一种基于双边滤波器的多视角密集点云数据融合方法
【专利摘要】本发明公开了一种基于双边滤波器的多视角密集点云数据融合方法，属于光学三维非接触式测量【技术领域】，该方法的实现步骤包括：1)输入多视角密集点云数据；2)拓扑关系构建；3)基于双边滤波器的点数据归属；4)Mean-shift聚类融合；5)输出融合结果。本发明方法融合多视角点云数据时，引入双边滤波器和Mean-shift聚类，不需要识别重叠区域与非重叠区域，提高了融合多幅多视角点云数据的效率和融合后点云的平滑、光顺程度，有效地克服了现有点云融合技术的缺陷。
【专利说明】一种基于双边滤波器的多视角密集点云数据融合方法
【技术领域】
[0001] 本发明属于光学三维非接触式测量【技术领域】，涉及一种多视角密集点云数据融合 方法，更进一步涉及一种新的基于双边滤波器的多视角密集点云数据融合方法。
【背景技术】
[0002] 光学三维测量技术是集光、机、电和计算机技术于一体的智能化、可视化的高新技 术，主要用于对物体空间外形和结构的扫描，以得到物体的三维轮廓，获得物体表面点的三 维空间坐标。随着现代检测技术的进步，特别是随着激光技术、计算机技术以及图像处理技 术等高新技术的发展，三维测量技术逐步成为人们的研究重点。光学三维测量技术由于具 有非接触、快速测量、精度高等优点，使其在航空航天、军工、汽车和装备制造等行业得到了 广泛应用。三维测量技术是获取物体表面各点空间坐标的技术，主要包括接触式和非接触 式两大类。其中，通过光学三维非接触式测量设备采集的多视角点云数据的处理技术，如融 合、降噪、曲面重建等，是当前研究的热点。
[0003] 点云融合是指消除由测量误差和匹配误差等导致的多视角点云重叠区域的噪声、 分层和冗余，建立细节特征清晰、表面光顺的单层点云模型。点云融合技术随着三维光学非 接触式测量技术的发展而不断发展。按照融合方式可以将现有点云融合方法分为三类：基 于隐式曲面重构的点云融合技术，基于显式曲面重构的点云融合技术和基于聚类的点云融 合技术。
[0004] 基于隐式曲面重构的点云融合技术一般先通过有向距离场（Signed Distance Field, SDF)或者移动最小二乘（Moving Least Squares, MLS)等技术构建一光顺的隐式曲 面，然后通过三角网格化方法或者B样条曲面构建技术将隐式曲面转换为显式曲面，从而 实现多视角密集点云数据的融合。这类点云融合方法在构建隐式曲面的过程中可以有效地 消除由测量误差和匹配偏差等导致的分层及噪音，但这类方法在将隐式曲面转换为显式曲 面的过程中会占用大量的计算机资源，融合效率低。
[0005] 基于显式曲面重构的点云融合技术在网格化的过程中（通过构建三角网格曲面、 泊松曲面或者nurbs曲面等）将多视角点云融合在一起，融合结果为一显式的网格曲面。但 这类方法对匹配偏差及噪声比较敏感，融合后重叠区域表面的融合效果一般比较差，会保 留融合前的痕迹。此外，这类方法占用计算机资源多、效率低，不适用于大规模点云数据的 融合处理。
[0006] 基于聚类的点云融合技术通过聚类的方法将重叠区域的同名点数据聚集在一起 并融合，从而实现冗余消除。这类点云融合方法是一种无网格点云处理技术，此类方法占用 计算机资源少，但当待融合的点云幅数多于两幅时，需要通过增量式的方法进行融合，即先 将其中两幅融合在一起，然后再加进来一幅进行融合，依次类推，直至所有点云融合完毕为 止。增量式的融合方式一方面效率低，另外一方面不能保证融合后的点云位于最优的曲面 上。
【发明内容】
[0007] 为了克服现有点云融合技术的缺陷，满足包含重叠区域的多视角密集点云数据的 融合处理要求，本发明提供了一种基于双边滤波器的多视角密集点云数据融合方法。该方 法可一次性将多幅包含匹配偏差、噪声的多视角密集点云数据融合为一幅完整、光顺、分布 均匀的单层点云数据。
[0008] 为达到以上目的，本发明采取的技术方案是：
[0009] -种基于双边滤波器的多视角密集点云数据融合方法，包括下述步骤：
[0010] 步骤一，输入多视角密集点云数据
[0011] 输入测量设备采集的待融合的多幅多视角密集点云数据，输入的多幅多视角密集 点云数据需同时包含三维坐标信息及法向量信息；
[0012] 步骤二，拓扑关系构建
[0013] 将步骤一所输入的多幅多视角密集点云数据合并在一起，建立一棵k-d树，构建 点云数据中点数据间的拓扑关系；
[0014] 步骤三，基于双边滤波器的点数据归属
[0015] 在步骤二所构建的拓扑关系的基础上，查询点云中每一个点数据的局部邻域信 息，然后采用双边滤波器更新每一个点数据的三维坐标，从而实现点数据的归属；
[0016] 步骤四，Mean-shift聚类融合
[0017] 对步骤三所归属后的点数据，采用Mean-shift聚类的方法将欧式距离小于多视 角密集点云数据的平均点距的点数据聚集在一起，获得局部模式点数据；并用所获得的局 部模式点数据代替所聚集的欧式距离小于多视角密集点云数据的平均点距的点数据，实现 冗余消除；
[0018] 步骤五，输出融合结果
[0019] 将步骤四聚类融合后的点数据输出，获得融合点云数据。
[0020] 进一步地，所述基于双边滤波器的多视角密集点云数据融合方法还包括，输入多 视角密集点云数据以后，在进行步骤二拓扑关系构建之前，需要计算多视角密集点云数据 的平均点距D。
[0021] 所述多视角密集点云数据平均点距D的计算方法如下：
[0022] 2. 1)随机抽取一幅待融合的点云数据，为该幅点云数据建立一棵k-d树；
[0023] 2. 2)在步骤2. 1)所抽取的点云数据中随机抽取若干个点数据，采用k-d树的最邻 近点搜索方法查询所抽取的每个点数据的最邻近的一个点数据；
[0024] 2. 3)计算步骤2. 2)所抽取的每个点数据与其最邻近的一个点数据的欧式距离， 并取这些欧式距离的平均值作为多视角密集点云数据的平均点距D。
[0025] 进一步地，所述步骤三中点数据的局部邻域信息是指位于底面半径为r、高度为h 的圆柱形区域内，并同时满足欧氏距离判据及法向量判据的点数据集合。
[0026] 所述每一个点数据的局部邻域信息查询方法如下：
[0027] 3. 1)由使用者指定圆柱形区域的底面半径r及高度h，并计算该圆柱形区域的外 接圆的半径R:
[0028]
【权利要求】
1. 一种基于双边滤波器的多视角密集点云数据融合方法，其特征在于，包括下述步 骤： 步骤一，输入多视角密集点云数据 输入测量设备采集的待融合的多幅多视角密集点云数据，输入的多幅多视角密集点云 数据需同时包含三维坐标信息及法向量信息； 步骤二，拓扑关系构建 将步骤一所输入的多幅多视角密集点云数据合并在一起，建立一棵k-d树，构建点云 数据中点数据间的拓扑关系； 步骤三，基于双边滤波器的点数据归属 在步骤二所构建的拓扑关系的基础上，查询点云中每一个点数据的局部邻域信息，然 后采用双边滤波器更新每一个点数据的三维坐标，从而实现点数据的归属； 步骤四，Mean-shift聚类融合 对步骤三所归属后的点数据，采用Mean-shift聚类的方法将欧式距离小于多视角密 集点云数据的平均点距的点数据聚集在一起，获得局部模式点数据；并用所获得的局部模 式点数据代替所聚集的欧式距离小于多视角密集点云数据的平均点距的点数据，实现冗余 消除； 步骤五，输出融合结果 将步骤四聚类融合后的点数据输出，获得融合点云数据。
2. 根据权利要求1所述的基于双边滤波器的多视角密集点云数据融合方法，其特征在 于还包括，输入多视角密集点云数据以后，在进行步骤二拓扑关系构建之前，需要计算多视 角密集点云数据的平均点距D ; 所述多视角密集点云数据平均点距D的计算方法如下： 2. 1)随机抽取一幅待融合的点云数据，为该幅点云数据建立一棵k-d树； 2. 2)在步骤2. 1)所抽取的点云数据中随机抽取若干个点数据，采用k-d树的最邻近点 搜索方法查询所抽取的每个点数据的最邻近的一个点数据； 2.3)计算步骤2. 2)所抽取的每个点数据与其最邻近的一个点数据的欧式距离，并取 这些欧式距离的平均值作为多视角密集点云数据的平均点距D。
3. 根据权利要求1所述的基于双边滤波器的多视角密集点云数据融合方法，其特征 在于，所述步骤三中点数据的局部邻域信息是指位于底面半径为r、高度为h的圆柱形区域 内，并同时满足欧氏距离判据及法向量判据的点数据集合； 所述每一个点数据的局部邻域信息查询方法如下： 3. 1)由使用者指定圆柱形区域的底面半径r及高度h，并计算该圆柱形区域的外接圆 的半径R :
3. 2)在步骤二所构建的拓扑关系的基础上，采用k-d树的固定半径搜索方法搜索位于 以点数据P = (v，η)为中心，以步骤3. 1)计算的半径R为半径的球形区域内的点数据Pi = (Vi，;其中，V表示点数据P的三维坐标向量，η表示为点数据P的法向量，vi表示点数 据Pi的三维坐标向量，ni表示为点数据Pi的法向量； 3.3)对于步骤3. 2)所搜索的球形区域内的每个点数据Pi，如果其同时满足所述的欧 式距离判据
及法向量判据叫·η > 〇,则认为该点数据Pi为 点数据p的一个邻域点，否则为非邻域点；其中，符号?表不向量内积，符号I I表不取绝对 值，符号11 11表不取三维坐标向量的模； 点数据P的邻域点数据Pi的集合构成了点数据P的邻域。
4. 根据权利要求1所述的基于双边滤波器的多视角密集点云数据融合方法，其特征在 于所述步骤三中，采用双边滤波器更新每一个点数据P= (v，η)的三维坐标的方法如下：
其中，ν表示待更新的点数据Ρ的三维坐标向量，η表示待更新的点数据Ρ的法向 量，W表示更新后的点数据Ρ的三维坐标向量，h表示点数据Ρ的第i个邻域点数 据Pi至点数据P的距离在点数据P的法向量η方向上的投影：
表 示点数据Ρ的第i个邻域点数据Pi至点数据Ρ的距离在点数据Ρ的切平面上的投影：
,Vi表示点数据P的第i个邻域点数据Pi的三维坐标向量,N 为所查询的点数据P的邻域点数据的个数，权值函数
r为查询点数据P的邻域时由使用者所指定的圆柱形区域的底面半径，h为查询点数据P的 邻域时由使用者所指定的圆柱形区域的高度，符号?表示向量内积，符号I I表示取绝对值， 符号11 11表不取三维坐标向量的模。
5. 根据权利要求3或4所述的基于双边滤波器的多视角密集点云数据融合方法，其特 征在于由使用者所指定的圆柱形区域的底面半径r为3至5倍的多视角密集点云数据的平 均点距D，即r = 3?5D ;由使用者所指定的圆柱形区域的高度h = 2r。
6. 根据权利要求1所述的基于双边滤波器的多视角密集点云数据融合方法，其特征在 于所述步骤四中，Mean-shift聚类融合方法包括如下步骤： 6. 1)从点云中的任意一点数据p= (v，n)出发，采用k-d树的固定半径搜索方法，搜索 以点数据P为中心、底面半径为r的球形邻域内的点数据；其中，底面半径r的取值范围为 多视角密集点云数据的平均点距D的δ倍，即 r= SD; 6. 2)对步骤6. 1)所搜索的点数据P的球形邻域内的点数据进行一次Mean-shift聚 类，获得一局部模式点数据
：
其中，Vi为步骤6.1)所搜索的点数据p的球形邻域内的第i个点数据？1的三 维坐标向量，^为步骤6. 1)所搜索的点数据p的球形邻域内的第i个点数据Pi的法 向量，N表示点数据p的球形邻域内的点数据个数，位置带宽h v及法向量带宽hn的计 算方法为
核函 数
，核函数宽度参数σν&ση的取值范围为： 1D彡3D，0.1彡0.3, D为多视角密集点云数据的平均点距，符号|| ||表示取 三维坐标向量的模； 6.3) 判断步骤6. 2)所获得的局部模式点数据p'与点数据p是否重合，如果重合，则 保留点数据P'，删除步骤6. 1)所搜索的点数据p的球形邻域内的所有点数据，转入步骤 6.4);如果不重合，则从p'出发，重复步骤6. 1)至6.3); 6.4) 重复步骤6.1)至6. 3)，直至点云中所有点数据处理完毕为止。
7. 根据权利要求6所述的基于双边滤波器的多视角密集点云数据融合方法，其特征在 于所述步骤6. 1)中δ的取值范围为
；步骤6. 2)
其 中D为多视角密集点云数据的平均点距。
8. 根据权利要求7所述的基于双边滤波器的多视角密集点云数据融合方法，其特征在 于所述步骤6. 1)中δ的取值为
【文档编号】G06T5/00GK104050639SQ201410265785
【公开日】2014年9月17日 申请日期:2014年6月16日 优先权日:2014年6月16日
【发明者】史宝全 申请人:西安电子科技大学