[发明专利]一种基于分叉数量自动估计的点云骨架线提取方法及系统

说明书

本发明公开了一种基于分叉数量自动估计的点云骨架线提取方法及系统。包括：S1，获取点云数据，基于KD－Tree结构构造所述点云数据的K近邻图；S2，获取K近邻图的测地距离，根据K近邻图的测地距离将所有K近邻图中的点云划分为k个水平集；S3，利用分叉数量自动估计算法自动将每个水平集内的点云划分为不同分支，获取每个分支的质心，将质心作为骨架点；S4，连接所有骨架点获得骨架线。在树木点云存在噪声时，数据分布不均匀或者数据存在少量缺失时，可得到居中性良好的骨架线；使用了基于KD－Tree的点云结构来加速寻找点云点，明显提高了骨架提取的速度，加快了树木点云骨架提取的速度；优化骨架线使骨架线的居中性。

技术领域

本发明涉及点云骨架线提取技术领域，特别是涉及一种基于分叉数量自动估计的点云骨架线提取方法及系统。

背景技术

现有技术中，通常对物体外表进行扫描获得大量点云，基于点云提取骨架线，并利用骨架线进行模型重建，如人体骨骼重建、人体血管重建以及树木重建等，模型重建的精度依赖于骨架线提取精度。由于人体骨骼、血管和树木等结构复杂存在着复杂分叉，通常需要预先设置分叉数量之后再进行骨架提取，无法实现自动化估计分叉数量，并且提取出高质量的骨架目前还面临着许多的困难。

以树木骨架提取为例，由于目前大多数原始树木点云大都是使用激光扫描仪扫描得到的点云数据，而这些数据大多数都不是完美的，都存在着一些不足，激光扫描的点云大多数是密度不均匀，存在噪声点与离群点，此外，大多数树木点云往往由于树冠等的遮挡，树木本身的形态，复杂的几何结构，扫描不完整，导致点云数据缺失严重，这些问题给树木点云的骨架提取带来了很大的挑战，特别是要从点云数据中准确提取分叉十分困难。

目前点云骨架的提取方法主要有聚类、图论、拉普拉斯算子等常用的方法。聚类主要是把距离相同或者相近的点云聚集在一起，然后以聚类点中心作为树木的骨架点，例如水平集就是聚类的一种，使用水平集的方法提取出了部分骨架模型较为正确的点云骨架，但是该方法对点云密度很敏感，对于点云过于稀疏的情况，该方法不能比较好解决。图论方法提取骨架，保留了原始点云的数据特征，但是对于比较复杂的模型，该方法效果不佳。拉普拉斯算子虽然从理论上来讲可以得到良好的骨架点，但是随着点云数量增加，算法的复杂度也在不断的增加，因此不适合点云数量过大的情况。现有方法均无法实现点云存在噪声、数据分布不均匀、数据存在缺失、以及结构复杂时自动准确识别分叉，进而无法快速准确提取骨架线。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于分叉数量自动估计的点云骨架线提取方法及系统。

为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种基于分叉数量自动估计的点云骨架线提取方法，包括：步骤S1，获取点云数据，基于KD－Tree结构构造所述点云数据的K近邻图；步骤S2，获取K近邻图的测地距离，根据K近邻图的测地距离将所有K近邻图中的点云划分为k个水平集，所述k为正整数；步骤S3，利用分叉数量自动估计算法自动将每个水平集内的点云划分为不同分支，获取每个分支的质心，将所述质心作为骨架点；步骤S4，连接步骤S3中获得的所有骨架点获得骨架线。

上述技术方案：采用KD－Tree结构能够加速构建点云数据的K近邻图和骨架点提取速度，进一步建立出水平集，每个水平集中可能存在多个树木分支，本申请采用分叉数量自动估计算法自动估计和划分出每个水平集内的分支，无需预设分支数量，能够应用在分支复杂场景中，在不同分支点云中提取出骨架点，连接骨架点获得骨架线。