[发明专利]机载高密度激光点云的压缩方法、存储设备及激光雷达

说明书

本发明公开了机载高密度激光点云的压缩方法、存储设备及激光雷达，通过预设的索引方式将离散分布的点云数据建立空间索引；通过离散曲面的相关理论获取特定区域点云的空间分布特性，计算激光点云的局部曲面特征；根据具体应用所需的数据特征，提取并保留包含所述数据特征的一定数量的点云作为全局特征；在普遍适用的离散数据下采样算法中筛出匹配应用需求的压缩算法并改进，使其应用于密集点云数据的压缩；通过点云压缩算法评估，指导压缩算法的选择与设计。本发明通过采用高效的层次分割算法，使用保留边界点的策略对大量密集点云进行快速压缩，实现了保持地形特征的高密度三维激光点云数据的快速高效压缩。

技术领域

本发明涉及机载激光点云数据处理技术领域，具体涉及一种机载高密度激光点云的压缩方法、存储设备及激光雷达。

背景技术

随着激光雷达技术的发展，其获取的点云数据密度越来越大。

机载激光雷达（LiDAR）是一种主动式对地观测系统，它集成激光测距技术、计算机技术、惯性测量单元(IMU)/DGPS差分定位技术于一体，该技术在三维空间信息的实时获取方面产生了重大突破，为获取高时空分辨率地球空间信息提供了一种全新的技术手段，具有自动化程度高、受天气影响小、数据生产周期短、精度高等特点。但随着硬件获取技术的不断更新，采样点的精度不断提高（已经可以达到亚毫米级），采样点数据量也急剧增大，使用这些数据点来进行曲面重建及后续处理工作将会消耗大量的时间和空间。因此，在确保能为一定精度要求的模型重建提供必需信息的前提下，简化原始的点云数据变得十分必要。

点云数据是由物体表面三维采样点组成的点的集合，这种数据在空间上没有任何可用的拓扑信息，而对点云数据的各种处理一般都建立在数据点间的相互关系之上，所以在进行点云数据处理前都需要通过如空间栅格、八叉树、KD树等方法，建立点云数据之间的空间关系（如邻域关系）。在点云数据的局部曲面特征描述方面，已有点密度、离散度、法向量及曲率等离散点集指标，为点云的处理提供理论依据。当前可用的点云不均匀下采样方法有基于聚类的方法、迭代删除法和曲率采样法（粒子模拟法）等。通过对一般方法增加一些附加条件可以解决实际点云压缩问题，如保留边界的散乱点云简化方法、基于特征点约束的点云简化算法、及以局部采样密度、曲率和估计精度三者综合评价决定的简化方法等。

针对大范围，高密度的地形点云数据，聚类压缩方法能够快速的压缩密集点云数据并保持良好的精度。基于表面聚类的简化方法主要是通过某种划分方法在原数据集上产生多个子簇，对于每个子簇用一个或几个点来代替簇中所有的点，用这些代表点组成的集合作为简化后的点集。在聚类方式上可分为增量式的聚类和分层式的聚类。增量式聚类即区域增长法，是从原始点集中随机地取一个点作为起始点形成一类，并不断地将与其相邻的点加入到类中，直到满足条件完成该类，如此往复形成一个类群。分层式聚类即层次分割法，是一种自顶向下的数据分割法，通过不断地细分点云集合，直到每个分块满足终止条件才完成聚类，生成一个类群。但是这样的压缩方法比较复杂。

由于获取的点云数据密度大，现有技术无法对三维激光点云数据的进行高效压缩。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种机载高密度激光点云的压缩方法、存储设备及激光雷达，旨在通过采用高效的层次分割算法，使用保留边界点的策略对大量密集点云进行快速压缩，实现了保持地形特征的高密度三维激光点云数据的快速高效压缩。

本发明解决技术问题所采用的技术方案如下：

一种机载高密度激光点云的压缩方法，其中，包括以下步骤：

步骤A：通过预设的索引方式将离散分布的点云数据建立空间索引，用于快速访问与三维点或二维点的邻域点集；

步骤B：通过离散曲面的相关理论获取特定区域点云的空间分布特性，计算激光点云的局部曲面特征，用于判断所述特定区域内的点云数据是否需要进一步压缩；