[发明专利]一种基于动态网格k邻域搜索的激光点云精简方法

说明书

本发明涉及一种基于动态网格k邻域搜索的激光点云精简方法，该方法首先由点云数据点的k邻域计算点的曲率、点与邻域点法向夹角平均值、点与邻域点的平均距离，然后利用上述三个参数定义特征判别参数和特征阈值，比较大小，对特征点进行提取保留，最后利用包围盒法对非特征点进行二次精简，将精简后的点云与特征点拼接，最终得到精简后的点云数据。与现有技术相比，本发明方法可高精度的保留模型几何特征，避免空白区域的产生，有效提高了计算效率，具有很好的实用价值。

技术领域

本发明涉及一种激光点云数据重建实物三维模型的方法，尤其是涉及一种基于动态网格k邻域搜索的激光点云精简方法。

背景技术

现有的三维激光扫描仪获取到的点云数据含有丰富的细节特征，数据量庞大，其中包含大量的冗余数据点，若不进行必要的数据精简预处理，则会严重影响模型重建过程的效率，过密的数据点也会影响目标曲面重构的光滑性，甚至会由于存在噪声点而无法实现模型重建。因此在保留模型特征的前提下对点云数据进行精简处理是十分重要且具有实际意义的工作。

近年来，对散乱点云的精简方法主要分为两类：基于三角网格模型的点云精简方法和直接基于数据点的点云精简方法。

基于三角网格模型的点云精简方法需要先对点云数据进行三角剖分处理，建立其相应的三角网格拓扑结构，然后再对该三角网格进行处理，从而达到点云数据精简的目的。该方法过程比较复杂，需要消耗大量的计算机系统资源，并且该方法的抗噪能力较弱，对含有噪声的点云数据，构造的三角网格可能会出现变形等情况，精简后的点云模型与原始模型可能大不相同。

直接基于点云数据的精简方法依据点云数据点之间的空间位置关系来建立点云的拓扑连接关系，并根据建立的拓扑连接关系计算点云数据中每个数据点的几何特征信息，最后根据这些特征信息来对点云数据进行点云精简处理。相比基于三角网格的点云精简方法，直接基于点云数据点的精简方法由于无需计算和存储复杂的三角网格结构，使得其精简的效率相对较高，同时避免了三角网格可能会出现变形的情况，成为点云精简方法的主流。

直接基于点云数据的精简方法中，建立空间点云数据中点与点之间的拓扑连接关系，需要构建数据点的k邻域。建立k邻域最直接简单的方法是查找点云数据中指定点除外的每个点并计算欧氏距离，取距离最近的k个点，显然这是一种效率较低的方法。目前散乱点云的k近邻搜索常用的方法有空间栅格法、八叉树法和k-d tree法。空间栅格法算法简单运行速度快，但不适用于非均匀点云数据。八叉树法一般采用递归的数据结构，将非叶子节点再次划分为八个子节点，大量消耗了计算机的内存空间。而改进的自适应性八叉树虽然通过一次精简减少了存储消耗，但依然存在相邻节点之间需要编号使得过程繁琐等问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于动态网格k邻域搜索的激光点云精简方法。

本发明的目的可以通过以下技术方案来实现：

一种基于动态网格k邻域搜索的激光点云精简方法，该方法包括以下步骤：

(一)构建动态约束网格，获取点云数据点的k邻域点；

101)扩展一定边长的立方体范围，并能根据实际情况改变边长的大小，以此获取一个动态约束网格；

102)在扩展的立方体范围内，求出此范围内点集的点数m；

103)当点数m的值为αk≤m≤βk时，在该点集内搜索k邻域点，当m≤αk时，将边长的取值增大，扩大网格的约束范围，回到步骤102)，当m≥βk时，将边长的取值减小，缩小网格的约束范围，回到步骤102)，其中，α和β为调节系数。

(二)利用PCA方法对点云数据点的k邻域点进行协方差分析，估算点云数据点的法向量，在法向量估算的基础上进行点云数据点的曲率估算。

(三)计算点云数据点与邻域点法向夹角平均值及平均距离；