基于局部子鄰域劃分的點云特征點提取方法
【專利摘要】本發(fā)明提供一種基于局部子鄰域劃分的點云特征點提取方法，包括了四個步驟：初始特征點提取階段，用于獲取輸入點云數(shù)據(jù)的潛在初始特征點；局部三角形構造階段，為了從初始特征點集中有效提取真實特征點，在每一個初始特征點的局部鄰域內構建反映該點局部幾何特征結構的三角形集合；局部子鄰域劃分階段，通過對構造的局部三角形集合的法向進行聚類，獲得一點處局部鄰域點的聚類，進而獲取一點處局部鄰域點的子鄰域劃分；魯棒特征點提取階段，對劃分好的子鄰域內的數(shù)據(jù)點進行局部擬合平面，通過判斷當前點是否同時落在多個平面的交線上識別真正的特征點。
【專利說明】基于局部子鄰域劃分的點云特征點提取方法

【技術領域】
[0001] 本發(fā)明涉及一種基于局部子鄰域劃分的點云特征點提取方法。

【背景技術】
[0002] 隨著三維掃描獲取技術的快速發(fā)展，點云數(shù)據(jù)處理研究業(yè)已成為數(shù)字幾何處理研 究發(fā)展過程中的研究熱點，并在工業(yè)設計、藝術、文物復原與保護等領域得到了廣泛的關注 和應用。隨著研究的深入，點云數(shù)據(jù)的魯棒特征提取等問題的研究具有深刻的理論意義和 廣泛的應用前景。
[0003] 特征是幾何模型的重要組成部分，對于幾何模型的外觀以及幾何模型的準確表達 具有重要作用。近年來網(wǎng)格模型的特征提取得到了國內外學者的廣泛研究，并成功應用于 特征保持的網(wǎng)格編輯，如特征保持的網(wǎng)格去噪、簡化、分割、修補等。
[0004] 與網(wǎng)格模型的特征提取相比，點云模型上特征提取的研究相對較少。一方面由于 點云數(shù)據(jù)缺乏自然拓撲連接關系，另一方面掃描獲取的點云數(shù)據(jù)常受到噪聲的影響，并伴 隨數(shù)據(jù)缺失等問題。如何有效提取點云數(shù)據(jù)的可靠特征信息，將對提高點云數(shù)據(jù)配準精度 和速度、網(wǎng)格重建效率、幾何特征保持的點云去噪和簡化等點云處理技術產(chǎn)生巨大影響。
[0005] 在點云數(shù)據(jù)特征提取方面，現(xiàn)有的特征點提取算法有構造黎曼樹表示點云的連接 信息，通過優(yōu)化特征點集的最小生成樹來提取點云上的特征線、結合協(xié)方差分析和最小生 成樹的多尺度點云特征點提取方法、基于法向估計和圖論的方法、基于魯棒移動最小二乘 的特征線提取方法以及基于高斯法向聚類的點云特征點提取方法。該類基于高斯法向聚類 的點云特征點提取方法首先在一點的局部鄰域內構建由當前點組成的所有可能的三角形 集合，并利用高斯法向聚類算法對三角形法向進行聚類。然后依據(jù)法向聚類的個數(shù)判別當 前點是否為特征點。由于特征點與靠近特征點的點具有高度相似的局部特征結構，僅僅依 靠構建局部三角形集合的法向在高斯球上的聚類個數(shù)很難有效地區(qū)分真正的特征點。同時 該方法構建包含當前點的所有可能的三角形，這一方面增加了運算的復雜度；另一方面該 三角形集合中存在較多跨越特征邊的三角形，進一步降低了特征判別的準確性，并導致某 些相對較弱特征的丟失。此外，局部鄰域大小的選擇也直接影響了特征提取的效果。
[0006] 針對現(xiàn)有算法存在的問題，本發(fā)明提出了一種基于局部子鄰域劃分的點云特征點 提取方法，該方法簡單、穩(wěn)定，對局部鄰域選取的大小不敏感，具有一定的抗噪能力，能夠在 有效提取顯著特征的同時，盡可能多的保留相對較弱的特征。


【發(fā)明內容】

[0007] 本發(fā)明解決的技術問題是：克服了現(xiàn)有點云特征點提取算法對噪聲干擾影響較大 的不足，提供了一種基于局部子鄰域劃分的特征點提取方法。本發(fā)明結合Gabriel三角形 構造和局部子鄰域劃分等技術，實現(xiàn)噪聲環(huán)境下掃描點云數(shù)據(jù)的魯棒提取，滿足了后續(xù)三 維幾何數(shù)據(jù)處理對特征約束的需要。
[0008] 本發(fā)明采用的技術方案為：一種基于局部子鄰域劃分的點云特征點提取方法，包 括以下四個步驟：
[0009] 步驟（1)、初始特征點提?。夯诰植苦徲虻膮f(xié)方差分析給每個數(shù)據(jù)點賦予度量 該點成為特征點的可能性，通過閾值過濾獲取初始特征點集合。由于受噪聲等因素的影響， 該過程需要盡可能多的提取潛在的初始特征點。
[0010] 步驟（2)、局部三角形構造：在每個初始特征點的局部鄰域內利用Gabriel三角形 生成法則構建不跨越特征區(qū)域，并能夠反映該點局部特征結構信息的三角形集合。本發(fā)明 構建的局部三角形集合不依賴于點云法向估計，不需要完全覆蓋局部鄰域，較現(xiàn)有構造方 法簡單靈活。
[0011] 步驟（3)、局部子鄰域劃分：根據(jù)步驟（2)中計算得到的三角形集合，利用共享近 鄰算法對構造的三角形法向進行聚類，進而得到對應局部區(qū)域數(shù)據(jù)點的分類集合，實現(xiàn)輸 入數(shù)據(jù)點的局部子鄰域劃分。
[0012] 步驟（4)、魯棒特征點提?。悍ㄏ蚓垲悓⑧徲螯c分成不同的子類，每一類對應著一 個潛在的分片光滑曲面。對步驟（3)中獲得的每一子鄰域內的數(shù)據(jù)點擬合平面，通過判斷 當前點是否同時落在多個平面來進行最終的特征點判別。
[0013] 本發(fā)明的原理在于：
[0014] (1)通過計算輸入點云數(shù)據(jù)局部鄰域內的協(xié)方差矩陣，本發(fā)明給每個數(shù)據(jù)點賦予 度量該點成為特征點的可能性，實現(xiàn)點云數(shù)據(jù)的初始特征點提取，減少因噪聲等因素導致 的特征點提取遺漏等問題。
[0015] (2)為了獲得魯棒的點云特征點提取，本發(fā)明利用Gabriel三角形生成法則在初 始特征點的局部鄰域內構造能夠反映其局部特征結構的三角形集合，實現(xiàn)對初始特征點局 部鄰域的子鄰域劃分，為后續(xù)特征點判斷提供信息支持。
[0016] (3)為了實現(xiàn)噪聲環(huán)境下掃描點云數(shù)據(jù)的魯棒提取，本發(fā)明利用特征點的直觀特 性，通過對每一個局部子鄰域內的數(shù)據(jù)點進行平面擬合，通過判斷當前點是否同時落在兩 個或多個平面的交線上完成最后特征點的判定。
[0017] 本發(fā)明與現(xiàn)有技術相比的優(yōu)點在于：
[0018] 1.本發(fā)明構建的局部三角形集合具有算法復雜度低、存在較少跨越特征邊的優(yōu) 點，為子鄰域的劃分和特征點的提取奠定堅實基礎。
[0019] 2.對比已有的點云特征點提取算法，本發(fā)明提出的基于局部鄰域劃分的點云特征 點提取方法，可直接作用在原始點云數(shù)據(jù)上，不依賴于法向、曲率等微分幾何量的估計，具 有較強的魯棒性。
[0020] 3.本發(fā)明提出的基于局部鄰域劃分的點云特征點提取算法，不僅可以在噪聲環(huán)境 下正確區(qū)分真實特征點和靠近真實特征點的偽特征點，同時檢測結果對鄰域選取的大小不 敏感。

【專利附圖】

【附圖說明】
[0021] 圖1為基于局部子鄰域劃分的點云特征點提取方法流程圖，（a)初始模型，（b)特 征度量，（c)初始特征點，（d)三種情形的局部剖分，（e)最終特征點；
[0022] 圖2為局部三角形集合與對應的鄰域點分類示意圖；
[0023] 圖3為局部子鄰域的平面擬合示意圖；
[0024] 圖4為二十面體模型的特征提取結果；
[0025] 圖5為Smooth feature模型的特征提取結果；
[0026] 圖6為八面體模型的特征提取結果；
[0027] 圖7為Fandisk模型的特征提取結果。

【具體實施方式】
[0028] 圖1給出了基于局部子鄰域劃分的點云特征點提取方法的總體處理流程，下面結 合其他附圖及【具體實施方式】進一步說明本發(fā)明。
[0029] 本發(fā)明提供一種基于局部子鄰域劃分的點云特征點提取方法，主要步驟介紹如 下：
[0030] 1.初始特征點提取
[0031] 記輸入的點云數(shù)據(jù)為P = {ρρ p2，…pN}，Pi e R3,對一點p e p，通過局部鄰域的協(xié) 方差分析計算該點成為特征點的可能性σρ。該指標度量了局部曲面的變化，反映了一點處 的特征信息，通過設置一個合適的閾值，篩選得到初始的特征點。本發(fā)明選取Κ近鄰作為局 部鄰域，測試中選取Κ = 25,通常能夠得到令人滿意的測試結果。
[0032] 用戶表示Κ近鄰的質心，Τ表示Κ近鄰Νρ的3X3協(xié)方差矩陣：
[0033]

【權利要求】
1. 一種基于局部子鄰域劃分的點云特征點提取方法，其特征在于包括以下四個步驟： 步驟（1)、初始特征點提?。夯诰植苦徲虻膮f(xié)方差分析給每個數(shù)據(jù)點賦予度量該點 成為特征點的可能性，通過閾值過濾獲取初始特征點集合； 步驟（2)、局部三角形構造：在每個初始特征點的局部鄰域內利用Gabriel三角形生成 法則構建不跨越特征區(qū)域，并能夠反映該點局部特征結構信息的三角形集合； 步驟（3)、局部子鄰域劃分：根據(jù)步驟（2)中計算得到的三角形集合，利用共享近鄰算 法對構造的三角形法向進行聚類，進而得到對應局部區(qū)域數(shù)據(jù)點的分類集合，實現(xiàn)輸入數(shù) 據(jù)點的局部子鄰域劃分； 步驟（4)、魯棒特征點提?。悍ㄏ蚓垲悓⑧徲螯c分成不同的子類，每一類對應著一個潛 在的分片光滑曲面；對步驟（3)中獲得的每一子鄰域內的數(shù)據(jù)點擬合平面，通過判斷當前 點是否同時落在多個平面來進行最終的特征點判別。
2. 根據(jù)權利要求1所述基于局部子鄰域劃分的點云特征點提取方法，，其特征在于：基 于局部鄰域協(xié)方差分析方法檢測初始特征點給出了度量輸入數(shù)據(jù)成為特征點的可能性，并 依據(jù)此特征度量檢測到盡可能多的初始特征點，有效避免了某些潛在特征點的遺漏；具體 為： 記輸入的點云數(shù)據(jù)為P = {Pu P2,…pN}，Pi G R3,對一點p G P，通過局部鄰域的協(xié)方差 分析計算該點成為特征點的可能性〇p;該指標％度量了局部曲面的變化，反映了一點處 的特征信息，通過設置一個合適的閾值，篩選得到初始的特征點； 用/7表不K近鄰的質心，T表不K近鄰Np的3X3協(xié)方差矩陣：
其中，入i為協(xié)方差矩陣T的特征值且入入2。
3. 根據(jù)權利要求1所述的基于局部子鄰域劃分的點云特征點提取方法，其特征在于：利用Gabriel三角形法則構造三角形集合的方法，充分利用了 Gabriel三角形具有的良好 性質，使得構造出的每個三角形緊緊貼附在某一潛在曲面上，降低跨越特征區(qū)域三角形的 數(shù)量，充分反映了一點處的特征結構；具體為： 記初始特征點Pi的1(近鄰點為A, ei\^，_/ = l，2，L [，構建Gabriel三角形& ; Gabriel 三角形滿足條件：由三個點構成的外接球不包含其他點；若點凡.為Pi的最近點，選取點A 使得點Pi的Gabriel三角形滿足4〃,.A, A:最大； 為確保每個Gabriel三角形緊緊貼附在某一潛在的曲面上，并且不跨越特征區(qū)域，需 要驗證每個Gabriel三角形的有效性；如果一個三角形緊緊貼附在某一潛在曲面上，則Np中必有一定數(shù)量的點落在或靠近該三角形所形成的平面上，否則該三角形的頂點必取自不 同的分片光滑曲面上；為此，計算每一個鄰居點（除去G的頂點）到&，所形成平面n的 距離，當距離小于一定閾值時，即認為該點為落在平面n上的點；計算平面n上點的個數(shù) 與所有鄰居點個數(shù)的百分比，當該比例小于一定閾值時，判定巧，無效并將其刪除；對構建 Gabriel三角形失敗的點，降低Gabriel三角形構建的條件,選用次近鄰點重新構建三角 形，往往能再次獲得滿足條件的三角形； 在Gabriel三角形集合對應著法向集合，將通過對法向進行聚類，獲得一點處局部鄰 域點的聚類；對于法向聚類，首先定義法向之間的距離；對于Gabriel三角形VPiPjPk,法向 為：np = PiPjXpiPk. 為了得到合理的距離度量，法向之間的距離定義為： d (np, nq) = min {arcos (np, nq), arcos (np, -nq)}. 采用對噪聲和離群點較為魯棒的共享近鄰聚類算法（SNN)，首先，計算每個節(jié)點法向 的k近鄰點，建立節(jié)點之間的相似圖，圖中每一個元素值為兩個節(jié)點公共k近鄰的個數(shù)；根 據(jù)SNN的稀疏性，當兩個節(jié)點不同時位于彼此的k近鄰中時則不產(chǎn)生連接關系，即元素值為 零； 節(jié)點的密度定義為與該點有連接關系的相似度之和；密度值越大，節(jié)點成為某一類內 點的可能性越大；相反，密度值越小，節(jié)點越可能成為噪聲點或離群點；如果一個節(jié)點的密 度值大于一定閾值，從圖的觀點表明它與其它點有較強的連接關系，自然地可將該點視為 核心點；通過設定聚類閾值0對核心點進行聚類；如果某一節(jié)點與所有核心點的距離均大 于設定的閾值k，則此節(jié)點為離群點，此節(jié)點不參與聚類；如果一個節(jié)點既不是核心點也不 是離群點，則將其加入離該點最近核心點所屬的類中； 如果一點處三角形集合的法向聚成一類，則點不可能成為特征點；對于鄰域點聚類兩 類的初始特征點同樣有可能不是真正的特征點，對聚類結果在兩類以上的點進行更為準確 的特征判定；具體判定步驟為： 首先，用協(xié)方差分析對每一子類中的點擬合平面；平面的法向為特征值A ^所對應的特 征值，平面的原點設為該子類點的質心戶； 其次，計算頂點P擬合平面的距離，設定一個閾值，如果點到平面的距離小于該閾值， 認為點P屬于擬合平面； 最后，如果P同時屬于兩個擬合平面，則判定P為邊界特征點；如果P同時屬于兩個以 上的擬合平面，則判定P為角點。
【文檔編號】G06K9/46GK104282038SQ201410504746
【公開日】2015年1月14日 申請日期:2014年9月26日 優(yōu)先權日:2014年9月26日
【發(fā)明者】王小超, 郝愛民, 李帥 申請人:北京航空航天大學, 北京天人同達軟件科技有限公司