[發明專利]機載高密度激光點云的壓縮方法、存儲設備及激光雷達

有效

• 申請號: 201710312405.2
• 申請日: 2017-05-05
• 公開（公告）號: CN107292935B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 王雙龍;宋軍;楊嘯宇;朱家松;汪馳升
• 申請（專利權）人: 深圳市建設綜合勘察設計院有限公司
• 主分類號: G06T9/00
• 分類號: G06T9/00;G06T15/00;G01S17/02;G01S7/48
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 王永文;劉文求

1.一種機載高密度激光點云的壓縮方法，其特征在于，包括以下步驟：

步驟A：通過預設的索引方式將離散分布的點云數據建立空間索引，用于快速訪問與三維點或二維點的鄰域點集；

步驟B：通過離散曲面的相關理論獲取特定區域點云的空間分布特性，計算激光點云的局部曲面特征，用于判斷所述特定區域內的點云數據是否需要進一步壓縮；

步驟C：根據具體應用所需的數據特征，提取并保留包含所述數據特征的一定數量的點云作為全局特征，所述全局特征用于先驗知識輸入和作為重要信息的原始數據進行保留；

步驟D：在普遍適用的離散數據下采樣算法中篩出匹配應用需求的壓縮算法并改進，使其應用于密集點云數據的壓縮；

步驟E：通過點云壓縮算法評估，分析壓縮算法的數據量、壓縮率、執行速率和精度損失的關系評估算法的效率，指導壓縮算法的選擇與設計；所述精度損失采用對比壓縮前后點云生成的數字高程模型DEM、地面表面復雜度、縱斷面面積等指標來確定；所述點云壓縮算法包括分析所述點云壓縮算法對不同類型數據的魯棒性和對數據量大小的敏感性；

所述步驟A具體包括：

步驟A1：預先判斷點云數據大小和坐標范圍；

步驟A2：將點云數據規則地分割成多個子塊，避免一次性處理過大的數據量；

步驟A3：通過規則格網、KD樹空間索引，R樹空間索引為點云建立空間索引，實現點云k鄰域的快速獲取；

步驟A4：進行點云的空間插值快速獲取二維空間中的最鄰近點；

所述步驟B中的局部曲面特征包括：

局部點密度，用于表示特定區域內采樣點分布的密集程度；

局部表面曲率和法向量，用于表示局部表面的變化程度和變化方向，通過點集的特征值和特征向量獲得；

局部離散程度或誤差，用于表示采樣點分布的一致程度，通過最小二乘擬合獲取；

所述步驟C具體包括：

步驟C1：提取山脊線和山谷線作為所需的數據特征；

步驟C2：在原始數據上提取處于峰頂和峰谷的特征點，再使用最小生成樹算法跟蹤生成特征線，保留一定長度的線作為谷脊線；

步驟C3：將谷脊線的各項局部特征指標作為步驟D的閾值，并將所述谷脊線加入到壓縮后的點云中；

所述點云壓縮算法評估包括：

算法可控性，評價算法是否需要針對具體數據的先驗知識，壓縮結果的壓縮率和精度損失是否能夠在執行前獲得；

算法壓縮率與精度損失的關系，在一定的精度損失范圍內提高壓縮率，針對不同的數據特征使用不同的壓縮策略；

算法壓縮執行速率與數據量的關系，判斷壓縮算法的時間復雜度，針對數據量級選擇合適算法或對數據進行分割并行處理。

2.根據權利要求1所述的機載高密度激光點云的壓縮方法，其特征在于，所述預設的索引方式包括：規則格網索引、KD樹空間索引、R樹空間索引。

3.根據權利要求1所述的機載高密度激光點云的壓縮方法，其特征在于，全局特征保留的存在形式包括：

事先提取地形特征用于指導確定密集點云不均勻下采樣的算法；

通過局部點密度、局部表面曲率和法向量、局部離散程度或誤差的判別同步保留全局特征；

將全局特征加入壓縮后的點云數據中。

4.根據權利要求1所述的機載高密度激光點云的壓縮方法，其特征在于，所述采樣算法包括：迭代刪減法，迭代地從點云中刪除一個信息量最小的采樣點，直到滿足壓縮要求，精確控制壓縮比率和精度損失；

聚類替代法，按照局部特征對點云進行聚類分割，再用一個或幾個點代替一個點簇，快速壓縮大數據量的密集點云；

粒子模擬法，通過原始數據獲得目標的表面特征，然后隨機生成粒子，通過模擬粒子間的相互作用獲得粒子的最佳分布，實現點云數據的壓縮。

5.一種存儲設備，其中存儲有多條指令，所述指令適于由處理器加載并執行權利要求1-4任一項所述機載高密度激光點云的壓縮方法的步驟。

6.一種激光雷達，包括處理器，適于實現各指令；以及存儲設備，用于存儲多條指令，所述指令用于由處理器加載并執行權利要求1-4任一項所述機載高密度激光點云的壓縮方法的步驟。