[发明专利]基于特征保留的散乱点云压缩算法

说明书

技术领域

本发明涉及测绘学、计算数学、计算机图形学及视觉技术领域的一种海量点云数据快速配准方法，具体为一种基于特征保留的散乱点云压缩算法，在虚拟现实、数字城市、古建筑保护、点云数据处理、3D重建领域具有重要的应用价值。

背景技术

逆向工程中，一般的激光测量设备可以从产品表面轻易获取数十万甚至数百万的高密度测量数据，然而，利用点云数据进行曲面重构、三角网格构造或评价被测曲面的误差，一般都不需要过密的数据点，海量数据不仅使得数据的显示、存储消耗大量的时间和计算机资源，加大系统的负荷，而且大大降低了后续处理的效率。因此，点云数据的压缩已成为三维模型重建一个必不可少的预处理过程，数据压缩的效果对于提高网格模型生成、特征提取效率以及后续三维模型的重建具有重要的意义。而点云数据的压缩，必须在保持被测物体几何特征的前提下，根据物体的几何特征，对测量数据点云进行精简，在提高计算速度、减少存储空间的同时突出模型特征。为了适应不同点云数据同时又能满足模型的信息保真性要求，本发明提出一种基于特征保留的散乱点云压缩算法。

点云数据的形式主要分为有序点云和散乱点云，有序点云数据点与点之间具有拓扑关系和一定的信息量，所以压缩相对简单，有效的方法很多，如均匀取样法、最小距离法、弦高偏移法。而散乱点云的处理比较困难，点与点间无序无规律，适用有序点云的数据压缩方法不能直接用于无序的点云数据，效果也不太理想。目前比较常用的方法有：基于平均点距值法、包围盒法、均匀网格法、非均匀网格法和曲率估算法等。

在实际应用中，散乱点云代表性较强，因此本发明主要针对散乱点云数据。

发明内容

本发明针对散乱点云提出一种改进的基于特征保留的散乱点云压缩算法，以期能够到达在保留特征的同时实现算法的高效。

为了实现上述目的，本发明的技术方案如下：一种基于特征保留的散乱点云压缩算法，包括以下步骤：

步骤一：从点集中取一点利用分块技术搜索其K近邻域，建立点云拓扑关系；

步骤二：根据点K近邻域，计算点云的法矢量、曲率，并调整法矢方向，使之具有一致性；

步骤三：根据曲率，取出符合要求的特征点予以保留；

步骤四：以八叉树理论为基础，按照精简原则，在保证物体特征的前提下精简点云。

其中，步骤一中所述搜索点                                               近邻域的分块技术，为根据所有散乱点坐标的最小和最大值，计算最大包围立方体包围所有点云数据；然后根据点云的数量和分布将最大立方体分割成个子立方体，子立方体边长设为并对每个立方体按照一定的顺序编号，则对点云中的任一点，其所在子立方体为：，其中i、j、k分别表示为该点在立方体的方向立方体栅格的索引号，完成分块后，确定值，根据需搜索邻域的点的坐标，求得其对应子立方体编号以及相邻的26个子立方体编号，在这27个子立方体内部搜索，找到距离最近的个近邻点，若点数不够，则将子立方体向外扩展，继续搜索，若仍达不到要求，则认为该点为噪声点，继续搜索下一点，直到所有的点搜索完毕。

步骤二中，利用点云拓扑关系即其近邻域以及最小二乘法计算点法矢及曲率，法矢平面方程采用，曲率估算采用抛物面拟合法，设抛物面方程为：，对被搜索点P及其邻域内的点进行最小抛物面拟合，求出系数a,b,c,则P的高斯曲率K和平均曲率H分别为：重复进行，直到求出所有点的高斯曲率和平均曲率。

步骤三中，采取固定检测率的方式，即用户设置检测率，将所有点曲率排序，将符合检测率要求的点给予保留。

步骤四中，所述精简原则为，当某一网格内点集的法矢标准偏差大于指定阀值，则对其进行细分保留更多的点，将该网格等分成八份，保留更多的细节信息。

本发明利用点云分块技术提高散乱点邻域的搜索效率，并计算点法矢、曲率等，根据精简准则保留特征点，最后以八叉树理论为基础，不断细化网格，直至最小网格达到要求，取最小网格中具有代表性的一个点，删除其它点，最终完成数据的精简。因此本发明的优点在于利用分块技术提高了邻域搜索的效率，并在保留对象特征的基础上完成数据精简。本发明的压缩算法可以用于测绘、计算机图像及真三维模型重建等各领域，具有较高的可信度，压缩效果较好，应用前景广。

附图说明

图1为分块法近邻域搜索流程图。

图2为基于特征保留的散乱点云压缩算法流程图。

图3 为鸟模型原始数据。

图4为本算法的鸟模型最终压缩效果。

图5为头像模型点云数据。