[发明专利]重叠点云融合方法

说明书

本发明公开了一种重叠点云融合方法，包括如下步骤：1)获取拼接后的点云数据，所述点云数据包含所有点的三维坐标数据；对单片点云进行标记；2)分别计算各片点云的点间距β，将各点标记为未融合点；3)对某一未融合点利用八叉树方法确定其邻近点集，当所包含未融合点的数量大于预设值时，该点属于重叠区，进行步骤4)；反之属于非重叠区，重新选点判断其是否属于重叠区；4)对重叠区域内点进行加权融合；5)重复步骤3)、4)直至所有重叠区域内点均已融合；6)将所有标记为未融合点和融合点的数据合并，输出单层点云数据。该方法能对千万级数量点云进行高效地融合，融合后的点云分布更加均匀，去除冗余数据，令重建的模型表面更加光顺。

技术领域

本发明涉及光学三维测量领域，具体涉及一种重叠点云融合方法。

背景技术

在光学测量领域中，通常需要对场景或目标进行点云采集，受限于采集设备的工作范围与景深限制，通常需要设备从多个视角进行反复定位采集，而后利用点云拼接技术将多帧点云变换到同一空间坐标系下，以还原整体场景或物体。

由于存在拼接误差，即使精确拼接的点云也不可避免的存在局部点云重叠现象，造成数据的大量冗余，而在利用这些数据重建网格模型时，将生成大量的冗余面片，且由重叠处生成的网格相对粗糙，造成视觉上的显著缺陷。因此，将多层点云融合成单层点云，对减少数据冗余，特征保持，三维重建阶段有着重要意义。

目前点云融合的方法主要采用基于空间体素的融合方法和基于聚类思想的点云融合方法。基于空间体素的融合方法，如TSDF(Truncated Signed Distance Functions)方法，需要将点云空间分割成细小立方体(Voxel)，细分程度与精度相关。对于精度要求较高，点云空间分布较大的应用场景时，将消耗大量的内存资源，目前该方法仅适用于低精度需求的点云融合及三维场景快速重建。基于聚类思想的点云融合方法，该方法需要同时输入点云及法向。利用聚类的方式定位重叠区域，利用最小二乘法将重叠区域的点集投影至拟合平面，选择重叠区域点和法向构成的直线与拟合平面的交点作为融合后的点数据。当数据量较大时，聚类过程和拟合过程将十分耗时，融合效率低。

发明内容

为了解决上述技术问题，本发明提供一种重叠点云融合方法，能够对千万级数量点云进行高效地融合，融合后的点云分布更加均匀，去除冗余数据，令重建的模型表面更加光顺。

为此，本发明的技术方案如下：

一种重叠点云融合方法，包括如下步骤：

1)获取拼接后的点云数据，所述点云数据包含所有点的三维坐标数据；对单片点云进行标记，该标记具有唯一性；

2)计算点云中所有点与邻近点之间的点间距，后取平均值作为此片点云的点间距β，将点云数据中各点的融合状态标记为未融合点；

3)对某一未融合点，基于八叉树所确定的拓扑关系，采用八叉树的固定半径搜索方法确定其邻近点，将该点的所有邻近点组成的集合标记为邻近点集；计算所述邻近点集内包含未融合点的数量，当所述未融合点的数量大于预设值时，该邻近点集所对应的点属于重叠区，进行步骤4)；反之属于非重叠区，重新选点，利用本步骤方法确定其是否属于重叠区，直至筛选出属于重叠区的新选点；

4)利用如下步骤对重叠区内的点进行融合；

①对重叠区域内点的邻近点集进行统计，获知该邻近点集内未融合点标记，该标记为所述邻近点集内某一点所在点云的标记；再统计邻近点集内属于不同点云的点的数量；

②计算邻近点集内不同点的权重，所述权重为：在邻近点集内与该点在同一片点云下点的数量占所述邻近点集内点的总数的比值；

③将所述邻近点集内所有未融合点与权重的积求和，作为融合后的新点；将新点和所述邻近点集内所有点标记为融合点；

5)重复步骤3)、4)直至所有重叠区域内点均已融合；