[发明专利]一种变曲率自适应点云数据下采样方法

说明书

本发明属于点云精简算法技术领域，提供了一种变曲率自适应点云数据下采样方法。该方法首先通过GPU并行计算实现模型点云局部曲面高精度拟合，得到模型点云曲率分布；基于正态分布的3原则获取曲率梯度；基于八叉树，对模型实现最小特征保留的最优网格划分，得到底层待处理单元；根据处理单元的点云密度以及曲率均值，计算待处理单元的密度权值和曲率权值；生成点云处理单元的关联权值并生成系统抽样的精简标准，根据自适应的系统抽样对每一个待处理单元进行精简，实现大尺寸模型点云数据的下采样任务。

技术领域

本发明属于点云精简算法技术领域，涉及一种变曲率自适应点云数据下采样方法。

背景技术

非接触式激光三维扫描测量技术在工件、船舶等大尺寸高端装备制造过程中的应用越来越广泛。在实际操作中，大型被测物体扫描形成的点云数据集十分庞大。虽然密集的点云数据有利于更真实地表达被测对象特征，但海量数据会造成误差计算、多面片拼接、曲面重建等后续算法的计算量激增、效率低下。因此，有必要研发适当的点云数据精简算法，使点云数据数量尽量减少，同时保留被测对象特征的表达能力。

目前，很多学者和机构在研究点云数据精简算法，可以分为：包围盒法、随机采样法和曲率精简法等。2014年北京建筑大学黄明等在发明专利CN104183021A中公开了“一种利用可移动空间网格精简点云数据的方法”，该方法在点云模型的空间网格划分基础上，采用了可移动空间网格划分思想，对大数据点云进行了快速有效地精简。但由于没有考虑到局部特征，存在局部特征保留不完整的情况；2016年华中科技大学高亮等在发明专利CN106373118A公开了“一种可有效保留边界和局部特征的复杂曲面零件点云精简方法”，该方法针对性的由粗到精的特征点云特定精简操作来有效保留三维点云的局部特征，同时还采用自适应权重特性的定向距离来保留三维模型点云的边界。该发明与现有技术相比可获得更高的精度，能够有效保留点云模型的边界和局部特征，但是算法复杂度较高，点云精简所用时间较长；2020年西安交通大学梁晋、赫景彬等人在发明专利CN111652855A公开了“一种基于存活概率的点云精简方法”，该方法将点云数据点分为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，依次进行不同程度的精简，但需要对每个点都需要完成计算，效率有待提高。

针对现有技术的以上缺陷或改进需求，本发明提供了变曲率自适应点云数据下采样方法。该方法不仅可以保证点云边界特征，且效率较高。

发明内容

本发明主要解决的技术问题是克服上述方法的不足，针对目前点云精简算法存在的精简效率低、边界及局部特征保存不完整等问题，发明了一种变曲率自适应点云数据下采样方法。本方法提出了基于GPU计算模型点云数据点曲率的方法，极大地提高了曲率计算效率；提出了基于八叉树原理的点云数据分区方法，获得了最小处理单元；基于系统抽样原理，提出了点云单元权重关联的随机精简策略，使精简效率和模型边界特征保持都获得较好效果。

本发明采用的技术方案：

一种变曲率自适应点云数据下采样方法，该方法首先通过GPU并行计算实现模型点云局部曲面高精度拟合，得到模型点云曲率分布；基于正态分布的3σ原则获取曲率梯度；基于八叉树，对模型实现最小特征保留的最优网格划分，得到底层待处理单元；根据处理单元的点云密度以及曲率均值，计算待处理单元的密度权值和曲率权值；生成点云处理单元的关联权值并生成系统抽样的精简标准，根据自适应的系统抽样对每一个待处理单元进行精简，实现大尺寸模型点云数据的下采样任务；

步骤如下：

第一步：基于GPU进行曲面拟合与曲率计算

模型点云中任意一点都存在某曲面z＝r(x,y)逼近该点的临近点云，一点的曲率由该点及其邻域点拟合的局部曲面曲率来表征；通过最小二乘法拟合曲面，用户二次曲面来表征局部区域，计算每点处的平均曲率K，计算结果为公式(1)；