一种基于体素滤波的三维点云精简方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115546372A(43)申请公布日2022.12.30(21)申请号202211275284.6(22)申请日2022.10.18(71)申请人重庆工业大数据创新中心有限公司地址400799重庆市北碚区新茂路1号(自贸区)申请人重庆理工大学(72)发明人宋涛张渝张景涛邢镔李程田媛王敏李沩沩(74)专利代理机构重庆博凯知识产权代理有限公司50212专利代理师黄河(51)Int.Cl.G06T15/00(2011.01)G06T17/00(2006.01)G06V10/46(2022.01)权利要求书2页说明书9页附图6页(54)发明名称一种基于体素滤波的三维点云精简方法(57)摘要本发明涉及点云处理技术领域，尤其涉及一种基于体素滤波的三维点云精简方法，包括以下步骤：S1、获取原始点云图；S2、通过3D‑SIFT算法提取出原始点云图的强特征点，得到强特点云图；S3、去除原始点云图中的强特征点，得到弱特征点云图；S4、通过改进后的八叉树算法对弱特征点云图进行滤波，用距离重心最近的点代替体素内部的全部点，得到滤波后的弱特征点云图；S5、将滤波后的弱特征点云图与强特征点云图进行合并，得到精简后的点云图。本方法能够在保留特征点的同时对点云进行有效的精简。CN115546372ACN115546372A权利要求书1/2页1.一种基于体素滤波的三维点云精简方法，其特征在于，包括以下步骤：S1、获取原始点云图；S2、通过3D‑SIFT算法提取出原始点云图的强特征点，得到强特点云图；S3、去除原始点云图中的强特征点，得到弱特征点云图；S4、通过改进后的八叉树算法对弱特征点云图进行滤波，用距离重心最近的点代替体素内部的全部点，得到滤波后的弱特征点云图；S5、将滤波后的弱特征点云图与强特征点云图进行合并，得到精简后的点云图。2.如权利要求1所述的基于体素滤波的三维点云精简方法，其特征在于：S2包括：S21、用原始点云图中点数的乘法因子设置不同的尺度，生成原始点云图中的点云的高斯金字塔，通过高斯金字塔表示尺度空间；S22、将高斯金字塔中相近的两层点云相减，构成点云的高斯差分图进行极值检测，并将符合预设极值要求的极值点作为关键点；S23、通过关键点的邻域内点的方向和梯度特征，确定关键点的主方向，使关键点满足旋转不变性；所述邻域包括同层邻近的26个点、上层邻近的27个点以及下层邻近的27个点；S24、构建关键点描述符，用向量描述关键点使关键点具备稳定性，并将具备稳定性的关键点作为强特征点；所述稳定性为不随观测条件变化，所述观测条件包括光照、视角和尺度。3.如权利要求2所述的基于体素滤波的三维点云精简方法，其特征在于：S21中，还将点云的尺度空间表示为一个变化的高斯核函数与点云坐标相卷积：其中，L(x,y,z,σ)代表点云的尺度空间，G(x,y,z,σ)代表高斯卷积核函数，I(x,y,z)代表点云坐标，代表高斯卷积尺度因子；三维的高斯卷积核函数公式为：4.如权利要求3所述的基于体素滤波的三维点云精简方法，其特征在于：S22中，预设的极值要求为：将点与其邻域内的点进行灰度值比较，若该点的灰度值为极大值或极小值，则将其作为关键点。5.如权利要求4所述的基于体素滤波的三维点云精简方法，其特征在于：S23中，通过关键点邻域内点的方向和梯度特征计算公式，计算邻域内各点的方向和梯度特征；再使用梯度直方图统计法统计邻域内各点的方向和梯度，确定关键点的主方向；所述关键点邻域内点的方向和梯度特征计算公式为：2CN115546372A权利要求书2/2页其中，m(x,y,z)为关键点邻域窗口内的幅值，θ(x,y,z)为方向角，为俯仰角。6.如权利要求5所述的基于体素滤波的三维点云精简方法，其特征在于：S23中，使用梯度直方图统计法统计邻域内各点的方向和梯度时，将0°～360°的方向范围分成8份，构建一个8柱的梯度直方图；直方图峰值为该关键点邻域的梯度方向，将直方图中的最大值作为关键点的主方向。7.如权利要求6所述的基于体素滤波的三维点云精简方法，其特征在于：S24中，所述关键点描述符的构建包括：首先，将关键点的邻域划分为n×n个子区域，并将每个子区域0°～360°的方向范围分成8份，且0°方向与关键点的主方向相同；然后，计算子区域内的点的梯度值并将其分配到8个方向范围；最后，统计各子区域在8个方向范围的灰度梯度直方图，得到对应的特征向量并进行归一化处理，得到特征描述子，作为关键点描述符。8.如权利要求7所述的基于体素滤波的三维点云精简方法，其特征在于：S4包括：S41、根据弱特征点云的最小包围盒构建初始长方体，初始长方体的长、宽、高分别记为X、Y、Z，体积记为V；S42、将初始长方体分成n个子长方体，所述子长方体