特征保持点云数据精简.pdfVIP

第 23卷 第 9期 光学 精密工程 Vo1．23 No．9 2015年 9月 CIpticsandPrecisionEngineering Sept．2015 文章编号 1004—924X(2015)09-2666—11 特征保持点云数据精简 袁小翠，吴禄慎 ，陈华伟 (南昌大学机电工程学院，江西南昌330031) 摘要：由于三维扫描设备采集的点云数据庞大，本文提出了一种特征保持的点云精简方法以在减少冗余数据的同时更好 地保持原始曲面的几何特征 。首先，利用 K均值聚类法在空间域对点云全局聚类 ，对点云构建 K—d树并 以K—d树 的部 分节 点作为初始化 聚类 中心 。然后 ，用主成分分析法估计点云法矢和候选特征点，遍历每个 聚类 ，若类 中包含特征点则 将该类细分为多个子类，细分时将聚类映射到高斯球。最后，基于 自适应均值漂移法对高斯球上的数据进行分类，高斯 球上 的聚类结果对应为空间聚类细分结果，各聚类 中心的集合为精简结果 。以多个实物模型为例验证 了算法 的有效性 。 结果表明，本文方法精简的点云在平坦区域保留少数点，在高曲率区域保留更多的点。相 比于非均匀网格、层次聚类、K 均值点云精简法 ，该方法对包含尖锐特征的曲面精简误差最小，更好地保留了原始 曲面的几何特征 。 关 键 词 ：点云精简；主成份分析 ；K均值聚类 ；均值漂移 ；高斯映射 中图分类号 ：TP391．7 文献标识码 ：A doi：i0．3788／OPE2666 Featurepreservingpointcloudsimplification YUAN Xiao—CUi，W U Lu—shen，CHEN Hua—wei (SchoolofMechanicalandElectricalEngineering， NanchangUniversity，Nanchang 330031，China) *C0rrgsp0 gauthor，E-mail：wulushen@ 163．com Abstract：3D scanningdevicesgenerallyproducealargeamountofdensepoints．Thispaperpresentsa featurepreserving pointcloud simplification method to reduceredundantpointswhilepreserving originalgeometric featureswel1． Firstly，K～mean clustering algorithm wasemployed to globally gathersim ilarpointsin aspatialdomain．By constructing aK-d treestructureforthepointcloud， somenodesoftheK-d treewereusedasinitialclusteringcentroids．Then，norma1vectorofpoint cloud and candidate feature points were estimated with principalcomponent analysis method． Traversingeverycluster，iffeaturepointswerecontained inthecluster，theclusterwassubdivided intoaseriesofsub-clustersandtheclusterwasmappedtoaGaussiansphere．Finally，adaptivemean shiftalgorithm wasemployed to classify thedata in Gaussian sphereand theclustersin Gaussian spherewe