CN103701466A - 基于特征保留的散乱点云压缩算法 - Google Patents

Abstract

本发明公开了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。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。

Description

基于特征保留的散乱点云压缩算法

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***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。

图6为仅利用八叉树方法头像模型压缩效果。

图7为头像模型特征约束点。

图8为头像模型最终压缩效果。

图9为后视镜简化效果。

具体实施方式

下面结合附图和实例对本发明进一步说明。

1 方法概述

算法针对散乱点云，提出一种基于特征保留的点云压缩算法，以期能够到达在保留特征的同时实现算法的高效。首先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。图2给出了整个点云压缩算法的流程图。

2 近邻域的搜索

对数据点进行压缩，需知道某点的矢量特征，比如法矢和曲率等，而这些特征的计算需要已知此点的近邻域，通过邻近点的分布情况反映曲面在该点处的形状信息。这里采用

近邻域搜索方法，即对于被搜索点

，在整个点云中遍历查找每个点，通过计算所有点到

的距离确定距离点

最近的

个点，显然这种方法效率很低，若原始点云数据集点数为

，则搜索完所有点的邻近点集需要计算

数量级次点间距。因此，

近邻域方法的关键问题是如何高效的确定点的近邻域点，提高算法效率。

针对这一问题，本发明采用点云分块的方法来搜索点的近邻域。首先，根据所有散乱点

坐标的最小和最大值X_min，Y_min和Z_min和X_max，Y_max和Z_max，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，

的大小根据点云数据的大小密度自由选择，一般取

﹥3，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。

分块实现后效果如图1所示；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，若点数仍不足K，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。图1给出分块法近邻域搜索流程。

3特征点约束

数据压缩之前首先要对采样点进行特征点强制约束，这里采用***自动提取与少量交互相结合的方法进行。特征点的强制约束针对一个个单独的点进行判断，虽然约束点未形成较为规则连续的线、面等，点的提取也无精度要求，但对于点云的简化来说已经能够满足要求。本发明重点研究高曲率区域的强制特征点提取，并根据点的几何属性曲率来判断其是否为特征约束点。通过曲率估算实现特征点云的保留主要包括以下三步：（1）点云拓扑关系的建立；（2）估算点云邻域内的曲率；（3）按照一定的原则，保留特征点。

（1）点云拓扑关系的建立

散乱无序点云中拓扑关系的建立实际就是

近邻域的确定。

（2）估算点云邻域内的曲率

曲率估算需首先计算点法矢向量，本发明采用平面公式

及最小二乘法估算法矢，曲率估算采用稳定性较好的抛物面拟合法，设抛物面方程为：

对焦点P及其邻域内的点进行最小抛物面拟合，求出系数

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，上述估算法矢量，、曲率的方法以及法矢方向调整为现有技术，在此不再赘述。

（3）按照原则压缩点云

计算得到所有点云数据的平均曲率值，并对其进行从大到小排序，根据用户设定的检测率计算需保留特征点的个数N（即点云数据的个数*用户设定的=N），则取前N个点认为是特征点，给予保留。

4 基于八叉树的点云缩减

用八叉树来表示三维形体，既可以看成是四叉树方法在三维空间的推广，也可以认为是用三维体素阵列表示形体方法的一种改进。

利用八叉树数据结构对点云数据按照一定的规则进行精简。依据对网格内点集的法向一致性的要求，利用网格内点集平均法矢与各点的法矢标准偏差大小作为网格是否再分的条件，不断细化网格，网格法矢标准偏差由下式可得：

其中

，

为网格内所有点的三个坐标分量平均值，

，

是每个点的点法矢。首先确定八叉树根节点，计算细分后每个格网法矢标准偏差，并与设定的标准偏差阈值进行比较，若网格内法矢标准偏差大于给定阈值，则对其继续细分，直到格网内的标准偏差小于阈值或只剩下少于3个点时，细分结束。最后选出每个网格中与平均法矢相差最小的点，删除其余点，得到压缩后的点云。图2给出了整个压缩算法的流程。

5 实验算例

实验点云数据来自自采集扫描数据以及互联网。首先以自采集的鸟雕塑点云数据为对象进行实验，利用VC++6.0实现上述算法，并采用Coin3D库显示点云数据。图3为鸟模型原始数据，图4为本算法压缩效果。从压缩前后两幅图的点云效果图可以看出，基于特征保留的八叉树压缩算法在曲率变化较大的地方保留了较多的模型特征，验证了基于特征保留的八叉树压缩算法的可行性。表1给出了压缩结果。

表1鸟模型点云简化效果

	特征约束法
		原始点数	331487
简化后点数	120440
		压缩率	36%

为了验证特征约束对于模型简化的必要性，针对头像点云数据进行了算法测试，表2给出压缩结果，图5、图6、图7和图8给出了压缩效果。其中，图5为原始点集，12773个点，为互联网下载所得；图6显示效果为八叉树压缩所得，压缩率为22%，可以看到，采样点分布较为均匀，简化率虽然很高，但重要特征被淡化了；图7为特征点约束结果图，特征检测率设置为18%，其突出了主要的几何特征（如人的五官），同时保证了平坦区域的剧烈简化；图8为本发明算法所得效果，尽管简化率低于图6，但也达到了40%，能够基本满足压缩的要求，而且保留了目标的主要特征。

表2头像点云简化效果对比

	特征约束法	仅八叉树压缩	特征约束点
				原始点数	12773	12773	12773
简化后点数	5131	2785	2346
				压缩率	40%	22%	18%

图9给出了后视镜点云模型的本发明算法效果图。

实例表明，本发明的简化结果较好地保留了目标特征，在高曲率处保留更多点，降低简化带来的信息损失，能有效抑制简化导致的形状细节和工程信息的缺失，简化后的点云能准确反映原始点云的整体形状，压缩率能满足要求。

本发明提出的点云压缩算法的特征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。

上述实验结果和基于特征保留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。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换和替换都应涵盖在本发明的范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一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。

2.根据权利要求1所述的算法，其特征在于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。

3.根据权利要求1所述的算法，其特征在于步骤二中，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。

4.根据权利要求1所述的算法，其特征在于步骤三中，采取固定检测率的方式，即用户设置检测率，将所有点按曲率排序，将符合检测率要求的点给予保留。

5.根据权利要求1所述的算法，其特征在于步骤四中，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。

6.根据权利要求5所述的算法，其特征在于网格法矢标准偏差由下式可得：

其中

，

为网格内所有点的三个坐标分量平均值，

，

是每个点的点法矢。

Images