1、 电 子 测 量 技 术E L E C T RON I CME A S U R EME N TT E CHNO L O G Y第4 5卷 第2 3期2 0 2 2年1 2月 D O I:1 0.1 9 6 5 1/j.c n k i.e m t.2 2 0 9 9 3 4基于F P F H的权重局部最优投影点云精简算法*王 曦1,2 王宗彦1,2 张宇廷1,2 吴 璞1,2 范浩东1,2(1.中北大学机械工程学院 太原 0 3 0 0 5 1;2.山西省起重机数字化工程技术研究中心 太原 0 3 0 0 5 1)摘 要:针对现有点云简化算法存在易丢失关键特征和复杂潜在曲面信息的问题,提出一种基
2、于F P F H的权重局部最优投影(WL O P)点云精简算法。首先,采用快速点特征直方图(F P F H)查找并提取原始模型中的特征点;然后,通过WL O P算法精简原始稠密点云,生成去噪、无离群点且均匀分布的点云;最后,利用点云融合方法将特征点与简化模型融合并去除冗余点。将本文算法与最小包围盒法、最远点采样法、权重局部最优投影算法进行对比实验。实验结果表明本文算法在简化率为3 0%时,点云分布均匀性和特征保留方面均优于其他算法。此外,可视化分析结果表明,本文算法既能够保证精简模型的完整性,又能较好地保留原始点云关键特征。信息熵分析结果表明,精简后的点云包含信息丰富,特征表达准确。该算法可为
3、点云重建提供重要应用价值。关键词:点云精简;F P F H;WL O P;点云融合;信息熵中图分类号:T P 3 9 1 文献标识码:A 国家标准学科分类代码:4 6 0.4 0 3 5W e i g h t e d l o c a l o p t i m a l p r o j e c t i o n p o i n t c l o u d s i m p l i f i c a t i o n a l g o r i t h m b a s e d o n F P F HW a n g X i1,2 W a n g Z o n g y a n1,2 Z h a n g Y u t i n
4、g1,2 Wu P u1,2 F a n H a o d o n g1,2(1.S c h o o l o f M e c h a n i c a l E n g i n e e r i n g,N o r t h U n i v e r s i t y o f C h i n a,T a i y u a n 0 3 0 0 5 1,C h i n a;2.S h a n x i C r a n e D i g i t a l E n g i n e e r i n g T e c h n o l o g y R e s e a r c h C e n t e r,T a i y u a n
5、0 3 0 0 5 1,C h i n a)A b s t r a c t:I n o r d e r t o t a c k l e t h e p r o b l e m t h a t t h e o r i g i n a l p o i n t c l o u d s i m p l i f i c a t i o n w a s e a s y t o l o s e k e y f e a t u r e s a n d c o m p l e x l a t e n t s u r f a c e i n f o r m a t i o n,t h i s p a s s a
6、g e p r o p o s e d a w e i g h t e d l o c a l o p t i m a l p r o j e c t i o n(WL O P)p o i n t c l o u d s i m p l i f i c a t i o n a l g o r i t h m b a s e d o n F P F H.F i r s t l y,t h i s p a s s a g e u s e d F a s t P o i n t F e a t u r e H i s t o g r a m(F P F H)t o f i n d a n d e x
7、 t r a c t f e a t u r e p o i n t s i n t h e o r i g i n a l m o d e l.T h e n,t h e o r i g i n a l d e n s e p o i n t c l o u d w a s r e d u c e d b y t h e WL O P a l g o r i t h m t o g e n e r a t e p o i n t c l o u d w h i c h h a d n o n o i s e,n o o u t l i e r s,a n d w a s e v e n l
8、y d i s t r i b u t e d.F i n a l l y,a p o i n t c l o u d f u s i o n m e t h o d w a s u s e d t o c o m b i n e t h e f e a t u r e p o i n t s w i t h t h e s i m p l i f i e d m o d e l a n d r e m o v e r e d u n d a n t p o i n t s.T h i s p a s s a g e c a r r i e d o u t c o m p a r a t i
9、v e e x p e r i m e n t s b e t w e e n a l g o r i t h m w i t h m i n i m u m r e c t a n g u l a r b o u n d i n g b o x a l g o r i t h m,f a r t h e s t p o i n t s a m p l i n g a l g o r i t h m a n d w e i g h t e d l o c a l o p t i m a l p r o j e c t i o n.T h e e x p e r i m e n t a l c
10、o n c l u s i o n i n d i c a t e s t h a t t h e a l g o r i t h m i n t h i s p a p e r i s b e t t e r t h a n o t h e r a l g o r i t h m s i n t e r m s o f d i s t r i b u t i o n u n i f o r m i t y a n d f e a t u r e r e t e n t i o n w h e n t h e r e d u c t i o n r a t e i s 3 0%.I n a d
11、 d i t i o n,t h e v i s u a l a n a l y s i s r e s u l t s s h o w t h a t t h e a l g o r i t h m i n t h i s p a p e r n o t o n l y g u a r a n t e e t h e i n t e g r i t y o f t h e s i m p l i f i e d m o d e l,b u t a l s o b e t t e r p r e s e r v e t h e k e y f e a t u r e s o f t h e o
12、 r i g i n a l p o i n t c l o u d.T h e r e s u l t s o f i n f o r m a t i o n e n t r o p y a n a l y s i s s h o w t h a t t h e s i m p l i f i e d p o i n t c l o u d c o n t a i n s r i c h e r i n f o r m a t i o n a n d e x p r e s s e s m o r e a c c u r a t e f e a t u r e.T h e a l g o r
13、 i t h m c a n p r o v i d e i m p o r t a n t a p p l i c a t i o n v a l u e f o r p o i n t c l o u d r e c o n s t r u c t i o n.K e y w o r d s:p o i n t c l o u d s i m p l i f i c a t i o n;F P F H;WL O P;p o i n t c l o u d i n t e g r a t i o n;i n f o r m a t i o n e n t r o p y 收稿日期:2 0 2
14、 2-0 6-1 3*基金项目:山西省重点国际科技合作项目(2 0 1 9 0 3 D 4 2 1 0 1 5)资助0 引 言 随着激光测量技术和计算机图形学的飞速发展,逆向工程和数字化的三维空间信息技术已成为计算机图形图像处理领域的研究热点1。与二维图像相比,对于外形复杂且特征信息丰富的物体,三维点云图像能够表达出更多的几何信息,被广泛的应用于自动驾驶、测绘、机器人定位抓取等领域2。现今三维激光扫描技术能够获取大量高精度的点云数据,但往往存在冗余点、噪声点、分布不均及数据量大等问题,严重影响数据存储、传输和模型重建等后续工911 第4 5卷电 子 测 量 技 术作。因此,在保证简化后模型的完
15、整性和保留关键特征基础上,对原始点云数据的精简预处理是必不可少的3。国内外学者针对点云精简问题做了大量研究。传统的点云精简算法主要有:最小包围盒法、曲率采样法、最远点采样法和权重局部最优投影算法等。W a n g4,S u5等为了提高点云简化效率,分别提出基于曲率的点云精简策略,实现在高简化率的情况下,仍然保留大量特征点的 目 的。Y a r o n等6为了在法线方向不明确的情况下,处理干扰点方向的噪声数据,提出一种局部最优投影(L O P)点云精简算法。H u a n g等7通过改进L O P算法,在L O P基础上,引入权重密度算子,解决了L O P简化后点分布不均的问题。李海鹏8,贾薇9
16、等针对点云数据集冗余点过多,影响数据处理效率的问题,采用快速点特征直方图(F P FH)的方法消除冗余点对精简模型的影响。李琪琪等1 0在精简策略中引入泊松分布区域生长算法,解决了传统简化算法丢失大量特征信息的问题。焦晨等1 1针对点云模型普遍存在噪声点的问题,综合多种滤波方法实现在精简点云的同时去除冗余数据。王琼等1 2针对车辆点云数据重构效率低和精简质量差的问题,采用k d-t r e e建立空间索引结构,提高了模型精简质量和曲面重构效率。传统点云精简算法大多侧重于保留模型完整性,提高处理效率,往往会忽略模型细节特征,丢失大量重要信息,无法保证精简后的质量1 3-1 4。针对上述问题,本文提出了一种基于F P FH的权重局部最优投影点云精简算法。本文主要工作:1)WL O P算法融合了F P FH特征提取的优点,在WL O P算法中加入F P FH特征提取算子,精简后的模型既能较好的表达点云细节特征,又能解决噪声点、离群点、分布不均等问题。2)通过信息熵评价方法对精简后的点云模型进行评价,该方法能够科学公正地衡量精简模型中包含信息量的大小。1 本文方法1.1 快速点特征直方图(F