一種基于雙邊濾波器的多視角密集點云數據融合方法
【專利摘要】本發明公開了一種基于雙邊濾波器的多視角密集點云數據融合方法，屬于光學三維非接觸式測量【技術領域】，該方法的實現步驟包括：1)輸入多視角密集點云數據；2)拓撲關系構建；3)基于雙邊濾波器的點數據歸屬；4)Mean-shift聚類融合；5)輸出融合結果。本發明方法融合多視角點云數據時，引入雙邊濾波器和Mean-shift聚類，不需要識別重疊區域與非重疊區域，提高了融合多幅多視角點云數據的效率和融合后點云的平滑、光順程度，有效地克服了現有點云融合技術的缺陷。
【專利說明】一種基于雙邊濾波器的多視角密集點云數據融合方法
【技術領域】
[0001] 本發明屬于光學三維非接觸式測量【技術領域】，涉及一種多視角密集點云數據融合 方法，更進一步涉及一種新的基于雙邊濾波器的多視角密集點云數據融合方法。
【背景技術】
[0002] 光學三維測量技術是集光、機、電和計算機技術于一體的智能化、可視化的高新技 術，主要用于對物體空間外形和結構的掃描，以得到物體的三維輪廓，獲得物體表面點的三 維空間坐標。隨著現代檢測技術的進步，特別是隨著激光技術、計算機技術以及圖像處理技 術等高新技術的發展，三維測量技術逐步成為人們的研究重點。光學三維測量技術由于具 有非接觸、快速測量、精度高等優點，使其在航空航天、軍工、汽車和裝備制造等行業得到了 廣泛應用。三維測量技術是獲取物體表面各點空間坐標的技術，主要包括接觸式和非接觸 式兩大類。其中，通過光學三維非接觸式測量設備采集的多視角點云數據的處理技術，如融 合、降噪、曲面重建等，是當前研究的熱點。
[0003] 點云融合是指消除由測量誤差和匹配誤差等導致的多視角點云重疊區域的噪聲、 分層和冗余，建立細節特征清晰、表面光順的單層點云模型。點云融合技術隨著三維光學非 接觸式測量技術的發展而不斷發展。按照融合方式可以將現有點云融合方法分為三類：基 于隱式曲面重構的點云融合技術，基于顯式曲面重構的點云融合技術和基于聚類的點云融 合技術。
[0004] 基于隱式曲面重構的點云融合技術一般先通過有向距離場（Signed Distance Field, SDF)或者移動最小二乘（Moving Least Squares, MLS)等技術構建一光順的隱式曲 面，然后通過三角網格化方法或者B樣條曲面構建技術將隱式曲面轉換為顯式曲面，從而 實現多視角密集點云數據的融合。這類點云融合方法在構建隱式曲面的過程中可以有效地 消除由測量誤差和匹配偏差等導致的分層及噪音，但這類方法在將隱式曲面轉換為顯式曲 面的過程中會占用大量的計算機資源，融合效率低。
[0005] 基于顯式曲面重構的點云融合技術在網格化的過程中（通過構建三角網格曲面、 泊松曲面或者nurbs曲面等）將多視角點云融合在一起，融合結果為一顯式的網格曲面。但 這類方法對匹配偏差及噪聲比較敏感，融合后重疊區域表面的融合效果一般比較差，會保 留融合前的痕跡。此外，這類方法占用計算機資源多、效率低，不適用于大規模點云數據的 融合處理。
[0006] 基于聚類的點云融合技術通過聚類的方法將重疊區域的同名點數據聚集在一起 并融合，從而實現冗余消除。這類點云融合方法是一種無網格點云處理技術，此類方法占用 計算機資源少，但當待融合的點云幅數多于兩幅時，需要通過增量式的方法進行融合，即先 將其中兩幅融合在一起，然后再加進來一幅進行融合，依次類推，直至所有點云融合完畢為 止。增量式的融合方式一方面效率低，另外一方面不能保證融合后的點云位于最優的曲面 上。
【發明內容】
[0007] 為了克服現有點云融合技術的缺陷，滿足包含重疊區域的多視角密集點云數據的 融合處理要求，本發明提供了一種基于雙邊濾波器的多視角密集點云數據融合方法。該方 法可一次性將多幅包含匹配偏差、噪聲的多視角密集點云數據融合為一幅完整、光順、分布 均勻的單層點云數據。
[0008] 為達到以上目的，本發明采取的技術方案是：
[0009] -種基于雙邊濾波器的多視角密集點云數據融合方法，包括下述步驟：
[0010] 步驟一，輸入多視角密集點云數據
[0011] 輸入測量設備采集的待融合的多幅多視角密集點云數據，輸入的多幅多視角密集 點云數據需同時包含三維坐標信息及法向量信息；
[0012] 步驟二，拓撲關系構建
[0013] 將步驟一所輸入的多幅多視角密集點云數據合并在一起，建立一棵k-d樹，構建 點云數據中點數據間的拓撲關系；
[0014] 步驟三，基于雙邊濾波器的點數據歸屬
[0015] 在步驟二所構建的拓撲關系的基礎上，查詢點云中每一個點數據的局部鄰域信 息，然后采用雙邊濾波器更新每一個點數據的三維坐標，從而實現點數據的歸屬；
[0016] 步驟四，Mean-shift聚類融合
[0017] 對步驟三所歸屬后的點數據，采用Mean-shift聚類的方法將歐式距離小于多視 角密集點云數據的平均點距的點數據聚集在一起，獲得局部模式點數據；并用所獲得的局 部模式點數據代替所聚集的歐式距離小于多視角密集點云數據的平均點距的點數據，實現 冗余消除；
[0018] 步驟五，輸出融合結果
[0019] 將步驟四聚類融合后的點數據輸出，獲得融合點云數據。
[0020] 進一步地，所述基于雙邊濾波器的多視角密集點云數據融合方法還包括，輸入多 視角密集點云數據以后，在進行步驟二拓撲關系構建之前，需要計算多視角密集點云數據 的平均點距D。
[0021] 所述多視角密集點云數據平均點距D的計算方法如下：
[0022] 2. 1)隨機抽取一幅待融合的點云數據，為該幅點云數據建立一棵k-d樹；
[0023] 2. 2)在步驟2. 1)所抽取的點云數據中隨機抽取若干個點數據，采用k-d樹的最鄰 近點搜索方法查詢所抽取的每個點數據的最鄰近的一個點數據；
[0024] 2. 3)計算步驟2. 2)所抽取的每個點數據與其最鄰近的一個點數據的歐式距離， 并取這些歐式距離的平均值作為多視角密集點云數據的平均點距D。
[0025] 進一步地，所述步驟三中點數據的局部鄰域信息是指位于底面半徑為r、高度為h 的圓柱形區域內，并同時滿足歐氏距離判據及法向量判據的點數據集合。
[0026] 所述每一個點數據的局部鄰域信息查詢方法如下：
[0027] 3. 1)由使用者指定圓柱形區域的底面半徑r及高度h，并計算該圓柱形區域的外 接圓的半徑R:
[0028]
【權利要求】
1. 一種基于雙邊濾波器的多視角密集點云數據融合方法，其特征在于，包括下述步 驟： 步驟一，輸入多視角密集點云數據 輸入測量設備采集的待融合的多幅多視角密集點云數據，輸入的多幅多視角密集點云 數據需同時包含三維坐標信息及法向量信息； 步驟二，拓撲關系構建 將步驟一所輸入的多幅多視角密集點云數據合并在一起，建立一棵k-d樹，構建點云 數據中點數據間的拓撲關系； 步驟三，基于雙邊濾波器的點數據歸屬 在步驟二所構建的拓撲關系的基礎上，查詢點云中每一個點數據的局部鄰域信息，然 后采用雙邊濾波器更新每一個點數據的三維坐標，從而實現點數據的歸屬； 步驟四，Mean-shift聚類融合 對步驟三所歸屬后的點數據，采用Mean-shift聚類的方法將歐式距離小于多視角密 集點云數據的平均點距的點數據聚集在一起，獲得局部模式點數據；并用所獲得的局部模 式點數據代替所聚集的歐式距離小于多視角密集點云數據的平均點距的點數據，實現冗余 消除； 步驟五，輸出融合結果 將步驟四聚類融合后的點數據輸出，獲得融合點云數據。
2. 根據權利要求1所述的基于雙邊濾波器的多視角密集點云數據融合方法，其特征在 于還包括，輸入多視角密集點云數據以后，在進行步驟二拓撲關系構建之前，需要計算多視 角密集點云數據的平均點距D ; 所述多視角密集點云數據平均點距D的計算方法如下： 2. 1)隨機抽取一幅待融合的點云數據，為該幅點云數據建立一棵k-d樹； 2. 2)在步驟2. 1)所抽取的點云數據中隨機抽取若干個點數據，采用k-d樹的最鄰近點 搜索方法查詢所抽取的每個點數據的最鄰近的一個點數據； 2.3)計算步驟2. 2)所抽取的每個點數據與其最鄰近的一個點數據的歐式距離，并取 這些歐式距離的平均值作為多視角密集點云數據的平均點距D。
3. 根據權利要求1所述的基于雙邊濾波器的多視角密集點云數據融合方法，其特征 在于，所述步驟三中點數據的局部鄰域信息是指位于底面半徑為r、高度為h的圓柱形區域 內，并同時滿足歐氏距離判據及法向量判據的點數據集合； 所述每一個點數據的局部鄰域信息查詢方法如下： 3. 1)由使用者指定圓柱形區域的底面半徑r及高度h，并計算該圓柱形區域的外接圓 的半徑R :
3. 2)在步驟二所構建的拓撲關系的基礎上，采用k-d樹的固定半徑搜索方法搜索位于 以點數據P = (v，η)為中心，以步驟3. 1)計算的半徑R為半徑的球形區域內的點數據Pi = (Vi，;其中，V表示點數據P的三維坐標向量，η表示為點數據P的法向量，vi表示點數 據Pi的三維坐標向量，ni表示為點數據Pi的法向量； 3.3)對于步驟3. 2)所搜索的球形區域內的每個點數據Pi，如果其同時滿足所述的歐 式距離判據
及法向量判據叫·η > 〇,則認為該點數據Pi為 點數據p的一個鄰域點，否則為非鄰域點；其中，符號?表不向量內積，符號I I表不取絕對 值，符號11 11表不取三維坐標向量的模； 點數據P的鄰域點數據Pi的集合構成了點數據P的鄰域。
4. 根據權利要求1所述的基于雙邊濾波器的多視角密集點云數據融合方法，其特征在 于所述步驟三中，采用雙邊濾波器更新每一個點數據P= (v，η)的三維坐標的方法如下：
其中，ν表示待更新的點數據Ρ的三維坐標向量，η表示待更新的點數據Ρ的法向 量，W表示更新后的點數據Ρ的三維坐標向量，h表示點數據Ρ的第i個鄰域點數 據Pi至點數據P的距離在點數據P的法向量η方向上的投影：
表 示點數據Ρ的第i個鄰域點數據Pi至點數據Ρ的距離在點數據Ρ的切平面上的投影：
,Vi表示點數據P的第i個鄰域點數據Pi的三維坐標向量,N 為所查詢的點數據P的鄰域點數據的個數，權值函數
r為查詢點數據P的鄰域時由使用者所指定的圓柱形區域的底面半徑，h為查詢點數據P的 鄰域時由使用者所指定的圓柱形區域的高度，符號?表示向量內積，符號I I表示取絕對值， 符號11 11表不取三維坐標向量的模。
5. 根據權利要求3或4所述的基于雙邊濾波器的多視角密集點云數據融合方法，其特 征在于由使用者所指定的圓柱形區域的底面半徑r為3至5倍的多視角密集點云數據的平 均點距D，即r = 3?5D ;由使用者所指定的圓柱形區域的高度h = 2r。
6. 根據權利要求1所述的基于雙邊濾波器的多視角密集點云數據融合方法，其特征在 于所述步驟四中，Mean-shift聚類融合方法包括如下步驟： 6. 1)從點云中的任意一點數據p= (v，n)出發，采用k-d樹的固定半徑搜索方法，搜索 以點數據P為中心、底面半徑為r的球形鄰域內的點數據；其中，底面半徑r的取值范圍為 多視角密集點云數據的平均點距D的δ倍，即 r= SD; 6. 2)對步驟6. 1)所搜索的點數據P的球形鄰域內的點數據進行一次Mean-shift聚 類，獲得一局部模式點數據
：
其中，Vi為步驟6.1)所搜索的點數據p的球形鄰域內的第i個點數據？1的三 維坐標向量，^為步驟6. 1)所搜索的點數據p的球形鄰域內的第i個點數據Pi的法 向量，N表示點數據p的球形鄰域內的點數據個數，位置帶寬h v及法向量帶寬hn的計 算方法為
核函 數
，核函數寬度參數σν&ση的取值范圍為： 1D彡3D，0.1彡0.3, D為多視角密集點云數據的平均點距，符號|| ||表示取 三維坐標向量的模； 6.3) 判斷步驟6. 2)所獲得的局部模式點數據p'與點數據p是否重合，如果重合，則 保留點數據P'，刪除步驟6. 1)所搜索的點數據p的球形鄰域內的所有點數據，轉入步驟 6.4);如果不重合，則從p'出發，重復步驟6. 1)至6.3); 6.4) 重復步驟6.1)至6. 3)，直至點云中所有點數據處理完畢為止。
7. 根據權利要求6所述的基于雙邊濾波器的多視角密集點云數據融合方法，其特征在 于所述步驟6. 1)中δ的取值范圍為
；步驟6. 2)
其 中D為多視角密集點云數據的平均點距。
8. 根據權利要求7所述的基于雙邊濾波器的多視角密集點云數據融合方法，其特征在 于所述步驟6. 1)中δ的取值為
【文檔編號】G06T5/00GK104050639SQ201410265785
【公開日】2014年9月17日 申請日期:2014年6月16日 優先權日:2014年6月16日
【發明者】史寶全 申請人:西安電子科技大學