[发明专利]结合人类视觉感知特性的3D点云精简算法

权利要求书

1.结合人类视觉感知特性的3D点云精简算法，其特征在于，按照以下步骤进行：

步骤1)对点云进行K邻域搜索；

步骤2)计算每一点的单向感知尖锐度、局部可见度、曲率、平均距离和投影距离值，并采用权重动态优化公式计算每一特征的权重值，不同特征值与对应权重加权平均后得到每一点的混合特征值；

步骤3)根据混合特征值对点云进行分类，并设定逐级精简规则实现各级点云下采样；

步骤4)各级下采样数据融合得到精简后的点云。

2.根据权利要求1所述的结合人类视觉感知特性的3D点云精简算法，其特征在于：所述步骤2)中单向感知尖锐度函数，定义如下：

其中，p代表当前点，p_i表示p的K邻域点，p(x,y,z)是当前点的坐标值，p_i(x,y,z)为p邻域点的坐标值，||p(x,y,z)-p_i(x,y,z)||表示p点与其邻域点的欧式距离，p(o)代表x、y、z方差最大方向的坐标值，|p(o)-p_i(o)|表示x、y或z方差最大方向上的p点与其邻域点的坐标差值，p(o)和p_i(o)可通过下式计算：

其中，δ²[p(x)]、δ²[p(y)]和δ²[p(z)]分别表示点云在x、y、z方向坐标值的方差，若δ²[p(x)]＞δ²[p(y)]＞δ²[p(z)]，p(o)返回的值即为x方向的坐标值。

3.根据权利要求1所述的结合人类视觉感知特性的3D点云精简算法，其特征在于：所述步骤2)中局部可见度的函数表达式如下：

其中，p_j是当前点与其K邻域点，n_θ(p_j)代表点p_j的法向量角，代表当前点p与其K邻域点法向量角的平均值，其法向量角n_θ(p)可通过下式得到：

其中，n_p为当前点p的法向量，为p点K邻域的法向量，p的法向量与其K邻域点法向量之间夹角的大小可以反映点云局部区域的陡变程度。

4.根据权利要求1所述的结合人类视觉感知特性的3D点云精简算法，其特征在于：所述步骤2)中每个点的混合特征评价模型的表达如下：

其中，分别代表基于人类视觉感知特性的单向感知尖锐度PSSD函数、局部可见度LV函数；F_c^G(p)、分别代表基于几何特征评价的曲率、当前点p到其K邻域点的平均距离、当前点p到其K邻域点拟合平面的投影距离；w₁～w₅代表不同特征评价函数的权重；

为了减小特征值之间的尺度差异，保证每一特征函数的敏感度，需对每一特征值进行归一化，再对归一化后的特征峰值进行滤波处理，为了表述方便，将F_c^G(p)、简化为F₁(p)～F₅(p)，公式(6)可以简化为：对不同特征评价函数的权重w₁～w₅进行动态优化，具体公式如下：

权重w₁～w₄随x(n)单调递减，x(n)随特征值F_n(p)单调递增，故特征值F_n(p)越大，其对应权重w_n越小，x(n)取值范围为[0,+∞)，w₁～w₄的取值范围为(0,0.25]。

5.根据权利要求4所述的结合人类视觉感知特性的3D点云精简算法，其特征在于：所述步骤3)中逐级精简规则为：

先根据混合特征评价模型，计算点云中每一点的混合特征值，根据混合特征值的大小将点云分为I级特征点、II级特征点和III级特征点；然后各级点云采用不同下采样规则对其进行精简：I级特征全部保留，II级特征点采用分级随机抽样法精简，III级特征点采用长方体栅格法精简。