[发明专利]一种三维无序点云数据处理方法、系统及设备

说明书

本发明属于计算机视觉与数字图像处理领域，具体涉及了一种三维无序点云数据处理方法、系统及装置。本发明的方法包括对三维无序点云数据集进行预处理得到预处理三维无序点云数据集；将预处理三维无序点云数据集中的每个点云转换成球体点云；建立每个球体点云的空间坐标数据和深度值数据；根据中心投影规则将每个球体点云投影在多个角度的投影平面上；根据每个球体点云的空间坐标数据以及预设坐标转换规则计算每个球体点云在每个投影平面中的像素坐标数据。利用该像素坐标数据就可以代替三维无序点云数据进行三维重建。本发明能够防止点云信息丢失，且能够保留深度信息。

技术领域

本发明属于计算机视觉与数字图像处理技术领域，具体涉及了一种三维无序点云数据处理方法、系统及设备。

背景技术

点云是三维数据的一种重要且常用的表示方式，也是立体视觉最基本的数据格式之一。由于观测的对象被记录为一系列表面点的空间坐标，密集存储的点云数据无法直接记录各点的邻域信息。空间距离接近的点在内存中的地址可能相差很远。由此导致的无序性使得点云数据处理难度大于传统二维图像。

目前解决点云无序性的方法有四种，第一种方法是模拟二维图像中的像素点，将点云转化为空间三维体素，该方法以高度的存储稀疏性为代价，虽然保留了空间点的邻域信息，避免了无序性，但对存储空间的要求较高。

第二种方法是利用点云数据中各点相对位置关系对原始点云数据中的点重新排序，但这种方法获得的数据只适用于快速检索等应用，并不能有效表征点云的空间结构，对识别、测量、分割等后续处理的价值有限。

第三种方法是利用对称函数，只要点云数据中包含的点信息不变，无论点的排序如何变化，对称函数总能从中提取到相同的信息。例如，深度网络pointnet利用对称函数max-pooling，在对点云数据中所有点进行一系列同样运算后，获得运算结果中的最大值，在点云分类上取得了良好的效果。但深度学习类方法对样本量要求较高，且计算过程所具有的不可解释和不可操作性限制了其在工业领域的应用。

第四种方法，是将三维点云数据投影成多幅二维深度图，通过不同角度下投影的二维深度图像表征三维点云特征，这种方法可以有效的获取点云特征。其中，现有技术中一般通过基于点云到投影平面的距离进行高斯插值来生成二维深度图，但这个方法只适合于一些小面积无重叠的点云，不适合于包含不同深度结构的点云，因此需要通过双边滤波插值的方法，过滤那些离投影平面最远的点云，以适用于一些有重叠的点云，但是这样就会导致点云信息丢失过多。

发明内容

为了解决现有技术中的上述问题，即信息丢失过多的问题，本发明提供了一种三维无序点云数据处理方法、系统及设备。

本发明的第一方面，提出了一种三维无序点云数据处理方法，所述方法包括：

对三维无序点云数据集进行预处理得到预处理三维无序点云数据集；

将所述预处理三维无序点云数据集中的每个点云转换成球体点云；

建立每个所述球体点云的空间坐标数据和深度值数据；

根据中心投影规则将每个所述球体点云投影在多个角度的投影平面上；

根据每个所述球体点云的空间坐标数据以及预设坐标转换规则计算每个所述球体点云在每个投影平面中的像素坐标数据。

可选地，所述对三维无序点云数据集进行预处理得到预处理三维无序点云数据集包括：

消除三维无序点云数据集中的噪音点；

将去噪后的三维无序点云数据集进行归一化处理得到预处理三维无序点云数据集。

可选地，所述消除三维无序点云数据集中的噪音点包括：

确定三维无序点云数据集中每个点云及其临近的多个点云的原始坐标数据；