买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京信息工程大学申请的专利一种三角网模型精度评估方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120747389B 。

龙图腾网通过国家知识产权局官网在2025-10-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511275474.1，技术领域涉及：G06T17/00；该发明授权一种三角网模型精度评估方法是由游子吟;臧玉府设计研发完成，并于2025-09-08向国家知识产权局提交的专利申请。

本一种三角网模型精度评估方法在说明书摘要公布了：本发明提供了一种三角网模型精度评估方法，包括：步骤1，采用均匀采样法对建模后的待评估三角网模型重采样出待评估点云数据；步骤2，对待评估点云数据，构建各点的多维度几何特征集，识别特征显著区域；步骤3，根据待评估点云中各点的重要性，进一步自适应动态调整局部采样点密度；步骤4，提取采样后点云数据的几何特征，构建几何特征感知的高斯混合模型，以实现高精度的点云配准；步骤5，对配准后的点云依据多维特征识别异常点；步骤6，构建精度评估指数。本发明的评估指数能够灵活地适应多维特征的变化，结合几何特征、拓扑特征和密度分布特征，实现了对点云模型的全面评估。

本发明授权一种三角网模型精度评估方法在权利要求书中公布了：1.一种三角网模型精度评估方法，其特征在于，包括以下步骤： 步骤1，采用均匀采样法对建模后的待评估三角网模型重采样出待评估点云数据； 步骤2，对待评估点云数据，构建各点的多维度几何特征集，识别特征显著区域； 步骤3，根据待评估点云中各点的重要性，进一步自适应动态调整局部采样点密度； 步骤4，提取采样后点云数据的几何特征，构建几何特征感知的高斯混合模型，以实现高精度的点云配准； 步骤4中，通过构建几何特征感知的高斯混合模型实现点云配准，以真值点云作为源点云，以重采样后的待评估点云作为目标点云，以目标点云的每个点视为一个高斯分布的中心，作为点集Y，原点云的点作为点集X；N和M分别为点集X中的点云数量和点集Y中的点云数量；D为点集X和点集Y的维度； 高斯混合模型的概率密度函数为： 6， 其中v表示点集X中的一个点；；其中表示方差；exp表示自然指数函数；表示点v在整个高斯混合分布下出现的概率密度值； pv|m表示用第m个高斯分布对v进行概率建模，反映v属于第m个高斯分布的可能性； 表示第m个高斯分量的均值向量； 引入一个均匀分布，描述噪声和异常值；其中N表示点集X中的点数； 均匀分布的权重表示为，，考虑噪声和异常值后的高斯混合模型为： 7， 似然函数的负对数形式公式为： 8， 其中表示似然函数的负对数形式； 表示空间刚性变换的参数； 表示高斯分布的协方差； 通过最小化，找到参数和协方差σ2，使得点集X最可能由变换后的源点云Y生成； 用期望最大化算法迭代求解：计算目标点云经过坐标变换后坐标位置的曲率特征，计算源点云经过坐标变换后坐标位置的曲率特征，在E步计算中，对每个点根据给定的参数计算引入曲率差的后验概率密度： 9， 其中，归一化常数；表示对第m个高斯分量的均值向量进行参数下的坐标变换；表示目标点云中的第n个点的空间坐标； 接着进行M步，通过最小化完全负对数函数找到新的参数： 10， 其中，中间参数；表示高斯混合模型点云配准中的目标函数衡量在给定参数和协方差下，源点云与目标点云之间的匹配程度； 将高斯混合模型的质心变换定义为：R表示旋转矩阵，t表示平移向量，s表示尺度因子； 目标函数进一步写为： 11， 其中表示点云配准中基于高斯混合模型的目标函数； 通过奇异值分解，得到参数： 12， 13， 14， 15， 其中C是协方差矩阵；A是加权相关矩阵，；dP为P的对角矩阵，P是概率矩阵；tr表示矩阵的迹； 是目标点云Y的加权质心，； ；表示点集X的加权质心； 是源点云的点集矩阵，；是点集X的加权质心； 是目标点云的点集矩阵，；T表示矩阵转置，P表示后验概率密度的集合；所有点对匹配概率的总和；U、V分别为左奇异向量构成的酉矩阵和右奇异向量构成的酉矩阵；；其中表示计算矩阵的行列式值； 然后利用得到的旋转矩阵R、平移向量t、尺度因子s和协方差，对原始点云进行变换，得到配准后的点云； 步骤5，对配准后的点云依据多维特征识别异常点； 步骤6，构建精度评估指数； 步骤6中，通过建立一个三维标记矩阵[a,b,c]，用于标记每个被识别为异常的点云，矩阵中的每个位置对应一种特定的异常类型：a位置表示几何异常；b位置表示拓扑一致性异常；c位置表示密度分布异常； 同时建立赋值规则：如果点云存在一种类型的异常，则对应位置赋值为1；如果点云不存在异常，则对应位置赋值为0； 建立两个约束条件，作为评估建模精度的基础：根据三维标记矩阵中非零元素的数量，对异常点进行分级： 一级空间特征集：矩阵中只有一个非零元素，即|a,b,c|[1,1,1]^T=1，表示点云仅在一个方面存在异常； 二级空间特征集：矩阵中有两个非零元素，即|a,b,c|[1,1,1]^T=2，表示点云在两个方面存在异常； 三级空间特征集：矩阵中有三个非零元素，即|a,b,c|[1,1,1]^T=3，表示点云在三个方面均存在异常； 建立两个约束条件来评估建模精度： 条件一：如果一级和二级空间特征集的总数占所有特征集的比例超过阈值，则判定建模精度不合格； 条件二：如果三级空间特征集占所有特征集的比例超过阈值，则判定建模精度不合格； 步骤6中，在满足两个约束条件下构建精度评估指数TOW： 16， 其中，、、和分别表示归一化的距离标准差、归一化的曲率标准差，归一化的法向量标准差、归一化的密度标准差计，计算公式分别为，，，，其中，、、和分别是原始的距离、曲率、法向量和密度标准差，、、和分别是、、和的最大可能值；为空间区分数量；为提出异常点后的有效采样点；为距离异常点数；为曲率或法向量异常点数；为密度异常点数；W1,W2是权重系数，满足W1+W2=1。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京信息工程大学，其通讯地址为：210044 江苏省南京市江北新区宁六路219号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。