机车走行部的状态监测和故障诊断是机务段日常检修的重点,是减少机车走行部故障导致重大事故的有力保障。机车走行部的图像检测仍以人工目视检查为主,受到检修人员的工作状态,工作经验,心理素质等主观因素影响,同时也受到光照、油污、拍摄角度等客观因素的影响。随着三维扫描技术日趋成熟,研究基于物体表面缺陷和三维形貌测量技术的机车在线检测系统具有十分重要的现实意义。然而,三维模型需要大量的数据才能表示出原始数据格式,不仅增加了表面重建的难度,而且还降低了模型三维重建等后续的处理。本文研究的目标是如何从数据较大、噪声信息较多的散乱点云中提取出可靠的关键点来表征整个三维物体模型的信息,并通过关键点的分布来进行机车走行部点云数据的精简。1.由于通过三维激光扫描仪获取得到机车轴承盖点云数据为散乱点云,杂乱且庞大,点与点之间无明显的几何拓扑关系,结合目标点云数据的自身特点,本文采用K-D树来建立被测数据的几何关系,利用层次聚类在空间域对点云进行全局聚类,从而为点云模型建立适合的几何拓扑关系,提高后续精简效率。2.针对传统关键点检测算法对噪声敏感以及依赖于物体模型的形状特征等问题,本文设计了一种基于正态加权的多尺度关键点提取算法。通过引入局部曲面的正态加权形状索引值,来描述邻域的曲面变化信息并且度量各三维点的相异性,对噪声数据进行了一定程度上的平滑,使得算法受噪声影响较小。实验结果表明,相对于其他关键点提取算法,本文方法降低了算法对噪声的敏感度,提高了人机交互的效率,同时也提高了对平面区域的关键点的检测能力。3.激光三维扫描设备采集的点云数据密度高、数据量大,包含有过多的冗余信息,并且精简的效果直接影响到后续的曲面重构质量。针对传统的基于k-means算法的点云精简算法聚类中心选取的随机性,从而导致聚类结果不稳定的现象,本文研究了一种基于层次聚类的自适应k-means三维点云精简算法。该算法运用离差平方和来度量各聚类簇的相似性进行聚类合并,设置层次聚类的最大聚类个数作为聚类截止条件来建立建立自下而上的层次聚类树,使用层次聚类的非空叶子结点的数目和聚类质心来作为三维点云的自适应k-means聚类的依据。对传统的k-means方法在初始化聚类质心的选择选择上做了一定的改进。并对k-means聚类再次细分,得到细分的点云块后,将其映射到高斯球上,进行均值漂移聚类,最终用重心来代表聚类簇的点云,进而得到精简后的点云。相比于传统的k-means算法和随机采样法法,该方法输出后的样本分布取决于特征点的密度分布,因此对特征较平滑的区域,保留较少的点,在特征比较复杂的区域,保留较多的点,极大提高了算法的精度。