汽车零部件形状特征；对候选三维点云数据进行特征识别，确定被测汽车零部件的目标形状特征；根据目标形状特征和参考汽车零部件形状特征之间的特征相似度，更新候选三维点云数据。”以完善对候选三维点云数据的更新方式。

将步骤“根据候选三维点云数据，基于零部件种类，构建被测汽车零部件的目标三维模型”细化为“根据零部件种类，确定目标汽车零部件模型；采用目标汽车零部件模型，对候选三维点云数据进行点云配准，得到目标三维点云数据；根据目标三维点云数据，构建被测汽车零部件的目标三维模型。”

需要说明的是，在本发明实施例中未详述的部分，可参见其他实施例的表述。如图2所示，该方法包括以下具体步骤：

S201、获取被测汽车零部件的初始三维点云数据。

S202、确定初始三维点云数据中各坐标点分别对应的相邻坐标点。

其中，针对任一坐标点，其相邻坐标点可以是与该坐标点具有相邻或邻近位置的坐标点。具体确定方式可以是针对该坐标点，对其周围范围内的坐标点进行依次遍历的方式得到。

S203、根据各坐标点与其对应的相邻坐标点之间的坐标点距离，确定各坐标点分别对应的局部密度值。

示例性的，针对任一坐标点，确定该坐标点分别与其相邻坐标点之间的坐标点距离，并确定各坐标点距离之间的距离平均值；该距离坐标值即为该坐标点的局部密度值。

S204、根据各坐标点分别对应的局部密度值，对初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据。

若坐标点的局部密度值低于预设的密度阈值，则确定该坐标点为异常坐标点，对该坐标点进行坐标点移除或剔除，得到参考三维点云数据。

S205、根据初始三维点云数据的数据特征，确定目标点云滤波方式，并基于目标点云滤波方式，对参考三维点云数据进行滤波处理，得到候选三维点云数据。

S206、对候选三维点云数据进行点云特征识别，确定被测汽车零部件的零部件种类。

S207、根据零部件种类，确定参考汽车零部件形状特征。

示例性的，可以根据零部件种类，确定被测汽车对象零部件的目标汽车零部件模型，从而可以对模型进行形状等特征提取，具体可以提取得到汽车零部件边缘、角点、孔和平面区域等特征，从而可以将此特征确定为参考汽车零部件形状特征。

S208、对候选三维点云数据进行特征识别，确定被测汽车零部件的目标形状特征。

示例性的，对候选三维点云数据进行特征识别，具体可以计算候选三维点云数据的几何属性，如距离、角度和曲率等，以及统计属性，如密度、方差和协方差等，以及拓扑属性，如连通性和邻接关系等，进行候选三维点云数据的特征识别。将识别得到的特征作为被测汽车零部件的目标形状特征。

S209、根据目标形状特征和参考汽车零部件形状特征之间的特征相似度，更新候选三维点云数据。

若目标形状特征和参考汽车零部件形状特征之间的特征相似度较低，则采用参考汽车零部件形状特征，对候选三维点云数据进行点云位置更新；若目标形状特征和参考汽车零部件形状特征之间的特征相似度较高，则无需更新候选三维点云数据进行点云位置更新。可选的，可以根据局部特征相似度进行局部位置的三维点云数据的更新。

S210、根据零部件种类，确定目标汽车零部件模型。

具体可以是根据零部件种类，从至少一个候选汽车零部件模型中选取与该零部件种类相匹配的目标汽车零部件模型。

S211、采用目标汽车零部件模型，对候选三维点云数据进行点云配准，得到目标三维点云数据。

示例性的，计算候选三维点云数据与目标汽车零部件模型之间的变换矩阵，使两者尽可能对齐；根据变换矩阵对候选三维点云数据进行变换，并重复上述步骤，直到达到预设的迭代次数或满足收敛条件为止。在每次迭代中，均会计算点云数据和模型之间的最近点对，并根据这些最近点对计算出最优的变换矩阵，使点云数据尽可能与模型对齐。通过多次迭代和不断优化变换矩阵，最终可以实现候选三维点云数据与目标汽车零部件模型之间的精确配准。

S212、根据目标三维点云数据，构建被测汽车零部件的目标三维模型。

示例性的，根据配准后的目标三维点云数据，构建被测汽车零部件的目标三维模型；基于配准后的目标三维点云数据，通过表面重建算法，如泊松重建、Delaunay三角剖分等方式，构建被测汽车零部件的目标三维模型。该模型可用于后续的设计分析、制造加工等。

可选的，还可以对构建的目标三维模型进行质量评估，确保模型的准确性和完整性；对构建的三维模型进行质量评估，包括模型的几何精度、表面质量和拓扑结构等方面，确保模型的准确性和完整性。如果发现问题，可以进行修正和优化，以提高数据提取的质量。

本实施例技术方案通过确定初始三维点云数据中各坐标点分别对应的相邻坐标点，根据各坐标点与其对应的相邻坐标点之间的坐标点距离，确定各坐标点分别对应的局部密度值，根据各坐标点分别对应的局部密度值，对初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据，对三维点云数据进行点云异常值处理，得到处理后的三维点云数据，可以显著提高数据质量和准确性，减少进一步处理的信息量。根据零部件种类，确定参考汽车零部件形状特征，对候选三维点云数据进行特征识别，确定被测汽车零部件的目标形状特征，根据目标形状特征和参考汽车零部件形状特征之间的特征相似度，更新候选三维点云数据，进一步实现了对候选三维点云数据的数据校准，提高了候选三维点云数据的精准度。根据零部件种类，确定目标汽车零部件模型，采用目标汽车零部件模型，对候选三维点云数据进行点云配准，得到目标三维点云数据，根据目标三维点云数据，构建被测汽车零部件的目标三维模型。通过模型和点云数据配准的方式提高了对被测汽车零部件的目标三维模型的构建精准度。

实施例三

图3为本发明实施例三提供的一种汽车零部件的三维模型构建装置的结构示意图。本发明实施例所提供的一种汽车零部件的三维模型构建装置，该装置可适用于对汽车领域的汽车零部件进行零部件三维模型构建的情况，该汽车零部件的三维模型构建装置可以采用硬件和/或软件的形式实现，如图3所示，该装置具体包括：初始点云数据获取模块301、点云数据过滤处理模块302、点云数据滤波处理303、点云数据特征识别模块304和目标三维模型生成模块305。其中，

初始点云数据获取模块301，用于获取被测汽车零部件的初始三维点云数据；

点云数据过滤处理模块302，用于对所述初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据；

点云数据滤波处理模块303，用于根据所述初始三维点云数据的数据特征，确定目标点云滤波方式，并基于所述目标点云滤波方式，对所述参考三维点云数据进行滤波处理，得到候选三维点云数据；

点云数据特征识别模块304，用于对所述候选三维点云数据进行点云特征识别，确定所述被测汽车零部件的零部件种类；

目标三维模型生成模块305，用于根据所述候选三维点云数据，基于所述零部件种类，构建所述被测汽车零部件的目标三维模型。

本发明实施例技术方案通过对初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据；根据初始三维点云数据的数据特征，确定目标点云滤波方式，并基于目标点云滤波方式，对参考三维点云数据进行滤波处理，得到候选三维点云数据；对候选三维点云数据进行点云特征识别，确定被测汽车零部件的零部件种类；根据候选三维点云数据，基于零部件种类，构建被测汽车零部件的目标三维模型。上述技术方案通过基于点云数据的数据特性选取合适的滤波方式，实现了对点云数据的有效且精准的滤波；通过识别零部件种类，并根据零部件种类和三维点云数据构建零部件目标三维模型的方式，提高了对汽车零部件三维模型构建精准度。

可选的，所述点云数据过滤处理模块302，包括：

相邻坐标点确定单元，用于确定所述初始三维点云数据中各坐标点分别对应的相邻坐标点；

局部密度值确定单元，用于根据各所述坐标点与其对应的相邻坐标点之间的坐标点距离，确定各所述坐标点分别对应的局部密度值；

异常值过滤单元，用于根据各所述坐标点分别对应的局部密度值，对所述初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据。

可选的，所述点云数据滤波处理模块303，包括：

离群点分布类型确定单元，用于确定所述初始三维点云数据的噪声离群点分布类型；

距离权重值确定单元，用于若所述噪声离群点分布类型为分布随机型，则确定所述参考点云数据中各坐标点在预设邻域内的距离权重值；

第一点云数据更新处理单元，用于根据所述参考三维点云数据中各所述坐标点的距离权重值，更新所述参考三维点云数据中的各坐标点的坐标值，得到候选三维点云数据。

可选的，所述点云数据滤波处理模块303，还包括：

滑动窗口确定单元，用于若所述噪声离群点分布类型为分布聚集型，则确定所述初始三维点云数据的点云特征，并根据所述点云特征，确定滑动窗口；

中值确定单元，用于基于所述滑动窗口，确定所述参考三维点云数据中各坐标点的中值；

第二点云数据更新单元，用于根据各所述参考三维点云数据中各所述坐标点的中值，更新所述参考三维点云数据中的各坐标点的坐标值，得到候选三维点云数据。

可选的，所述点云数据特征识别模块304，包括：

连通区域确定单元，用于对所述候选三维点云数据进行点云特征识别，确定至少一个连通区域；

零部件种类确定单元，用于根据各所述连通区域的区域形状、区域面积和区域位置，确定所述被测汽车零部件的零部件种类。

可选的，所述目标三维模型生成模块305，包括：

目标零部件模型确定单元，用于根据所述零部件种类，确定目标汽车零部件模型；

点云配准单元，用于采用所述目标汽车零部件模型，对所述候选三维点云数据进行点云配准，得到目标三维点云数据；

目标三维模型生成单元，用于根据所述目标三维点云数据，构建所述被测汽车零部件的目标三维模型。

可选的，所述装置还包括：

参考零部件特征确定模块，用于根据所述零部件种类，确定参考汽车零部件形状特征；

目标形状特征确定模块，用于对所述候选三维点云数据进行特征识别，确定所述被测汽车零部件的目标形状特征；

候选点云数据更新模块，用于根据所述目标形状特征和所述参考汽车零部件形状特征之间的特征相似度，更新所述候选三维点云数据。

本发明实施例所提供的汽车零部件的三维模型构建装置可执行本发明任意实施例所提供的汽车零部件的三维模型构建方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器(ROM)42、随机访问存储器(RAM)43等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序，来执行各种适当的动作和处理。在RAM 43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。

电子设备40中的多个部件连接至I/O接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理，例如汽车零部件的三维模型构建方法。

在一些实施例中，汽车零部件的三维模型构建方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元48。在一些实施例中，计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时，可以执行上文描述的汽车零部件的三维模型构建方法的一个或多个步骤。备选地，在其他实施例中，处理器41可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行汽车零部件的三维模型构建方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种汽车零部件的三维模型构建方法，其特征在于，包括：

获取被测汽车零部件的初始三维点云数据；

对所述初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据；

根据所述初始三维点云数据的数据特征，确定目标点云滤波方式，并基于所述目标点云滤波方式，对所述参考三维点云数据进行滤波处理，得到候选三维点云数据；

对所述候选三维点云数据进行点云特征识别，确定所述被测汽车零部件的零部件种类；

根据所述候选三维点云数据，基于所述零部件种类，构建所述被测汽车零部件的目标三维模型。

2.根据权利要求1所述的方法，其特征在于，所述对所述初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据，包括：

确定所述初始三维点云数据中各坐标点分别对应的相邻坐标点；

根据各所述坐标点与其对应的相邻坐标点之间的坐标点距离，确定各所述坐标点分别对应的局部密度值；

根据各所述坐标点分别对应的局部密度值，对所述初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据。

3.根据权利要求1所述的方法，其特征在于，所述根据所述初始三维点云数据的数据特征，确定目标点云滤波方式，并基于所述目标点云滤波方式，对所述参考三维点云数据进行滤波处理，得到候选三维点云数据，包括：

确定所述初始三维点云数据的噪声离群点分布类型；

若所述噪声离群点分布类型为分布随机型，则确定所述参考点云数据中各坐标点在预设邻域内的距离权重值；

根据所述参考三维点云数据中各所述坐标点的距离权重值，更新所述参考三维点云数据中的各坐标点的坐标值，得到候选三维点云数据。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

若所述噪声离群点分布类型为分布聚集型，则确定所述初始三维点云数据的点云特征，并根据所述点云特征，确定滑动窗口；

基于所述滑动窗口，确定所述参考三维点云数据中各坐标点的中值；

根据各所述参考三维点云数据中各所述坐标点的中值，更新所述参考三维点云数据中的各坐标点的坐标值，得到候选三维点云数据。

5.根据权利要求1所述的方法，其特征在于，所述对所述候选三维点云数据进行点云特征识别，确定所述被测汽车零部件的零部件种类，包括：

对所述候选三维点云数据进行点云特征识别，确定至少一个连通区域；

根据各所述连通区域的区域形状、区域面积和区域位置，确定所述被测汽车零部件的零部件种类。

6.根据权利要求1所述的方法，其特征在于，所述根据所述候选三维点云数据，基于所述零部件种类，构建所述被测汽车零部件的目标三维模型，包括：

根据所述零部件种类，确定目标汽车零部件模型；

采用所述目标汽车零部件模型，对所述候选三维点云数据进行点云配准，得到目标三维点云数据；

根据所述目标三维点云数据，构建所述被测汽车零部件的目标三维模型。

7.根据权利要求1所述的方法，其特征在于，在所述根据所述候选三维点云数据，基于所述零部件种类，构建所述被测汽车零部件的目标三维模型之前，还包括：

根据所述零部件种类，确定参考汽车零部件形状特征；

对所述候选三维点云数据进行特征识别，确定所述被测汽车零部件的目标形状特征；

根据所述目标形状特征和所述参考汽车零部件形状特征之间的特征相似度，更新所述候选三维点云数据。

8.一种汽车零部件的三维模型构建装置，其特征在于，包括：

初始点云数据获取模块，用于获取被测汽车零部件的初始三维点云数据；

点云数据过滤处理模块，用于对所述初始三维点云数据进行点云异常值过滤处理，得到参考三维点云数据；

点云数据滤波处理模块，用于根据所述初始三维点云数据的数据特征，确定目标点云滤波方式，并基于所述目标点云滤波方式，对所述参考三维点云数据进行滤波处理，得到候选三维点云数据；

点云数据特征识别模块，用于对所述候选三维点云数据进行点云特征识别，确定所述被测汽车零部件的零部件种类；

目标三维模型生成模块，用于根据所述候选三维点云数据，基于所述零部件种类，构建所述被测汽车零部件的目标三维模型。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的汽车零部件的三维模型构建方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的汽车零部件的三维模型构建方法。