基于点的重要性的三维点云简化方法研究

• 作 者: 季春阳
• 出 处: 吉林大学
• 发表日期: 2020年08期
• 关键词: 三维点云简化 点云特征保留 点的重要性 邻域搜索方法 分治思想

随着计算机视觉的飞速发展,人们对三维信息采集的要求越来越高,三维点云扫描技术不断突破,高精度的数据采集仪器不断出现。随之而来的问题是高精度高密度的点云数据集必然存在大量冗余点,造成资源浪费,增加计算开销,对后续进行点云处理也有一定影响。因此,三维点云数据简化是非常有必要的,它不仅可以节省计算机资源,还可以提高后续点云处理速度。现有的点云简化算法从形式上可以分为两类,基于网格的点云简化和基于点的点云简化。然而无论哪一种形式的点云简化算法,都存在一定缺陷。基于网格的简化算法需要生成数量较多的网格,计算成本高,开销大,会花费大量时间空间。而基于点的简化算法虽然占用资源较少,但是在简化过程中容易丢失原始点云数据集的细节特征。此外,大规模的简化势必造成点云特征的遗失,而特征的高度保留势必造成简化率的降低。因此,在点云简化的过程中,如何在保留原始点云数据特征的前提下,尽可能多地删减冗余点是研究学者们多年来一直研究的热点和难点。并且,对于不同的点云数据集,简化算法应该具有灵活性,以适应不同的简化要求。本文对三维点云数据简化方法进行了系统研究,针对三维点云数据冗余的问题,提出了基于点的重要性的三维点云简化方法,其主要创新点包括以下三个方面:(1)针对传统邻域搜索方法使用固定搜索顺序具有较大局限性的问题,提出了基于距离及密度的k邻域搜索方法,以确保搜索到的邻域点是最接近样点的邻域点。(2)针对点云简化过程中特征遗失的问题,提出了基于点的重要性的特征保留方法。根据点云的几何特征,给出四个特征算子,从多个角度评估点的重要性,进而对整体点云数据集进行特征点的筛选,以保留原始点云数据集的细节特征。(3)针对非特征点简化不彻底的问题,提出了基于八叉树的非特征点简化方法。对于非特征点集,构建八叉树,对每一个八叉树叶子节点中的点进行高度简化,以确保点云的简化率。本文在四个点云数据集上进行实验,其中包括两个特征信息较少的数据集兔子数据集和马匹数据集,以及两个特征信息较多的数据集石像鬼数据集和大象数据集,简化后的点云数据能够保留原始点云数据的绝大部分特征信息,重建结果误差较小。此外,将本算法与几种传统的简化算法进行了对比,实验证明,本文算法具有较好的简化结果,并且更适用于简化具有大量特征的点云数据集。点云简化是本文的研究重点,本文采用分而治之的思想,分别处理特征点与非特征点,通过点的几何特性筛选保留特征点,同时对非特征点采取均匀简化的方法,在保留原始点云模型特征的前提下,确保点云数据集的简化率达到一定标准。此外,本文算法参数取值可以根据具体实验要求以及点云类型进行拟定,算法具有较强的灵活性。