[发明专利]一种特征保持的点云数据精简方法

说明书

技术领域

本发明涉及一种特征保持的点云数据精简方法，属于计算机三维建模技术领域。

背景技术

在逆向工程中，三维扫描仪作为一种主要的工具被广泛使用，利用它可以在获取模型的三维点云数据后，从而完成实物模型的重建。点云（point cloud）又可称作无组织数据集，数据点之间没有任何关系，它是单纯的三维点的集合，这些点由x,y,z坐标定义。当前通过扫描测量方法获得的点云数据是密集散乱数据，数据量极大，而且测点数据之间没有相应的、显式的几何拓扑关系。

传统的三维扫描仪为光学三维扫描仪，这种三维扫描仪比较适用于对小型物体进行三维精确建模，具有很高的扫描精度，价格相对低廉。获得的点集规模一般在十万级左右。相较而言，激光三维扫描仪的主要应用对城市、街道等大场景进行扫描，构建全景三维数据及模型，一般配合惯性导航、GPS定位系统等构成LIDAR扫描系统，获得的点集规模可以达到千万级甚至亿级。激光三维扫描仪获得的点云数据除包含数据点坐标外，通常还包含反射强度,法线方向等信息。

由于近些年来三维扫描技术的不断发展，获得的点云数据规模也日益庞大。存储、处理或显示这些数据都将消耗大量的时间和计算机资源，因此需要对点云数据进行精简。

点云精简的目的是通过特定的方法，降低原始点云的规模，同时在简化过程中尽量保持原始点云的拓扑结构和特征。目前已有点云数据精简方法按照是否构建点云数据的三角网格分为两大类：基于三角网格的点云精简方法和直接对点云进行精简的方法。其中直接对点云进行精简省去了三角网格化的操作，精简过程更为简单，时间复杂度也更低。传统直接对点云进行精简的方法包括：①随机采样法；②包围盒法；③均匀网格法；④曲率精简法等。

①随机采样法：是最简单且容易实现的方法，该方法每次产生一个不大于总点数的随机整数，并删除随机数对应的点，直到剩余点数满足指定的精简程度。这种方法精简速度最快但随机性大，精简效果差。

②包围盒法：首先对点云数据建立一个最小的立方体包围盒，之后将这个包围盒分割成大小相等的小立方体，将点云数据的每个点按照三维坐标归入到一个小立方体中。对每个小立方体找出其中最接近立方体中心的点，并移除立方体内的其余点。

③均匀网格法：是对包围盒法的改进。均匀网格法在将所有点归入到小立方体后，利用中值滤波计算立方体内Z坐标的中值点，并用该点代替立方体内所有点。

包围盒法和均匀网格法由于空间划分均匀，没有考虑到点云的局部特性，在点云密集区域和点云稀少区域采用相同的划分方法容易造成细节特征的丢失，使用于点云分布均匀且表面特征变化不大的点云数据。

总的来讲，随机采样法、包围盒法和均匀网格法都没有考虑到点云数据的局部特性，因此无法保留原始点云的细节特征。要在点云精简的同时尽量保持原始点云的细节信息，就需要获得点云在局部区域的弯曲程度等信息。目前，能够做到特征保持的点云精简算法主要是曲率精简法。

曲率精简法首先确定各个散乱点的k阶邻域和法线方向，通过邻近点拟合出局部区域的最小二乘曲面，通过曲面的曲率表示该点的弯曲程度。在曲率较高的地方保留较多点，曲率较低的平坦区域则保留较少点。

搜索k阶邻域即为搜索点集中每个点的最近k个点，当前大多采用八叉树的存储结构加快搜索速度。八叉树的定义是：若不为空树的话，树中任一节点的子节点恰好只会有八个或零个，也就是子节点不会有0与8以外的数目。八叉树是一种基于规则八分原则，采用递归分解方式形成的分层树型结构，是二维空间中的四叉树结构在三维立体空间中的拓展。常用的八叉树主要有：指针八叉树，线性八叉树等。八叉树的原理与数据结构中的二叉树、四叉树基本相同。

建立八叉树时，首先建立一个根节点，该节点表示能够包围所有点云数据的最小立方体的空间范围，之后将该空间平均分为8份，每一份对应一个子节点，按此规则一直分割到不再需要分割或达到规定的层次为止。八叉树中的每一个叶子节点代表一个空间最小划分，将点云中的所有点插入到对应的叶子节点中。

搜索某一点（用符号Pi表示）的k阶邻域时，只需在Pi所在的叶子节点和与该节点相邻的叶子节点中搜索最近的k个点即可，若这些叶子节点中的点云数不足k个，则向上一层搜索，直到找到k个最近节点。k的值由人为确定，k的取值为正整数，一般以6～10为宜。

三维激光扫描仪获取的点云数据，除包含空间坐标值外，通常还包含法向量及反射强度等信息。而普通光学扫描仪获取的点云数据，一般只包含空间坐标值，对于不包含法向量信息的点云数据需要在程序中计算点云的单位法向量。