[发明专利]一种基于存活概率的点云精简方法

说明书

本发明公开了一种基于存活概率的点云精简方法，所述方法中，读取原始点云数据，基于kdtree算法对所述原始点云数据建立拓扑关系，获取每一个数据点的半径r范围内所有邻域点；基于主成分分析法使用多线程并行计算对每一个数据点及其邻域点进行协方差分析以获得协方差矩阵；将所有数据点按照是否为边界点分为边界点或非边界点，将非边界点按曲率大小进行排序，按照预定阈值分为高曲率点与低曲率点；根据预定精简比率比与n₁、n₂、n₃的大小，计算边界点、高曲率点和低曲率点所需删减的点数；基于多线程并行计算遍历点云的每一个数据点，每一次随机生成一个大小在0到1之间的随机数，比较所述随机数与存活概率，以获得精简后的点云数据。

技术领域

本发明属于高精度3D测量技术领域，特别是一种基于存活概率的点云精简方法。

背景技术

随着3D传感器技术的不断发展，用于获取3D模型点云数据的三维扫描技术在不断更新，获取的物体表面点云数据的测量精度和效率也越来越高。使用高精度结构光扫描仪扫描得到的点云数据存在大量冗余，实际应用中，通过高精度结构光三维扫描仪获取的原始点云数据规模通常在几千万，甚至上亿的数量级，这就增加了点云数据存储、传输、运算的负担和后续处理工作的难度。因此需要在保留点云特征与边界信息的同时对点云进行精简。

近年来，常用的点云精简算法有包围盒法、聚类法等。包围盒法就是利用八叉树剖分生成三维栅格。遍历栅格若其中点云的法向量偏差大于指定阈值则细分单元格。栅格划分完毕后，对每个栅格选择代表点形成简化点云。此方法会导致高曲率部分特征损失。聚类法核心思想为分治法，按划分思想可分为自下而上的区域生长算法与自上而下的层次法。划分中止条件为类内点数达到阈值，此法会导致边界收缩等问题。传统方法应用于高精度工业测量时往往会增大测量偏差，因此一种保边界、保特征的点云精简算法对于提高测量精度至关重要。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中存在的保特征效果差，计算时难以并行计算的缺点的问题，本发明提出一种基于存活概率的点云精简方法，本发明保边界、保特征、可并行计算，提高了计算效率，高曲率特征保留效果好。

本发明的目的是通过以下技术方案予以实现，一种基于存活概率的点云精简方法包括以下步骤：

第一步骤中，读取原始点云数据，基于kdtree算法对所述原始点云数据建立拓扑关系，获取每一个数据点的半径r范围内所有邻域点；

第二步骤中，基于主成分分析法使用多线程并行计算对每一个数据点及其邻域点进行协方差分析以获得协方差矩阵，分别计算所述协方差矩阵的三个特征值λ₁、λ₂、λ₃，所述数据点对应曲率为

第三步骤中，将所有数据点按照是否为边界点分为边界点或非边界点，将非边界点按曲率大小进行排序，按照预定阈值分为高曲率点与低曲率点，边界点、高曲率点、低曲率点点数分别为n₁、n₂、n₃，

第四步骤中，根据预定精简比率比与n₁、n₂、n₃的大小，计算边界点、高曲率点和低曲率点所需删减的点数，其中，先将低曲率点删减，其次是高曲率点，最后是边界点，基于点云的精简比率以及边界点、高曲率点和低曲率点的点数确定存活概率模型，对每个边界点、高曲率点和低曲率点赋予存活概率，其中，边界点存活概率最大，非边界点存活概率随曲率从大到小递减，

第五步骤中：基于多线程并行计算遍历点云的每一个数据点，每一次随机生成一个大小在0到1之间的随机数，比较所述随机数与存活概率，当该随机数小于存活概率时，所述数据点保留下来，否则删除，以获得精简后的点云数据。