一种改进的点云数据精简方法

针对Kim的算法在简化散乱点云时经常丢失过多几何特征的不足,提出一种改进的精简方法。首先对点云进行最小二乘抛物面拟合求出所有点的主曲率;然后以数据点主曲率的Hausdorff距离为依据,提取并保留点云中的特征点;最后对具有不同特征的测量数据进行了精简分析。仿真实验结果表明,改进方法既能较大程度地简化数据点云,简化结果比较均匀,又具有不破坏细小特征的特点,能够充分保留原始点云中的几何特征;而且在保证简化质量的前提下提高了算法的效率。该方法能够为后续的三维重建提供有效的数据信息,节约后续工作的处理时间和硬件资源。     

基于二次误差度量的点云简化

随着大规模点云数据的大量涌现,点云简化问题成为数字几何处理领域的研究热点.本文提出一种基于二次误差度量的自适应点云简化方法.该方法首先提取原始点云的特征点,并对其进行强制保护;而后以非特征点为球心,采用基于二次误差度量的方法,并结合曲率信息计算非特征点覆盖球的半径和最优简化点;最后用最优点代替覆盖球内贡献较少的非特征点,对模型进行自适应简化.该方法不仅具有较快的简化速度,同时还可有效地保持原始点云的几何特征.     

基于点重要性判断的点云简化

为了有效保持散乱点云的显著几何特征,提高点云简化的精度和效率,提出一种点重要性判断点云简化方法.首先,计算点云中点的重要性,并根据重要性提取特征点;然后,采用八叉树算法对非特征点进行简化,从而保留点云的主要细节特征,实现点云简化处理;最后,通过对公共点云和文物点云数据模型的简化实验来验证该点云简化方法.结果表明,该点重要性判断点云简化方法可以在有效保持点云细节几何特征的同时,实现点云的有效简化,是一种快速、高精度的点云简化方法.     

特征保持的点模型简化技术研究

提出一种以物体表面上不附加任何几何和拓扑信息的散乱点集为处理对象,特征保持的点云数据简化的方法。通过直接在散乱点上计算曲率的方法,将数据点分为特征点和非特征点两类,分别应用不同参数的均值漂移聚类算法进行简化。实验结果表明算法既能有效简化点云数据,而且很好地保留了原网格模型的特征信息。     

保留几何特征的散乱点云简化算法

针对散乱点云简化中易丢失几何特征及潜在曲面形状信息的问题,提出一种保留几何特征的散乱点云简化算法.首先以单位距离上的法向变化作为局部特征检测算子,采用基于泊松分布的区域生长法自适应地检测特征点,并计算潜在曲面的平均弯曲度;然后通过设定不同的聚类阈值,并利用共享近邻聚类算法对非特征点的邻域进行聚类分析,从而判定该点处潜在曲面的弯曲程度,同时检测噪声点;最后,删除噪声点,根据潜在曲面弯曲程度,采用不同的简化策略删除冗余点.该算法不但避免了在大量精简时造成孔洞,而且使得简化后模型尽可能保持原始潜在曲面的形状信息,降低简化误差.实验结果表明,文中算法简单、有效,能够同时保留原始点云的几何特征及潜在曲面的形状信息,具有较低的简化误差和良好的鲁棒性.     

序列图像三维重构中点云精简算法的研究与改进

点云精简是基于图像的三维重建过程中的一个关键步骤,精简后点云的数量和分布质量将直接决定重建的效率。针对传统方法易在平缓区出现孔洞和无法保证均衡分布的缺点,在保留传统精简方法精简后点云依据曲率自适应分布特点的基础上,给出了一种改进的点云分类精简算法。首先对点云进行小栅格包围盒精简,可初步简化点云并方便点云的特征计算,然后通过点的法向夹角系数和弯曲度进行点云分类并分别采样,最后给出了一种简易的方法来进行精简效果的评估。实验结果表明,该方法能较好保留点云几何特征,克服传统方法的缺点。     

散乱点云精简的一种改进算法*

非接触式扫描获取的散乱点云数据存在大量冗余,为方便模型重构,点云数据精简是不可或缺的点云预处理步骤,提出一种散乱点云数据精简的改进算法,首先将包围点云数据的最小包围盒划分成若干个子空间,根据每个含有点的子空间,获取K邻域点集的拟合平面,计算K邻域中各点到拟合平面距离的累加和。对各个K邻域的距离累加和升序排列,根据预定精简百分比,将包围盒划分为待保留和待删除两个区域,实现了对同一数据在不同区域采用不同算法,完成不同比例的精简。实例验证表明,该算法在保留几何特征的同时,更能有效地避免“空白区域”,且提高了计算效率。     

基于动态网格k邻域搜索的激光点云精简算法

由非接触式扫描方法获得的点云数据存在大量的冗余点,为便于模型重构, 提出一种新的基于动态网格k邻域搜索的点云精简方法.首先,对点云进行k邻域搜索,在k邻域搜索过程中采用动态网格的方法快速寻找k邻域点;然后,根据数据点的k邻域计算点的曲率、点与邻域点法向夹角的平均值、点与邻域点的平均距离,并利用这3个参数定义特征判别参数和特征阈值,比较大小,对特征点进行提取;最后,利用包围盒法对非特征点进行二次精简,将精简后的点云与特征点拼接,实现精简目的.实验结果表明,所提出方法与其他k邻域搜索方法相比,提高了计算效率,并且将特征提取与二次精简方法相结合,既可保留模型的几何特征,又能避免空洞区域的产生,在精度和速度上都取得了较好的效果.     

基于二次特征提取的煤矿巷道表面点云数据精简方法

采用三维激光扫描技术提取的煤矿巷道表面点云数据量大且存在较多的冗余数据,而现有点云数据精简方法存在大数量级点云处理过程中细节保留不足的问题。针对上述问题,提出了一种基于二次特征提取的煤矿巷道表面点云数据精简方法。首先对采集到的原始巷道点云数据进行去噪预处理;其次建立K-d树,并利用主成分分析法对去噪后点云数据估算来拟合邻域平面的法向量;然后通过较小的法向量夹角阈值对点云进行初步的特征区域与非特征区域划分,保留特征区域并随机下采样非特征区域,接着依据较大的法向量夹角阈值将特征区域点云划分为特征点和非特征点,并对非特征点进行体素随机采样;最后将2次点云精简结果与特征点合并得到最终的精简数据。仿真结果表明,该方法在百万数据量级点云和高精简率条件下,相较曲率精简方法、随机精简方法和栅格精简方法,在特征保留和重构精度方面都取得了更好的效果,三维重构后计算所得标准偏差平均可低于相同精简率下其他方法 30%左右。     

利用连续变形技术的三维点云简化方法

针对曲率变化较大的三维点云表面模型简化方法中容易出现失真的问题,提出了一种利用连续变形技术的三维点云简化方法。算法采用包围盒法构造分割面,分割面将三维点云处理成按扫描线存储的"结构化"测量点集;逐线生成点集的凸包多边形,按一定准则将剩余的离散点集归类到对应的凸包边,引入变换程度参数,通过计算离散点的选取时机参数对其进行选取,获得不同简化比率的连续变化的点云简化模型。随后以右心室、佛像、雕刻面板为典型实例,分别对具有不同表面特征的三维点云模型进行了简化验证,并通过移动最小二乘曲面,评估简化曲面的误差。结果表明,该方法能够有效地简化三维点云,对曲率变化比较大的表面仍然能很好地保留原始模型的几何特征。     

Point cloud simplification for the boundary preservation based on extracted four features

This paper proposes a simplification algorithm based on four feature parameters, aiming at solving the problem that the edge features cannot be retained due to the incompletely extracted sharp features during point cloud simplification. Firstly, K neighborhood searching is carried out for point cloud, and K neighborhood points are quickly found by a dynamic grid method. Then, four features including: the curvature of the point, the average of the normal angle of a point from a neighborhood point, the average distance between the point and the neighborhood point and the distance between the point and the center of gravity of the neighborhood point, are calculated according to the K neighborhood of the data point. The four parameters are used to define the feature discrimination parameters and feature thresholds, to compare the size and extract the feature points; finally, the non-feature points are reduced twice by the method of the bounding box, and the reduced point cloud and feature points are spliced to achieve the purpose of simplification. The experimental results show that the distance between the point and the center of gravity of the neighborhood has a great influence on the simplified model boundary, which effectively guarantees the accuracy of the simplified model.     

自适应K-means聚类的散乱点云精简

目的 点云精简是曲面重建等点云处理的一个重要前提,针对以往散乱点云精简算法的精简结果存在失真较大、空洞及不适用于片状点云的问题,提出一种自适应K-means聚类的点云精简算法。方法 首先,根据k邻域计算每个数据点的曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离,据此运用多判别参数混合的特征提取方法识别并保留特征点,包括曲面尖锐点和边界点;然后,对点云数据建立自适应八叉树,为K-means聚类提供与点云密度分布相关的初始化聚类中心以及K值;最后,遍历整个聚类,如果聚类结果中含有特征点则剔除其中的特征点并更新聚类中心,计算更新后聚类中数据点的最大曲率差,将最大曲率差大于设定阈值的聚类进行细分,保留最终聚类中距聚类中心最近的数据点。结果 在聚类方面,将传统的K-means聚类和自适应K-means聚类算法应用于bunny点云,后者在聚类的迭代次数、评价函数值和时间上均优于前者;在精简方面,将提出的精简算法应用于封闭及片状两种不同类型的点云,在精简比例为1/5时fandisk及saddle模型的精简误差分别为0.29×10^-3、-0.41×10^-3和0.037、-0.094,对于片状的saddle点云模型,其边界收缩误差为0.030 805,均小于栅格法和曲率法。结论 本文提出的散乱点云精简算法可应用于封闭及片状点云,精简后的数据点分布均匀无空洞,对片状点云进行精简时能够保护模型的边界数据点。     

基于 FPFH 特征提取的散乱点云精简算法

针对原始点云模型中存在大量冗余数据问题,提出一种基于快速点特征直方图(FPFH)特征提取的点云精简算法,有效兼顾了特征信息保留和整体完整性。算法首先查找并保留原始模型的边缘点;然后计算非边缘点的 FPFH 值,由此得到点云的特征值,并进行排序且划分出特征区域和非特征区域,保留特征区域内的点;最后将非特征区域划分为 k 个子区间,对每个子区间用改进的最远点采样算法进行采样。将该算法与最远点采样算法、非均匀网格法、k-means 算法和自适应曲率熵算法进行对比实验,并用标准化信息熵评价方法对精简后的点云进行评价,实验表明其优于其他精简算法。此外,可视化结果也表明,该算法能够在保证精简模型完整性的同时,较好地保留住点云大部分特征信息。     

面向三维点云单目标跟踪的提案聚合网络

与二维可见光图像相比,三维点云在空间中保留了物体真实丰富的几何信息,能够应对单目标跟踪问题中存在尺度变换的视觉挑战。针对三维目标跟踪精度受到点云数据稀疏性导致的信息缺失影响,以及物体位置变化带来的形变影响这两个问题,在端到端的学习模式下提出了由三个模块构成的提案聚合网络,通过在最佳提案内定位物体的中心来确定三维边界框从而实现三维点云中的单目标跟踪。首先,将模板和搜索区域的点云数据转换为鸟瞰伪图,模块一通过空间和跨通道注意力机制丰富特征信息;然后,模块二用基于锚框的深度互相关孪生区域提案子网给出最佳提案;最后,模块三先利用最佳提案对搜索区域的感兴趣区域池化操作来提取目标特征,随后聚合了目标与模板特征,利用稀疏调制可变形卷积层来解决点云稀疏以及形变的问题并确定了最终三维边界框。在KITTI跟踪数据集上把所提方法与最新的三维点云单目标跟踪方法进行比较的实验结果表明：在汽车类综合性实验中,真实场景中所提方法在成功率上提高了1.7个百分点,精确率上提高了0.2个百分点;在多类别扩展性实验上,即在汽车、货车、骑车人以及行人这4类上所提方法的平均成功率提高了0.8个百分点,平均精确率提高了2.8个百分点。可见,所提方法能够解决三维点云中的单目标跟踪问题,使得三维目标跟踪结果更加精确。     

基于重叠域采样混合特征的点云配准算法

针对部分重叠的两片点云配准效率低、误差大等问题,提出了一种基于重叠域采样混合特征的点云配准算法。首先,通过编码和特征交互的方式预测每个点的重叠分数,获得更丰富的点云特征。其次,提取重叠点的局部几何特征,基于重叠分数和点特征的显著性保留重叠关键点。最后,利用重叠关键点的几何信息和空间信息构建混合特征矩阵,计算矩阵的匹配相似度,采取加权奇异值分解运算得到配准结果。实验结果表明,该方法具有较强的泛化能力,能在保证配准效率的同时显著提升点云配准精度。     

A global clustering approach to point cloud simplification with a specified data reduction ratio

This paper studies the problem of point cloud simplification by searching for a subset of the original input data set according to a specified data reduction ratio (desired number of points). The unique feature of the proposed approach is that it aims at minimizing the geometric deviation between the input and simplified data sets. The underlying simplification principle is based on clustering of the input data set. The cluster representation essentially partitions the input data set into a fixed number of point clusters and each cluster is represented by a single representative point. The set of the representatives is then considered as the simplified data set and the resulting geometric deviation is evaluated against the input data set on a cluster-by-cluster basis. Due to the fact that the change to a representative selection only affects the configuration of a few neighboring clusters, an efficient scheme is employed to update the overall geometric deviation during the search process. The search involves two interrelated steps. It first focuses on a good layout of the clusters and then on fine tuning the local composition of each cluster. The effectiveness and performance of the proposed approach are validated and illustrated through case studies using synthetic as well as practical data sets.