[发明专利]大规模三维点云数据的高效邻域搜索方法

说明书

一种大规模三维点云数据邻域搜索处理方法，解决搜索效率低、减少硬件资源占用，方法是：1依据点集在三个坐标方向设置分层厚度,2确定点集在三个坐标方向上的布大小,3比较点集的大小，取最大值所在方向对点集进行分层，4根据分层厚度将点集分割为N_z个子集，5将层数沿两个方向个扩展一层，6确定给定点所在层数，建立给定点所在层及相邻三个空间的哈希表，7给定点在哈希表中的地址将点集中的点云数据分映射到哈希表，8利用三个哈希表对相应的点集内的所有点进行邻域搜索处理，9对点集内的所有点进行处理，10释放哈希表中的所有元素。有益效果为：消耗的资源减少、存储空间反复使用，资源使用率高，减小了哈希表数组的长度，提升了数据访问效率。

所属技术领域：

本发明属于数据处理领域，特别是一种大规模三维点云数据的高效邻域搜索方法。

背景技术

随着技术发展，大规模三维点云数据的应用越来越广泛，庞大的数据量使得三维点云的数据处理面临效率和存储空间等方面的严峻考验。三维点云数据的邻域搜索是法线计算、模型渲染、特征提取、数据精简、数据平滑及曲面重建等处理的基础。因此，大规模三维点云数据的邻域搜索问题对三维数据处理具有决定性的影响。

大规模三维点云数据往往具有形状复杂、密度不均、数据散乱的特点，如何建立大规模三维点云的空间拓扑结构并实现高效的邻域搜索，需要综合考虑效率与硬件存储空间等因素。建立大规模三维点云数据的空间拓扑结构，是根据给定点的坐标建立空间索引，利用索引将点的空间邻接关系搜索范围最小化，提高点云局部搜索效率。我们知道，点云的空间拓扑结构有K-D tree和哈希表等。其中哈希表的效率较高。然而，利用普通计算机建立针对大规模三维点云数据的哈希表往往超出其处理效率及硬件存储空间的极限，这表现在：

(1)哈希表的建立与点云的空间密度密切相关。随着点云空间密度的增大哈希表的总量呈几何级数增长，造成硬件资源的巨大消耗以及三维点云处理效率的急剧降低。

(2)哈希表的建立过程以点云整体作为对象，数量庞大的空间点占据了绝大部分资源，且作为点云的组成部分，已经建立索引的数据点在所有点的空间索引建立完成之前始终占据宝贵的存储空间，不能及时回收资源，而当前需要参与处理的数据点仅占很小的一部分，这造成资源的极大浪费，降低了处理效率和处理能力。

基于以上原因，建立大规模三维点云数据的空间拓扑结构实现高效的邻域搜索是点云数据处理的前提，能极大地提高大规模点云数据的应用领域。

发明内容

旨在提高大规模三维点云数据的邻域搜索速度并降低这一过程对硬件资源的消耗。

本发明通过高效的建立大规模三维点云数据的空间拓扑结构，实现点云邻域的高效搜索，同时降低计算过程中对硬件资源的消耗。本发明在方法上采用空间分层处理策略，将三维点云数据在某一方向上分割为多层点云，每层点云数据仅与前面一层及后面一层具有邻接关系。采用逐层处理的方式，依据当前待处理数据所在层数动态更新哈希表元素，即：建立当前需要处理的数据层后面一层的哈希表。保留当前以及前面一层的哈希表，释放不再参与处理的哈希表。

本发明为实现发明目的采用的技术方案是：大规模三维点云数据邻域搜索处理方法，该方法基于哈希表实现对大规模三维点云数据搜索处理，其特征在于：该方法由以下步骤实现：

步骤1.给定一组三维点集S＝{X_t＝(x_t,y_t,z_t)∈R³|t＝1,…,N}；

其中N为点的数量；