[发明专利]一种面向面结构光点云数据的对应点搜索结构的构建方法

说明书

一种面向面结构光点云数据的对应点搜索结构构建方法，属于测量数据建模领域。本发明包括以下步骤：1）由于面结构光点云的拓扑结构已知，首先基于指定点的三维坐标求出其栅格坐标，进而计算哈希索引值，构建哈希表；2）连接横向十字链表、纵向十字链表的的头尾数据，构建双向十字链表；3）基于哈希表与双向十字链表相融合的新型搜索结构的搜索策略：通过指定点三维坐标计算哈希索引值，找到指定点的位置；利用双向十字链表沿纵横方向查找到其邻域点；进行大型点云数据操作，如点云对齐、特征建模等。本发明由于采用新型算法构建有效的对应点搜索结构，提高了面结构光点云数据的搜索效率，并改善其存储效率。

技术领域

本发明涉及一种对应点搜索结构的构建方法，特别涉及一种面向面结构光点云数据的对应点搜索结构的构建方法，属于测量数据建模领域。

背景技术

随着面结构光扫描仪的性能越来越强，所能采集到的点云数据量就越来越大。但是给定的一个目标数据，进行点搜索的操作就越来越耗费时间。就效率而言，大型点云数据操作，如点云对齐、过滤、分割、特征建模，目标点的快速搜索是最基本的操作。就拿点云对齐而言，常用的算法是ICP算法，其中95％的时间耗费在对应点的搜索上，因此，为了方便目标点的快速搜索，一个合适的数据结构是必须的。

在三维空间中，K最邻域搜索是最常用的方法，如果大量点数据处于杂乱无章的状态的话，K最邻域搜索将成为非常耗时的操作。为了提高K最邻域搜索的效率，改进的方法包括：1.通过减少搜索空间或减少重复搜索来优化搜索策略；2在进行搜索时采用高效率的数据结构。据文献检索，目前所用的数据结构又分为如下几种：1)KD树或八叉树；2)虚拟栅格结构；3)基于哈希的虚拟栅格结构。这里计算速度与存储空间存在一个折中，即速度越快的算法需要更大的存储量。

KD树是是一种基于空间分治的数据结构，其中每个结点代表K维空间的一个划分，根节点表示整个空间，以及叶节点代表含有相互排斥的小子集的子空间。空间划分采用递归遍历的方式进行。八叉树也是一种用于描述三维空间的树状数据结构，其中八叉树的每个节点表示一个正方体的体积元素，每个节点有八个子节点，将八个子节点所表示的体积元素加在一起就等于父节点的体积。基于KD树或八叉树的搜索属于全局搜索，如果给定点云P上的每个点，要在点云X找到它的最近点,它的搜素效率能够达到O(N_plogN_x)，KD树或八叉树的存储效率O(Np)，但八叉树有分配不平衡的弱点。

2009年韩国首尔大学的Minho Chang在“Efficiency of grid representationand its algorithms for areal 3D scan data”(Journal of Mechanical Science andTechnology 23(2009)1234-1243)一文中将虚拟栅格结构定义为链表的三维阵列或者二维虚拟栅格结构的垂直方向的延伸，每个单元由一个链表所组成，用于存储三维点坐标。虚拟栅格结构属于局部搜索，它的搜索效率能够达到O(Np)，但是它需要大量的存储空间，特别对于稀疏点云来说，它的存储效率非常低。如果扫描的物体为10×10×10立方米，单元栅格的长、宽、高都为0.1米，那么扫描数据所仅用于简单阵列的声明所需的存储空间就高达4*(10/0.1)³字节。

2012年韩国延世大学Minho Chang在“Development of a hashing-based datastructure for the fast retrieval of 3D terrestrial laser scanned data”(Computers&Geosciences 39(2012)1–10)一文中在虚拟栅格结构的基础上进行了改进，提出了基于哈希的虚拟栅格结构，用哈希表替代链表，在保持搜索效率的同时适当提高了存储效率，避免了三维点不存在时使用空指针来占用存储空间的情况。