1.一种基于可信度信息的点云数据粗差定位和剔除方法,其特征在于,包括:
(1)点云数据采集:通过测量设备采集待测物体的点云数据;
(2)点云数据预处理:对所测点云数据进行预处理,包括:点云数据降维、点云数据规则化;
(3)点云数据邻域确定和曲面拟合,包括:点云数据邻域自适应划分、邻域内点云数据曲面拟合;
(4)置信度计算,包括:根据迭代计算方法,计算出点云数据中所有点到其对应邻域内二次曲面的距离,选取点云数据中某点邻域中距离的平均值和方差,来计算该点的置信度,并据此计算出点云数据中其它所有点的置信度;
(5)粗差定位和剔除:根据点云数据中各点的置信度判断该点是否为粗差,若点云数据中某点判断为粗差,则以置信度作为权重,对该点所处邻域内的数据进行加权求和,得其邻域内点云数据的数学期望,以剔除定位到的粗差点。
2.根据权利要求1所述的方法,其特征在于,步骤(2)中,对点云数据进行预处理包括:
点云数据降维:利用坐标变换法,固定点云中的数据点,将其所处的坐标系进行平移或旋转,选取适当的坐标系表示点云数据的坐标,从而固定数据点坐标的其中一维,实现点云数据降维;
点云数据规则化:对点云数据按照行列进行规则化,形成按行列顺序排列的规则点云数据。
3.根据权利要求2所述的方法,其特征在于,步骤(3)中,
点云数据邻域自适应划分包括:将点云数据进行邻域划分,找到每个数据点p(i,j)所处的k×k最近邻域;其中i,j分别为该数据对应的行列号,且i=1…m,j=1…n,m为点云数据行总数,n为点云数据列总数,k为数据点p(i,j)所处邻域的大小,即邻域的行列总数;
邻域内点云数据曲面拟合包括:对点云数据中每个数据点所处的k×k邻域进行曲面拟合,即对该邻域内的数据利用最小二乘的方法构造二次曲面。
4.根据权利要求3所述的方法,其特征在于,在点云数据邻域自适应划分中,按照行列顺序确定邻域边界,根据以下原则进行邻域划分:
当i=1时,取第1、2行作为点云数据的行邻域;当j=1时,取第1、2列作为点云数据的列邻域;
当
当
当
当i=m时,取第m-1、m行作为点云数据的行邻域;当j=n时,取第n-1、n列作为点云数据的列邻域。
5.根据权利要求4所述的方法,其特征在于,邻域内点云数据曲面拟合包括:
将数据点p(i,j)邻域内数据点lp(i,j)(r,s)(r=1,2,…k;s=1,2,…k),在局部邻域内进行二次曲面拟合,拟合方程的一般形式为:
s(u,v)=au2+buv+cv2+du+ev
拟合的目标函数为:
其中,u和v为曲面参数,a、b、c、d、e为曲面方程的系数,应用奇异值分解法可获得拟合曲面的最小二乘解。
6.根据权利要求5所述的方法,其特征在于,步骤(4)包括:
(41)求得数据点p(i,j)邻域内的每一个数据点沿法线方向到对应邻域内的二次曲面的距离dp(i,j)(r,s)(r=1,2,…k;s=1,2,…k),计算得出邻域内数据点到邻域内二次曲面距离的平均值
其中,r,s分别为邻域的行列数;k为邻域的大小,即行列数;dp(i,j)(r,s)为邻域中点到二次曲面的距离;
(42)以数据点p(i,j)到拟合曲面的距离dp(i,j)和邻域内其它数据点到邻域曲面的距离dp(i,j)(r,s)(r=1,2,…k;s=1,2,…k)构造置信度邻域n,
n={d||dp(i,j)(r,s)-dp(i,j)|<δ,δ>0}(r=1,2,…k;s=1,2,…k)
取δ=ωλ,即n={d||dp(i,j)(r,s)-dp(i,j)|<ωλ},其中ω为大于0的正整数,取值大小可根据点云数据的粗差剔除效果确定;若数据点p(i,j)的邻域集合中,各点到拟合曲面的距离处于闭区间[dp(i,j)-ωλdp(i,j)+ωλ]的个数为ξi,j,则数据点p(i,j)的置信度为:
其中,ξi,j表示p(i,j)点邻域中处于置信度区间数据点的个数;
7.根据权利要求6所述的方法,其特征在于,步骤(5)中,设定粗差定位所需的置信度阈值,若数据点p(i,j)的置信度大于所述置信度阈值,则判定该数据点对应的观测值为非粗差值;否则,定位该数据点对应的观测值为粗差。
8.根据权利要求7所述的方法,其特征在于,对包括数据点p(i,j)的k×k邻域内所有的观测值求数学期望,即将其所处邻域内所有数据点的置信度作为权重进行加权求和,得出观测值的数学期望e(pi,j),如下式:
其中,pi,j(r,s)(r=1,2…k;s=1,2…k)为p(i,j)点邻域中第r行和第s列的数据点;
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储计算机程序,所述计算机程序适于被所述处理器加载并执行根据权利要求1-7中任一权利要求所述的方法。