[發明專利]一種用區域分割和分組隨機精簡法精簡多視角點云的方法

有效

• 申請號: 201911075831.4
• 申請日: 2019-11-06
• 公開（公告）號: CN111080653B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 梁正友;黃思捷;孫宇;李軒昂
• 申請（專利權）人: 廣西大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/149;G06T7/33
• 代理公司: 深圳市六加知識產權代理有限公司 44372
• 代理人: 向彬

本發明公開了一種用區域分割和分組隨機精簡法精簡多視角點云的方法。首先，用包圍盒方法提取相鄰點云的重疊區域內的點云，將它們分割成重疊區域點云和非重疊區域點云。其次，用一個分組隨機精簡算法對重疊區域點云進行精簡。最后，對所有的重疊區域點云精n簡之后，與非重疊區域點云一起合并成一個整體點云，根據精簡率的要求在對整體點云進行一次精簡。實驗結果表明，在相同的精簡率下，該算法比傳統的包圍盒精簡算法更能減少對目標物體點云的細節破壞，最大程度上保留目標物體的點云細節和特征。

技術領域

本發明屬于圖像三維重建技術領域，更具體地，涉及一種用區域分割和分組隨機精簡法精簡多視角點云的方法。

背景技術

由于微軟推出的體感設備Kinect V2在三維重建領域當中的點云信息采集表現出操作簡單、易上手、價格廉價等優點，受到了許多研究者的關注。Kinect V2能獲取點云數量非常龐大，平均每秒能夠獲取數以千計的點。這些點云特點是不僅密度大，而且包含了許多重復點和冗余點。如果不對點云進行精簡，這些多余的點云會占用大量的存儲空間，直接進行曲面重建必定會造成大量時間和計算資源被大量浪費。因此，研究開發有效的點云精簡算法可有效的減少點云占用存儲空間，提高運算效率。

已經有不少學者研究開發各種點云精簡算法。唐澤宇等(唐澤宇,高保祿,竇明亮.基于加權最小二乘法曲率計算的點云精簡算法[J].計算機工程與設計,2019,40(06):1606-1610+1659.)提出一種基于加權最小二乘法曲率計算的點云精簡算法，能夠有效提升曲率計算的準確度,避免了孔洞現象。金露等(金露,王福偉,鐘可君,等.一種精簡點云的快速配準算法[J].激光雜志,2019,40(02):59-62.)在利用自適應柵格法對點云進行精簡的基礎上，將ICP算法和RANSAC算法相結合，同時提高了點云配準精度和精簡的效率。賀一波等(賀一波,陳冉麗,吳侃,等.基于k-means聚類的點云精簡方法[J].激光與光電子學進展,2019,56(09):96-99.)提出了一種基于k均值(k-means)聚類的點云精簡方法，能較好地保留點云的細節特征，并且與原始數據的稠密稀疏分布更加一致。曹爽等(曹爽,趙顯富,馬文.一種基于曲面變化的工業構件點云數據精簡方法[J].測繪通報,2018(11):20-24.)針對工業構件點云提出了基于曲面變化的點云精簡算法，通過計算點的曲率將點云分成特征不同的多個區域，并且在每一個區域設定閾值，為每個不同的特征區域計算其精簡比率，由精簡比率定義閾值完成精簡。陳達梟等(陳達梟,蔡勇,張建生.散亂點云精簡的一種改進算法[J].計算機應用研究,2016,33(09):2841-2843.)人利用包圍盒把點云劃分成若干個子空間，利用每個子空間獲取K鄰域點集的擬合平面，根據擬合平面距離，把每個子空間分為保留區和刪除區，最后根據精簡率對刪除區內的點云進行精簡。Nallig Leal等(Leal N,Leal E,German S T.A linear programming approach for 3d point cloudsimplification[J].IAENG International Journal of Computer Science,2017,44(1).)提出了一種基于點云局部密度估計的點云精簡方法，使用期望最大化算法對點云密度分布進行聚類，識別高曲率點作為非去除的點，最后采用線性規劃對去除點進行精簡。YUAN Xiao等(Yuan Xiaocui,Wu Lushen,Chen Huawei.Feature preserving point cloudsimplification[J].Optics and Precision Engineering,2015,23(9):2666-2676.)采用K均值聚類算法對點云進行全局聚類，隨后利用K-d樹的節點作為初始聚類中心，并且使聚類中心映射到高斯球，最后利用自適應均值漂移算法對高斯球中的數據進行精簡；HuiyanHan等(Han Huiyan,Han Xie,Sun Fusheng,et al.Point cloud simplification withpreserved edge based on normal vector[J].Optik-International Journal forLight and Electron Optics,2015,126(19):2157-2162.)利用邊緣點比非邊緣點具有更強的幾何特征，區分邊緣點和非邊緣點并且保留邊緣點，對于非邊緣點利用歐幾里得距離的平均值來判定該點是否需要去除，來完成點云精簡。T.Whelan等(Whelan T,Ma L,Bondarev E,et al.Incremental and batch planar simplification of dense pointcloud maps[J].Robotics and Autonomous Systems,2015,69:3-14.)提出了一種漸開線點云圖的增量平面分割方法和一種有效的平面曲面三角剖析方法來進行點云的精簡；Junkun Qi等(Qi Junkun,Hu Wei,Guo Zongming.Feature Preserving and Uniformity-Controllable Point Cloud Simplification on Graph[C]//2019IEEE InternationalConference on Multimedia and Expo(ICME).IEEE,2019:284-289.)利用圖的光譜處理，判別出點云上不規則的點，提出基于圖濾波器點云精簡公式，對不規則的點進行精簡；WeiXuan等(Xuan Wei,Hua Xianghong,Chen Xijiang,et al.A New ProgressiveSimplification Method for Point Cloud Using Local Entropy of Normal Angle[J].Journal of the Indian Society of Remote Sensing,2018,46(4):581-589.)提出了一種簡化點云的新方法，該方法使用基于法向角的局部熵來評價該點是否為除去對象。CHUNYANG JI等人(Ji Chunyang,Li Ying,Fan Jiahao,et al.A Novel SimplificationMethod for 3D Geometric Point Cloud Based on the Importance of Point[J],IEEEAccess,2019,vol.7:129029-129042.)提出一種細節特征點簡化算法。該算法設置k鄰域搜索規則以確保找到的點最接近樣本要點，對測量點的進行重要性評估，然后使用八叉樹結構來簡化剩余的點。該方法不僅可以簡化點云，同時對簡化目標點云的窄輪廓也有很好的效果。Li H等人(Li Haoyong,Xu Pin,Shen Yinghua.A self-adaption fast point cloudsimplification algorithm based on normal eigenvalues[C]//2014 7thInternational Congress on Image and Signal Processing,Dalian,2014:852-856.)提出了一種基于法向量標準差的點云快速簡化算法。該算法對下采樣后的稠密點云數據計算正態分布，通過相鄰點之間的法向夾角計算特征點與另一特征點之間的分離閾值，在特征點與其他特征點之間再逐步進行下采樣，實現點云的自適應簡化。該算法在短時間內實現了點云模型的有效簡化，很好地保持了原模型的特點和形狀。