兵马俑第三次发掘出土陶俑、车马等各类文物共计310余件(组),然而这些文物中几乎没有一件是完整的,面对发掘出土的如此多的碎片,人工复原需要漫长的时间才能完成。虽然使用现代三维扫描技术和虚拟现实技术能够完成文物碎片的虚拟复原,但现有技术仍存在以下四个问题:1.没有实现对具有无序性的三维文物点云模型有效统一的表示,使得点云文物模型无法直接进行深度学习等自动化和智能化操作;2.由于扫描环境和扫描仪器的限制,通过激光扫描仪获得的文物碎片存在孔洞,模型不完整;3.待匹配断裂面的提取依赖于手工标注或者特征驱动,没有实现基于数据驱动的断裂面自动识别;4.现有的碎片配准算法都是根据个人经验领域知识设计特征描述符,依靠传统几何特征驱动完成碎片匹配,没有实现自动化特征提取和碎片配准。本文针对以上问题,首先对点云数据进行更深层次的表达与分析,然后对扫描得到的碎片孔洞进行修复,通过提取断裂面对碎片进行拼接。具体研究内容如下:(1)提出一种基于八叉树和三维K-D树混合索引的点云文物数据表示方法该方法首先进行无组织点云模型的体素转换,在体素空间对三维模型进行八叉树剖分,改进八叉树编码方式;然后构建节点间的邻接关系,在GPU端并行构建八叉树;最后为了克服八叉树编码检索效率低的问题,采用三维K-D树索引单个三维空间点云。OctKD的点云模型表示方法,能够真实反映模型本身的细节特征,加速点云模型的构造,提高了点云的检索效率,实现将点云转换为卷积神经网络可以接收数据形式。(2)提出一种基于变分水平集的文物碎片复杂孔洞修复方法将孔洞识别问题转化为隐式曲面的演化过程,通过卷积和合成两个交替的步骤进行体素扩散完成孔洞修补。该算法与已有算法相比,保留了模型本身的细节特征,同时能够有效恢复出孔洞的原有细节特征;解决了复杂孔洞修复的自相交现象,并且能够修复岛状孔洞;算法不仅适用于点云数据,而且特别适用于点云规模达到百万级的点云模型的孔洞修复。(3)提出一种基于语义分割的文物碎片断裂面提取方法建立了一种端到端的、数据驱动的、多层次的卷积神经网络,用于碎片断裂面提取与标记。首先将点云数据转换为卷积神经网络可以接收的输入形式;然后利用神经网络学习训练数据集中文物碎片的上下文特征对碎片进行分割;其次在网络中加入全连接条件随机场对分割交界处进一步细化,最后通过全连接层分类器预测断裂面并进行标注。该方法实现分割不依赖于任何人为设计的特征,而是通过深度学习网络和数据驱动学习数据集中文物特征来自动进行语义分割和标注。算法使用测试数据进行评估时,比现有的算法在分割精度上取得显著的改进,分割精度达到89%,高于当前主流的文物碎片分割方法,同时实现碎片断裂面自动语义标记。(4)提出一种基于特征提取的文物碎片拼接方法通过卷积神经网络在数据集上学习待配准断裂面的全局和局部特征,为点云模型提供多特征匹配。首先使用卷积神经网络提取模型的全局特征,通过分类器在全局特征中标记待匹配的关键点;然后通过卷积神经网络独立学习每个最佳邻域的局部特征,根据关键点的局部特征,寻找两个待匹配碎片的对应关系。该匹配方法解决了碎片全局特征差异大但相互匹配的问题。实验结果表明通过神经网络学习全局特征获取的关键点比手动标注或者自适应方法获得的关键点更有效,同时基于局部特征获得的匹配点对的有效性和准确度比现有主流算法高。通过剔除离群点和加权邻接矩阵,保证粗配准的初始值足够精确,配准误差相对于已有配准方法大大降低。