多阈值提取平面点云边界点的方法.docVIP

多阈值提取平面点云边界点的方法 　　摘要：针对基于切片技术的点云数据重建算法需要提取切片内点云边界点，及现有算法效率低、提取效果不好等问题，提出一种多阈值提取平面点云边界点的算法。通过选取判断点的k个近邻点，计算相邻两点与判断点连线间夹角，由于边界点必存在最大夹角，通过判断最大夹角是否超过设定阈值，从而快速提取边界点。通过对阈值设值分析，不同点云数据的边界提取实验及几种方法间比较，该方法不受点云形状影响，均能较好提取边界点，且优于其他3种算法。结果表明该方法在保证原始点云特征信息的前提下，可较好提取边界点，提高后续点云重建速度与效率。 　　关键词： 　　点云；边界点；阈值；效率；点云形状 　　中图分类号： P232； TP391.41 文献标志码：A 　　0引言 　　三维激光扫描技术能快速获取扫描对象表面的大量点云数据，基于点云数据对物体进行三维重建，已成为当前逆向工程三维重构领域中的研究热点[1-2]。采用切片技术的点云重建方法可将原始无序的三维点云数据转化为具有层次结构、有序组织形式的数据，使得对物体的重建更加有效。切片技术就是用一组平行平面沿着某一给定方向、给定间隔对三维点云进行划分，再将平面两侧的点云投影到平面上，从而将三维点云转换为二维点集，在此基础上再进行物体表面重建[3-4]，因此，如何提取投影在平面上点云的边界点，成为后续物体表面三维重构的重要一步。 　　文献[5]中，在提取平面边界点时提出以判断点为中心，将其邻域采用不同的分割方法分成若干区域，再根据某一区域内是否有散乱点作为判断准则来提取边界点。由于每进行一次判断，需要将其他散乱点遍历一次，导致运算速度慢，效率低。文献[6]中，将判断点的邻域从4个均匀区域增至8个均匀的区域，提取效果有所改善，仍不能较好提取凹陷区域边界点。文献[7]在提取三维边界散乱点云时，采用R*tree对点云数据进行动态聚类划分，依据k近邻点以最小二乘法拟合该点集的切平面，将k个点投影在切平面上，再以点云中最大夹角与设定的阈值为依据来提取边界点；但文中未对阈值大小的设置进行分析，也未考虑平面上点云形状对提取效果的影响。文献[8]中，通过计算判断点周边点之间的夹角，采用角度标准差作为边界点判断依据来提取三维点云边界点；但该方法对离散、分布不均匀的点云提取效果不理想。文献[9]中，在提取保留三维边界点时，将近邻点投影到某一平面上，然后选取若干参考面，统计位于参考面两侧的点数，以两侧点数之差作为判断的标准；但该方法不适合平面点云边界点的提取。文献[10]中，采用矢量合成的思想，将判断点周围点构成矢量并单位化后进行叠加，依据叠加后的矢量的模与矢量数量的比值作为判断准则；但该算法对非均匀分布的点云及凹陷处的边界点提取效果不理想。 　　以上一些算法在提取三维边界点时，效果较好；但经实验将其计算思想应用在提取二维平面散乱点的边界点时，则提取效果不理想，尤其是有凹陷的点云形状边界的提取。同时计算过程复杂、繁琐，如文献[5]需要进行区域划分。本文在文献[7]基础上进行改进，提出一种基于多阈值的提取平面点云边界点算法，不需对近邻点进行区域划分。同时对本方法中阈值的设定进行了分析，实验结果表明，依据本文的阈值设置原则，使用本文方法能够较好地提取边界点。 　　1多阈值提取平面点云边界点的方法 　　1.1近邻点的检索 　　二维平面散乱点云没有明显的几何分布特征，点与点之间也没有拓扑关系，因此当点云数量巨大，寻找k近邻点时，有必要建立点云间的拓扑关系，提高搜索速度。常用方法有栅格法、八叉树法、空间单元格法和KDtree法等[11]。由于切片面上点云数据量较小，且为二维点云数据，因此采用简单的栅格法建立点间的拓扑关系，提高k近邻点搜索速度。栅格大小的设置与点云密度有关，如果设置不当，会影响计算效率[11]。 　　点云密度ρ的估算方法如下所示。 　　在点云中随机抽取n个点，对每个点gi（i=1，2，…，n）在点云中搜索距其距离最近的m个点，并计算每点到其距离Di，求其平均值即为点云密度估计值： 　　ρ=（∑ni=1∑mj=1Dji）/（n×m）（1） 　　依此密度值设置栅格尺寸，在获取得到近邻点后，可依据距离对近邻点排序，获得最近的k个近邻点[12]。 　　1.2点集的几何特性分析 　　判断点P的近邻点分布，若近邻点偏向一侧，则认为P点为边界点；反之若近邻点均匀分布在其四周，该点则为内部点。P点为内部点和外部点的点集分布如图1所示。 　　边界点具有不确定性，即边界点是否处在边界线上，是不确定的，如图2所示，因此，不能提取出完全与边界一致的点，而只能提取出其近似边界点，但要在最大限度上保留其边界特征[5]。 　　1.3判断过程 　　依据预测点云密度ρ设置栅格尺寸，获取k个近