[发明专利]点云数据K邻域搜索方法

说明书

技术领域

本发明属于计算机应用技术领域，具体地说，涉及一种扫描数据三维重建技术中的点云数据K邻域搜索方法。

背景技术

对点云数据进行三维重建，需要建立点云的邻域拓扑关系。K邻域广泛应用于海量数据点的三维重建中，能够在数据点中建立一定的邻域关系以加快搜索速度。

现有的K邻域搜索方法是：首先对点云数据集S={Pi}（i=1,2,...,n）进行分块，按照空间位置邻近的原则设定点Pi的近邻区域，然后在近邻区域中计算距离并排序，最后取距离Pi最近的K个点作为其K近邻。

由于要处理的点云在数量上往往是海量的，因此将其精确分块是非常耗时的，而要分块记录下来也需要复杂的数据结构，占用大量的存储空间。

发明内容

本发明提供了一种点云数据K邻域搜索方法，解决现有K邻域算法耗时长且占用内存空间的技术问题。

为解决上述技术问题，本发明采用以下技术方案予以实现：

提出一种点云数据K邻域搜索方法，包括：将点云数据中每个点分别从X、Y、Z三个方向进行升序排列，存入数组Px、Py和Pz中；取数组Px中的第i点，分别向前向后按照设定步长取样，若取样点的X方向与第i点的距离小于阈值d，则将其索引存入数组TemX中，并增加一次步长取样，直至取样点X方向距离与第i点的距离大于阈值d；取数组Py中的第j点，分别向前向后按照设定步长取样，若取样点的Y方向与第j点的距离小于阈值d，则将其索引存入数组TemY中，并增加一次步长取样，直至取样点Y方向距离与第j点的距离大于阈值d；取数组Pz中的第k点，分别向前向后按照设定步长取样，若取样点的Z方向与第k点的距离小于阈值d，则将其索引存入数组TemZ中，并增加一次步长取样，直至取样点Z方向距离与第k点的距离大于阈值d；基于TemX、TemY和TemZ中搜索点的交集确定搜索点集；计算搜索点与候选点之间的欧式空间距离，取距离最近的K个点组成所述候选点的K邻域;其中，数组Px中的第i点、数组Py中的第j点和数组Pz中的第k点对应为候选点P（i，j，k）。

进一步的，所述阈值d的取值为点云平均间距的4至5倍。

进一步的，在将点云数据中每个点分别从x、y、z三个方向进行升序排列之前，所述方法还包括：保存点云数据的索引值；和初始化点云数据的标识为初始值；则所述方法还包括：在确定X方向与第i点的距离小于阈值d的取样点后，将所述X方向与第i点的距离小于阈值d的取样点的标识值加1；在确定Y方向第j点的距离小于阈值d的取样点后，将所述Y方向与第j点的距离小于阈值d的取样点的标识值加1；在确定Z方向第k点的距离小于阈值d的取样点后，将所述Z方向与第k点的距离小于阈值d的取样点的标识值加1。

进一步的，所述初始值为0，则基于TemX、TemY和TemZ中索引的交集，确定搜索点，具体为：将标识值增大3的点确定为搜索点。

进一步的，在数组Px、数组Py和数组Pz中取样时，所述方法还包括：若第一次取样的点的个数小于设定步长，则将所有取样点的标识加1。

与现有技术相比，本发明的优点和技术效果是：

本发明实施例提出的点云数据K邻域搜索方法中，使用单坐标轴结合距离阈值d进行分步搜索的方法，在整体点云中限定一个候选点为中心，以边长为2倍的阈值d的立方体为限，在该立方体内沿X、Y、Z三个方向以设定步长依次向正负两个方向分段进行搜索，分别找到X、Y、Z三个方向所有距离候选点单坐标距离小于阈值d的点，在这些点中求X、Y、Z三个方向搜索结果的交集，确定搜索点，最后在这个搜索点交集中找出距离候选点的欧式空间距离最小的K个点，构成候选点的K邻域。该方法使用单坐标结合阈值进行分步搜索，方法简单直观，易于实现，能够减少参与计算欧式空间距离的点数，从而减少了计算量，提高了搜索速度，也节省了内存空间。

结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。

附图说明

图1为本发明实施例提出的点云数据K邻域搜索方法的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步详细地说明。

如图1所示，为本发明实施例提出的点云数据K邻域搜索方法的流程图，包括以下步骤：

步骤S11：将点云数据中每个点分别从X、Y、Z三个方向进行升序排列，存入数组Px、Py和Pz中。