[发明专利]一种用于点云数据处理的快速K近邻搜索方法

说明书

技术领域

本发明涉及模式识别和图像处理领域，尤其是对三维扫描数据集进行近邻搜索的技术，具体地说是一种用于点云数据处理的快速K近邻搜索方法。

背景技术

三维扫描能够直接得到物体表面的采样点信息，即点云数据，利用点云数据即可重构出任意曲面。这种方法不受曲面复杂度影响，只要表面采样密度足够，就可以得到很高的重构精度。因此，三维扫描及相关数据处理技术近些年发展十分迅速。

在硬件设备方面，已有较多的三维扫描设备广泛应用于机械加工、数字城市等领域。对于精度最高的台式扫描设备，其扫描精度可达十几微米，得到的点云密度超过人眼分辨率，能够同时使用三色激光扫描，直接得到真彩色点云数据。这种点云模型已经不需要进行网格化，但是模型数据量非常庞大。

在软件处理方面，各类CAD软件都陆续推出3D功能，3D地理信息系统是研究热点之一。美国最先进的数字城市平台已经成功建立了数字费城，并将推出适用于个人PC、PDA、车载、手机无线通信等不同平台的产品。点云数据处理技术是这些软件实现中的核心算法，其关键技术主要包括点云网格化、多视点云拼接、点云模型简化及多分辨率表示等。

在点云数据处理中，点云网格化和点云简化等都需要K近邻信息。由于K近邻反映散乱点云的重要局部拓扑关系，并且在表面重构前就要做K近邻搜索，因此，K近邻搜索的效率和准确性直接关系到点云建模的效率和准确性，是点云重构中的关键技术。

如图1所示，为某个点的6近邻点分布情况。近邻方法是统计模式识别中的常用方法，多用于分类决策中，即把原始数据最能反映分类本质的特征提取出来之后，在特征空间中用统计方法把被识别对象归为某一类别。

最常见的近邻分类法是最近邻分类法，直观来说，对于未知样本x，只要比较x与已知类别中所有样本的欧氏距离，并决策x与离它最近的样本同类。

K近邻分类法是最近邻分类法的改进，取未知样本x的K个近邻，看这K个近邻中多数属于哪一类，就把x归为哪一类。K近邻分类法的主要缺点是计算量大，所以模式识别中发明了很多方法来克服这个缺点，如近邻法的快速搜索法、剪辑近邻法和压缩近邻法等。这些方法有很多值得借鉴之处，但它们并不是针对点云数据提出的，在面对庞大的点云数据时，其运行效率较低。

通过三维扫描获得的点云数据量是极其庞大的，动辄几十万上百万个点。如果直接计算一个点到其它所有点的距离，再按照距离排序取前K个，在计算复杂度上显然是无法接受的。必须先对点云数据进行分块，按照邻近的原则设定一个点的近邻区域，在这个区域中计算距离并排序，得到其K近邻点。现有K近邻方法大多采用这个思路，但由于点云数据量十分庞大，将其精确地分块是一件很耗时间的工作，而要将这样的分块记录下来也需要使用很复杂的数据结构，并占用大量的存储空间。

从直观角度看，某个点的近邻的X、Y、Z坐标都应该和它比较接近。假设某点的第K个近邻点到它的距离为d，则前K个近邻点的每一个坐标和中心点相应坐标的差不能超过d。即近邻点的每一个坐标都处在中心点相应坐标的邻域内，当点分别按照X、Y、Z坐标排序后，用一个适当的距离阈值分别去取序列中位于中心点坐标前后的点，得到一个点的子集，这个子集必然包括了中心点的K近邻。只要在X、Y、Z的坐标序列中取某点附近的一定数量的点就可以保证该点的K近邻点都被取到了。然后只需把这些点到中心点的距离排序，取前K个即可。

如图2所示，相当于在整体点云中搜索到以中心点为中心，边长2×DISC的立方体内的点，然后在这个小范围内计算点到中心点的距离，取距离最近的K个点为K近邻。

参考文献提出一种基于单坐标轴排序的K近邻搜索方法，该方法的可调参数是一个坐标方向上某个中心点前后搜索点的个数M。M取值太大则计算量过大，M取值太小又不能保证取到全部近邻。由于不同的点云在规模和精度上差距比较大，因此该参数不太容易确定。另外该方法在三个坐标轴单方向搜索完成后，剩余需要计算空间距离的点数量仍然比较多。

发明内容

针对上述问题，本发明提出一种用于点云数据处理的快速K近邻搜索方法。由三维扫描获得点云数据时设定的角分辨率精度确定点云主体部分点的最小间距d_min，即取3-4倍d_min值作为中心点前后的搜索距离参数DISC。将角分辨率参数和K近邻搜索挂钩，方便根据不同规模和精度的点云数据调节参数DISC，从而提高方法的适应性。将可调参数与角分辨率精度关联，从而更加容易确定可调参数。

为了实现上述目的，本发明的技术方案思路、存储数据结构、方法实施步骤如下：