欢迎关注更多精彩
关注我,学习常用算法与数据结构,一题多解,降维打击。
本期话题:切比雪夫(最小区域法)圆柱拟合算法
相关背景和理论
点击前往
主要介绍了应用背景和如何转化成线性规划问题
圆柱拟合输入和输出要求
输入
- 10到631个点,全部采样自圆柱附近。
- 每个点3个坐标,坐标精确到小数点后面20位。
- 坐标单位是mm, 范围[-500mm, 500mm]。
输出
- 1点X0表示 圆柱中心轴上1点,用三个坐标表示。
- 法向A代表圆柱中心轴法向, 需要单位化。
- 圆柱半径r。
- 圆柱度F,所有点到圆柱距离最大的2倍。
精度要求
- X0点圆柱中轴距离不能超过0.0001mm。
- 法向A与标准法向夹角不能超过0.0000001rad。
- 圆柱半径r与标准半径不能超过0.0001mm。
- F与标准圆柱度误差不能超过0.00001mm。
圆柱优化标函数
根据论文,圆柱拟合转化成数学表示如下:
圆柱参数化表示
- 圆柱中心轴上1点X0 = (x0, y0, z0)。
- 法向A=(a,b,c)。
- 半径r。
圆柱方程 u 2 + v 2 + w 2 a 2 + b 2 + c 2 = r 2 u i = c ( y − y 0 ) − b ( z − z 0 ) v i = a ( z − z 0 ) − c ( x − x 0 ) w i = b ( x − x 0 ) − a ( y − y 0 ) 圆柱方程\begin {array}{l}\frac {u^2+v^2+w^2} {a^2+b^2+c^2}=r^2 \\ u_i =c(y-y_0)-b(z-z_0)\\ v_i=a(z-z_0)-c(x-x_0)\\ w_i=b(x-x_0)-a(y-y_0)\ \end {array} 圆柱方程a2+b2+c2u2+v2+w2=r2ui=c(y−y0)−b(z−z0)vi=a(z−z0)−c(x−x0)wi=b(x−x0)−a(y−y0)
优化能量方程
第i个点 pi(xi, yi, zi)。
距离函数
d i = r i − r d_i = r_i-r di=ri−r
r i = u 2 + v 2 + w 2 a 2 + b 2 + c 2 u i = c ( y − y 0 ) − b ( z − z 0 ) v i = a ( z − z 0 ) − c ( x − x 0 ) w i = b ( x − x 0 ) − a ( y − y 0 ) \begin {array}{l}r_i = \sqrt{\frac {u^2+v^2+w^2} {a^2+b^2+c^2}} \\ u_i =c(y-y_0)-b(z-z_0)\\ v_i=a(z-z_0)-c(x-x_0)\\ w_i=b(x-x_0)-a(y-y_0) \end {array} ri=a2+b2+c2u2+v2+w2ui=c(y−y0)−b(z−z0)vi=a(z−z0)−c(x−x0)wi=b(x−x0)−a(y−y0)
能量方程 H = f ( X 0 , A , r ) = max 1 n ∣ d i ∣ H=f(X0, A,r)=\displaystyle \max_1^n {|d_i|} H=f(X0,A,r)=1maxn∣di∣
X0, A,r是未知量,拟合过程也可以理解为优化X0, A,r使得方程H最小。
用4个数表示中轴直线
如果直接拿6个参数表示直线去做迭代,1是比较麻烦,会出现比较难解的方向,2是法向长度不固定,结果不唯一。
当直线与Z轴偏差比较小的时候可以使用4个参数来表示直线。
如上图,绿线为Z轴,橙色线为XOY平面。
由于法向与Z轴比较相近,可以设法向为(a, b, 1), a,b 是比较小的量。
规定直线上1点需要在以(a, b, 1)为法向,过0点的平面上。
则有 ax0+by0 + z0=0, 只要知道x0, y0 可知 z0 = -ax0-by0。
转化为线性规划(法向与Z轴接近)
设 a = ( x 0 , y 0 , A a , A b , r ) , d i = F ( x i ; a ) , 引入 Γ = M A X i = 1 n ∣ d i ∣ 设a=(x_0, y_0, A_a, A_b,r), d_i=F(x_i;\ a), 引入\Gamma=\overset n{\underset {i=1}{MAX}}\;|d_i| 设a=(x0,y0,Aa,Ab,r),di=F(xi; a),引入Γ=i=1MAXn∣di∣
根据上述定义,可以将原来的最值问题转化为下述条件
对于所有点应该满足
F ( x i ; a ) ≤ Γ , ( F ( x i ; a ) > 0 ) F(x_i;\ a)\le \Gamma, (F(x_i;\ a)>0) F(xi; a)≤Γ,(F(xi; a)>0)
− F ( x i ; a ) ≤ Γ , ( F ( x i ; a ) < 0 ) -F(x_i;\ a)\le \Gamma, (F(x_i;\ a)<0) −F(xi; a)≤Γ,(F(xi; a)<0)
我们可以通过小量迭代慢慢减小Γ
m a x Δ Γ s . t . F ( x i , a ) + J Δ a ≤ Γ − Δ Γ , ( i = 1 , 2... n ) − ( F ( x i , a ) + J Δ a ) ≤ Γ − Δ Γ , ( i = 1 , 2... n ) Δ Γ ≥ 0 \begin {array}{c}max \ \ \ \ \Delta {\Gamma}\\ s.t.\ \ \ F(x_i, a) + J\Delta a \le \Gamma -\Delta \Gamma, (i=1,2...n)\\ \ \ \ \ \ \ \ \ \ -(F(x_i, a) + J\Delta a) \le \Gamma -\Delta \Gamma, (i=1,2...n)\\ \Delta \Gamma \ge0\end{array} max ΔΓs.t. F(xi,a)+JΔa≤Γ−ΔΓ,(i=1,2...n) −(F(xi,a)+JΔa)≤Γ−ΔΓ,(i=1,2...n)ΔΓ≥0
上述条件不需要管
F
(
x
i
,
a
)
+
J
Δ
a
正负情况,若
F
(
x
i
,
a
)
+
J
Δ
a
为正
−
(
F
(
x
i
,
a
)
+
J
Δ
a
)
≤
Γ
−
Δ
Γ
必成立,反之亦然。
上述条件不需要管F(x_i, a) + J\Delta a正负情况,若F(x_i, a) + J\Delta a为正-(F(x_i, a) + J\Delta a) \le \Gamma -\Delta \Gamma必成立,反之亦然。
上述条件不需要管F(xi,a)+JΔa正负情况,若F(xi,a)+JΔa为正−(F(xi,a)+JΔa)≤Γ−ΔΓ必成立,反之亦然。
求解出以后更新a, Γ。
对线性规划模型标准化
需要对 Δ x 0 , Δ y 0 , Δ A a , Δ A b , Δ r 拆解,要求变量都要大于等于 0 需要对\Delta x_0, \Delta y_0, \Delta A_a, \Delta A_b,\Delta r 拆解,要求变量都要大于等于0 需要对Δx0,Δy0,ΔAa,ΔAb,Δr拆解,要求变量都要大于等于0
m a x Δ Γ s . t . J i ⋅ [ Δ x 0 + - Δ x 0 - Δ y 0 + - Δ y 0 - Δ A a + - Δ A a - Δ A b + − Δ A b − Δ r + - Δ r - ] + Δ Γ ≤ Γ - d i , ( i = 1 , 2... n ) − J i ⋅ [ Δ x 0 + - Δ x 0 - Δ y 0 + - Δ y 0 - Δ A a + - Δ A a - Δ A b + − Δ A b − Δ r + - Δ r - ] + Δ Γ ≤ Γ + d i , ( i = 1 , 2... n ) Δ x 0 + , Δ x 0 − , Δ y 0 + , Δ y 0 − , Δ A a + , Δ A a − , Δ A b + , Δ A b − , Δ r + , Δ r − , Δ Γ ≥ 0 ( 1 ) \begin {array}{c}max \ \ \ \ \Delta {\Gamma}\\ s.t.\ \ \ J_i \cdot \begin {bmatrix} \Delta x_0^+-\Delta x_0^-\\ \Delta y_0^+-\Delta y_0^-\\ \Delta A_a^+-\Delta A_a^-\\ \Delta A_b^+- \Delta A_b^- \\ \Delta r^+-\Delta r^-\end{bmatrix} +\Delta \Gamma\le \Gamma-d_i, (i=1,2...n)\\\\ \ \ \ \ \ \ -J_i \cdot \begin {bmatrix} \Delta x_0^+-\Delta x_0^-\\ \Delta y_0^+-\Delta y_0^-\\ \Delta A_a^+-\Delta A_a^-\\ \Delta A_b^+- \Delta A_b^- \\ \Delta r^+-\Delta r^-\end{bmatrix}+\Delta \Gamma\le \Gamma+d_i, (i=1,2...n)\\ \Delta x_0^+, \Delta x_0^-, \Delta y_0^+, \Delta y_0^-, \Delta A_a^+, \Delta A_a^-, \Delta A_b^+, \Delta A_b^-,\Delta r^+, \Delta r^-, \Delta \Gamma \ge0\end{array} (1) max ΔΓs.t. Ji⋅ Δx0+-Δx0-Δy0+-Δy0-ΔAa+-ΔAa-ΔAb+−ΔAb−Δr+-Δr- +ΔΓ≤Γ-di,(i=1,2...n) −Ji⋅ Δx0+-Δx0-Δy0+-Δy0-ΔAa+-ΔAa-ΔAb+−ΔAb−Δr+-Δr- +ΔΓ≤Γ+di,(i=1,2...n)Δx0+,Δx0−,Δy0+,Δy0−,ΔAa+,ΔAa−,ΔAb+,ΔAb−,Δr+,Δr−,ΔΓ≥0(1)
算法描述
法向与Z轴重合时
x
0
=
0
,
y
0
=
0
,
z
0
=
0
,
a
=
0
,
b
=
0
,
c
=
1
x_0=0, y_0=0, z_0=0, a=0,b =0, c=1
x0=0,y0=0,z0=0,a=0,b=0,c=1
r i = ( x i 2 + y i 2 ) \begin {array}{l}r_i=\sqrt{(x_i^2+y_i^2)}\end {array} ri=(xi2+yi2)
J, D的计算。
5个未知分别对d_i求导结果如下:
回顾一下
u i = c ( y i − y 0 ) − b ( z i − z 0 ) v i = a ( z i − z 0 ) − c ( x i − x 0 ) w i = b ( x i − x 0 ) − a ( y i − y 0 ) \begin {array}{l}u_i =c(y_i-y_0)-b(z_i-z_0)\\ v_i=a(z_i-z_0)-c(x_i-x_0)\\ w_i=b(x_i-x_0)-a(y_i-y_0)\end {array} ui=c(yi−y0)−b(zi−z0)vi=a(zi−z0)−c(xi−x0)wi=b(xi−x0)−a(yi−y0)
∂ d i ∂ x 0 = u i 2 + v i 2 + w i 2 − r ∂ x 0 = ( x i − x 0 ) 2 ∂ x 0 2 u i 2 + v i 2 + w i 2 = − x i x i 2 + y i 2 \frac {\partial d_i} {\partial x_0}=\frac {\sqrt{u_i^2+v_i^2+w_i^2}-r} {\partial x_0} \\ =\frac {\frac {(x_i-x_0)^2}{\partial x_0}}{2\sqrt{u_i^2+v_i^2+w_i^2}}\\ =\frac {-x_i}{\sqrt{x_i^2+y_i^2}} ∂x0∂di=∂x0ui2+vi2+wi2−r=2ui2+vi2+wi2∂x0(xi−x0)2=xi2+yi2−xi
∂ d i ∂ y 0 = u i 2 + v i 2 + w i 2 − r ∂ y 0 = ( y i − y 0 ) 2 ∂ y 0 2 u i 2 + v i 2 + w i 2 = − y i x i 2 + y i 2 \frac {\partial d_i} {\partial y_0}=\frac {\sqrt{u_i^2+v_i^2+w_i^2}-r} {\partial y_0} \\ =\frac {\frac {(y_i-y_0)^2}{\partial y_0}}{2\sqrt{u_i^2+v_i^2+w_i^2}}\\ =\frac {-y_i}{\sqrt{x_i^2+y_i^2}} ∂y0∂di=∂y0ui2+vi2+wi2−r=2ui2+vi2+wi2∂y0(yi−y0)2=xi2+yi2−yi
∂ d i ∂ a = u i 2 + v i 2 + w i 2 − r ∂ a = [ a ( z i − z 0 ) − c ( x i − x 0 ) ] 2 ∂ a 2 u i 2 + v i 2 + w i 2 = − x i z i x i 2 + y i 2 \frac {\partial d_i} {\partial a}=\frac {\sqrt{u_i^2+v_i^2+w_i^2}-r} {\partial a}\\ =\frac {\frac {[a(z_i-z_0)-c(x_i-x_0)]^2}{\partial a}}{2\sqrt{u_i^2+v_i^2+w_i^2}}\\ =\frac {-x_iz_i}{\sqrt{x_i^2+y_i^2}} ∂a∂di=∂aui2+vi2+wi2−r=2ui2+vi2+wi2∂a[a(zi−z0)−c(xi−x0)]2=xi2+yi2−xizi
∂ d i ∂ b = u i 2 + v i 2 + w i 2 − r ∂ b = [ c ( y i − y 0 ) − b ( z i − z 0 ) ] 2 ∂ b 2 u i 2 + v i 2 + w i 2 = − y i z i x i 2 + y i 2 \frac {\partial d_i} {\partial b}=\frac {\sqrt{u_i^2+v_i^2+w_i^2}-r} {\partial b}\\ =\frac {\frac {[c(y_i-y_0)-b(z_i-z_0)]^2}{\partial b}}{2\sqrt{u_i^2+v_i^2+w_i^2}}\\ =\frac {-y_iz_i}{\sqrt{x_i^2+y_i^2}} ∂b∂di=∂bui2+vi2+wi2−r=2ui2+vi2+wi2∂b[c(yi−y0)−b(zi−z0)]2=xi2+yi2−yizi
∂ d i ∂ r = u i 2 + v i 2 + w i 2 − r ∂ r = − 1 \frac {\partial d_i} {\partial r}=\frac {\sqrt{u_i^2+v_i^2+w_i^2}-r} {\partial r} = -1 ∂r∂di=∂rui2+vi2+wi2−r=−1
一次迭代过程
-
确定圆柱初值,Γ, 高斯拟合圆柱确定初值点击前往
-
根据上述公式(1)构建线性规划方程
-
求解 Δ p \Delta p Δp
-
更新解
[ x 0 y 0 z 0 ] = [ x 0 y 0 z 0 ] + U T ⋅ [ p x 0 p y 0 − p a p x 0 − p b p y 0 ] [ a b c ] = U T ⋅ [ p a p b 1 ] . n o r m a l i z e ( ) r = r + p r Γ = Γ − Δ Γ \begin {array}{l} \\ \begin {bmatrix}x_0 \\ y_0 \\ z_0 \end {bmatrix} = \begin {bmatrix}x_0 \\ y_0 \\ z_0 \end {bmatrix} + U^T \cdot \begin{bmatrix}p_{x_0} \\ p_{y_0}\\ -p_ap_{x_0}-p_bp_{y_0}\end {bmatrix} \\ \\\begin {bmatrix}a \\ b \\ c \end {bmatrix} = U^T \cdot \begin{bmatrix}p_a \\ p_b \\ 1 \end {bmatrix}.normalize() \\\\ r=r+p_r \\\\ \Gamma = \Gamma-\Delta \Gamma \end {array} x0y0z0 = x0y0z0 +UT⋅ px0py0−papx0−pbpy0 abc =UT⋅ papb1 .normalize()r=r+prΓ=Γ−ΔΓ -
重复2直到收敛
最后,输出时F=2*Γ
代码实现
代码链接:https://gitcode.com/chenbb1989/3DAlgorithm/blob/master/CBB3DAlgorithm/Fitting/chebyshev/CylinderFitter.cpp
拟合代码
#include "CylinderFitter.h"
#include "../gauss/CylinderFitter.h"
#include <corecrt_math_defines.h>
#include <Eigen/Dense>
#include<iostream>
namespace Chebyshev {
double CylinderFitter::F(Fitting::Cylinder cylinder, const Point& p)
{
double di = (p - cylinder.center).cross(cylinder.orient).norm() - cylinder.r;
return di;
}
double CylinderFitter::GetError(Fitting::Cylinder cylinder, const std::vector<Eigen::Vector3d>& points)
{
double err = 0;
for (auto& p : points) {
err = std::max(err, abs(F(cylinder, p)));
}
return err;
}
Fitting::Matrix CylinderFitter::Jacobi(const std::vector<Eigen::Vector3d>& points)
{
int n = points.size();
Fitting::Matrix J(n, 5);
for (int i = 0; i < n; ++i) {
auto& p = points[i];
double ri = Eigen::Vector2d(p.x(), p.y()).norm();
//di求导
J(i, 0) = -p.x() / ri;
J(i, 1) = -p.y() / ri;
J(i, 2) = -p.x() * p.z() / ri;
J(i, 3) = -p.y() * p.z() / ri;
J(i, 4) = -1;
}
return J;
}
void CylinderFitter::beforHook(const std::vector<Eigen::Vector3d>& points)
{
U = Fitting::getRotationByOrient(cylinder.orient);
for (int i = 0; i < points.size(); ++i) {
transPoints[i] = U * (points[i] - cylinder.center);
}
}
void CylinderFitter::afterHook(const Eigen::VectorXd& xp)
{
cylinder.center += U.transpose() * Eigen::Vector3d(xp(0), xp(1), -xp(2)*xp(0)-xp(3)*xp(1));
cylinder.orient = U.transpose() * Eigen::Vector3d(xp(2), xp(3), 1).normalized();
cylinder.r += xp(4);
gamma -= xp(5);
}
Eigen::VectorXd CylinderFitter::getDArray(const std::vector<Eigen::Vector3d>& points)
{
int n = points.size();
Eigen::VectorXd D(points.size());
for (int i = 0; i < points.size(); ++i) D(i) = Eigen::Vector2d(points[i].x(), points[i].y()).norm() - cylinder.r;
return D;
}
bool CylinderFitter::GetInitFit(const std::vector<Eigen::Vector3d>& points)
{
if (points.size() < 5)return false;
Fitting::FittingBase* fb = new Gauss::CylinderFitter();
fb->Fitting(points, &cylinder);
delete fb;
gamma = GetError(points);
return true;
}
double CylinderFitter::F(const Eigen::Vector3d& p)
{
return Chebyshev::CylinderFitter::F(cylinder, p);
}
double CylinderFitter::GetError(const std::vector<Eigen::Vector3d>& points)
{
return Chebyshev::CylinderFitter::GetError(cylinder, points);
}
void CylinderFitter::Copy(void* ele)
{
memcpy(ele, &cylinder, sizeof(Fitting::Cylinder));
}
CylinderFitter::CylinderFitter()
{
ft = Fitting::FittingType::CHEBYSHEV;
}
}
测试结果
https://gitcode.com/chenbb1989/3DAlgorithm/blob/master/CBB3DAlgorithm/Fitting/chebyshev/chebyshev-testdata/officialtest/fitting_result/result.txt
C37 : CYLINDER : pass
C38 : CYLINDER : pass
C39 : CYLINDER : pass
C40 : CYLINDER : pass
C41 : CYLINDER : pass
C42 : CYLINDER : pass
C43 : CYLINDER : pass
C44 : CYLINDER : pass
C45 : CYLINDER : pass
C46 : CYLINDER : pass
C47 : CYLINDER : pass
C48 : CYLINDER : pass
C49 : CYLINDER : pass
C50 : CYLINDER : pass
本人码农,希望通过自己的分享,让大家更容易学懂计算机知识。创作不易,帮忙点击公众号的链接。