基于K近邻和法向精度的点云精简算法.pdfVIP

第 38卷 第 3期 武汉理工大学学报 (交通科学与工程版) Vo1．38 No．3 2014年 6月 JournalofWuhanUniversityofTechnology Jun．2014 (TransportationScience8LEngineering) 基于 K近邻和法 向精度的点云精简算法* 张顺岚 莫建文 邹路路 (桂林 电子科技大学信息与通信学院 桂林 541004) 摘要 ：针对传统点云简化算法在精简散乱点云数据时经常丢失过多特征点的不足，提 出了基于 K 近邻和法 向精度 的点云精简算法．该算法首先对输入 的散乱点云数据建立 K近邻索引，并剔除集 群点及离群点，从而完成点云数据的预处理 ，然后对预处理后 的数据进行 Delaunay三角化 ，并重构 三角网格面 ，最后依据法向精度进行非特征点剔除．仿真实验表明，该算法既能较大程度地精简点 云数据 ，又能较好地保持原有模型 的基本特征． 关键词 ：散乱点云；K近邻 ；法 向精度 ；三角网格 ；特征点 中图法分类号 ：TP317．4 doi：10．3963／i．issn．2095—3844．2014．03．022 0 引 言 点，从而使点与点之间的拓扑关系变得清晰明朗， 在点云数据精简过程 ，以某点所在三角 网格 的平 随着现代精密测量技术和计算机图形图像处 滑度和适应度为依据 ，对非特征点进行删除 ，既能 理技术的飞速发展，点云数据模型在逆向工程 、实 实现大规模散乱点云 的有效精 简，又能较好保持 体建模 、地理信息系统 ，以及医学 图形 图像等领域 原有模型的基本特征． 都得到了广泛的应用ll。]．然而过多的点云会影响 计算机 曲面重构的效率 [4J，在保留被测量物件几 1 K近邻和法向精度点云精简算法 何特征的情况下，对点云数据进行精简 ，能降低点 云数据的冗余度，凸显物件的几何特征 ，大大减少 点云数据是利用激光、结构光或者其他直接 存储空间，提高曲面重绘的速度． 接触设备获取的物体模型表面的一系列空间采样 传统的随机精简算法 、均匀栅格法_5及基于 点 ，这些点云一般散乱无序 ，且十分密集．过多的 空间分割的包围盒法 对于具有复杂特征和 曲率 点云会影响曲面重构的效率 ，点云数据精简能降 多样化的海量点云数据 已经不适用_7]．随机精简 低点云数据的冗余度 ，提高三角面片重绘的效率 算法用简单的随机算子很容易剔除特征点 ，具有 和模型整体显示的协调度 8【]． 较高的误判率 ，导致重构后的实体模型精度下降； 1．1 算法流程 均匀栅格法和基于空间分割的包围盒法在领域搜 本算法是一种由粗到精 ，反复迭代 的精简算 索过程 中虽然具有一定的均匀性 ，但是对于 曲率 法．首先将输入 的散乱点云数据建立 K近邻索 多样化的点云数据模型，精简后的数据不能较好 引，剔除集群点和离群点，完成点云数据 的预处 地突出点云数据的边缘特征． 理 ，然后将预处理的数据 Delaunay三角化 ，并重 针对上述问题，提出了基于 K近邻和法 向精 构三角网格面 ，在此网格面上定义一个距离尺度 度的点云精简算法．该算法首先对输入的散乱点 和法向精度E ，使 2个参数逐步遍历所有三角面 云数据建立 K近邻索引，并剔除集群点及离群