[发明专利]一种非结构化点云存储方法、装置、设备及介质

说明书

本发明公开了一种非结构化点云存储方法、装置、设备及介质，方法包括：获取点云数据的几何边界；根据所述点云数据的几何边界，确定八叉树的分割深度以及所述八叉树的细粒度大小；根据所述分割深度和所述细粒度大小，构建八叉树，所述八叉树用于存储所述点云数据的节点信息；根据所述点云数据构建k‑d树，所述k‑d树用于存储所述点云数据的索引信息和节点坐标信息；将所述k‑d树的地址信息存放到所述八叉树的树叶节点中，确定所述k‑d树与所述八叉树之间的唯一联系信息；根据所述k‑d树以及所述八叉树，对所述点云数据进行存储。本发明提高了查找效率，并提高了点云压缩效率，可广泛应用于点云数据处理技术领域。

技术领域

本发明涉及点云数据处理技术领域，尤其是一种非结构化点云存储方法、装置、设备及介质。

背景技术

目前三维点云数据的表示方法可以分为结构化点云和非结构化点云两大类。结构化点云一般采用多边形网格(Mesh)来进行表示，将三维场景的表面抽象为面片的集合，包含了顶点列表和点之间的连接信息，表征了物体表面的几何信息和拓扑关系，同时可以涵盖三维物体的属性信息，例如每个点的颜色信息、网格的法线、反射系数等。非结构化点云由一组独立的三维点组成。每个点包括几何信息和纹理信息，几何信息表征了点在三维空间的位置，纹理信息则包含许多属性，如颜色、反射系数、表面法向量等，各个点之间没有特定的先后顺序或空间连接关系。

树状结构是目前广泛使用的一种点云数据层次划分方式。常见的树状结构有八叉树、k-d树等。

八叉树算法的算法实现简单，但对于大量Cat1和Cat3数据，其使用比较困难的是最小粒度(叶节点)的确定，粒度较大时，有的节点数据量可能仍比较大，后续查询效率仍比较低，反之，粒度较小，八叉树的深度增加，需要的内存空间也比较大(每个非叶子节点需要八个指针)，效率也降低。而等分的划分依据，使得在数据重心有偏斜的情况下，受划分深度限制，其效率不是太高。

k-d树在邻域查找上比较有优势，但对于大量Cat1和Cat3数据，若划分粒度较小时，建树的开销也较大，但比八叉树灵活些。在小数据量的情况下，其搜索效率比较高，但在数据量增大的情况下，其效率会有一定的下降，一般是线性上升的规律。

发明内容

有鉴于此，本发明实施例提供一种非结构化点云存储方法、装置、设备及介质，以提高查找效率，并提高点云压缩效率。

本发明的一方面提供了一种非结构化点云存储方法，包括：

获取点云数据的几何边界；

根据所述点云数据的几何边界，确定八叉树的分割深度以及所述八叉树的细粒度大小；

根据所述分割深度和所述细粒度大小，构建八叉树，所述八叉树用于存储所述点云数据的节点信息；

根据所述点云数据构建k-d树，所述k-d树用于存储所述点云数据的索引信息和节点坐标信息；

将所述k-d树的地址信息存放到所述八叉树的树叶节点中，确定所述k-d树与所述八叉树之间的唯一联系信息；

根据所述k-d树以及所述八叉树，对所述点云数据进行存储。

可选地，所述根据所述分割深度和所述细粒度大小，构建八叉树，包括：

确定所述点云数据的场景最大尺寸，根据所述场景最大尺寸构建第一立方体；

将所述点云数据中的单位元元素存入所述第一立方体；

将所述第一立方体逐次分割成八个子立方体，直至分割次数达到所述分割深度，完成所述八叉树的构建。

可选地，所述根据所述分割深度和所述细粒度大小，构建八叉树，还包括：

当子立方体所分配到的单位元元素数量与对应的父立方体一样时，停止该子立方体的分割操作。