基于局部子邻域划分的点云特征点提取方法

基于局部子邻域划分的点云特征点提取方法
【专利摘要】本发明提供一种基于局部子邻域划分的点云特征点提取方法，包括了四个步骤：初始特征点提取阶段，用于获取输入点云数据的潜在初始特征点；局部三角形构造阶段，为了从初始特征点集中有效提取真实特征点，在每一个初始特征点的局部邻域内构建反映该点局部几何特征结构的三角形集合；局部子邻域划分阶段，通过对构造的局部三角形集合的法向进行聚类，获得一点处局部邻域点的聚类，进而获取一点处局部邻域点的子邻域划分；鲁棒特征点提取阶段，对划分好的子邻域内的数据点进行局部拟合平面，通过判断当前点是否同时落在多个平面的交线上识别真正的特征点。
【专利说明】基于局部子邻域划分的点云特征点提取方法

【技术领域】
[0001] 本发明涉及一种基于局部子邻域划分的点云特征点提取方法。

【背景技术】
[0002] 随着三维扫描获取技术的快速发展，点云数据处理研究业已成为数字几何处理研 究发展过程中的研究热点，并在工业设计、艺术、文物复原与保护等领域得到了广泛的关注 和应用。随着研究的深入，点云数据的鲁棒特征提取等问题的研究具有深刻的理论意义和 广泛的应用前景。
[0003] 特征是几何模型的重要组成部分，对于几何模型的外观以及几何模型的准确表达 具有重要作用。近年来网格模型的特征提取得到了国内外学者的广泛研究，并成功应用于 特征保持的网格编辑，如特征保持的网格去噪、简化、分割、修补等。
[0004] 与网格模型的特征提取相比，点云模型上特征提取的研究相对较少。一方面由于 点云数据缺乏自然拓扑连接关系，另一方面扫描获取的点云数据常受到噪声的影响，并伴 随数据缺失等问题。如何有效提取点云数据的可靠特征信息，将对提高点云数据配准精度 和速度、网格重建效率、几何特征保持的点云去噪和简化等点云处理技术产生巨大影响。
[0005] 在点云数据特征提取方面，现有的特征点提取算法有构造黎曼树表示点云的连接 信息，通过优化特征点集的最小生成树来提取点云上的特征线、结合协方差分析和最小生 成树的多尺度点云特征点提取方法、基于法向估计和图论的方法、基于鲁棒移动最小二乘 的特征线提取方法以及基于高斯法向聚类的点云特征点提取方法。该类基于高斯法向聚类 的点云特征点提取方法首先在一点的局部邻域内构建由当前点组成的所有可能的三角形 集合，并利用高斯法向聚类算法对三角形法向进行聚类。然后依据法向聚类的个数判别当 前点是否为特征点。由于特征点与靠近特征点的点具有高度相似的局部特征结构，仅仅依 靠构建局部三角形集合的法向在高斯球上的聚类个数很难有效地区分真正的特征点。同时 该方法构建包含当前点的所有可能的三角形，这一方面增加了运算的复杂度；另一方面该 三角形集合中存在较多跨越特征边的三角形，进一步降低了特征判别的准确性，并导致某 些相对较弱特征的丢失。此外，局部邻域大小的选择也直接影响了特征提取的效果。
[0006] 针对现有算法存在的问题，本发明提出了一种基于局部子邻域划分的点云特征点 提取方法，该方法简单、稳定，对局部邻域选取的大小不敏感，具有一定的抗噪能力，能够在 有效提取显著特征的同时，尽可能多的保留相对较弱的特征。


【发明内容】

[0007] 本发明解决的技术问题是：克服了现有点云特征点提取算法对噪声干扰影响较大 的不足，提供了一种基于局部子邻域划分的特征点提取方法。本发明结合Gabriel三角形 构造和局部子邻域划分等技术，实现噪声环境下扫描点云数据的鲁棒提取，满足了后续三 维几何数据处理对特征约束的需要。
[0008] 本发明采用的技术方案为：一种基于局部子邻域划分的点云特征点提取方法，包 括以下四个步骤：
[0009] 步骤（1)、初始特征点提取：基于局部邻域的协方差分析给每个数据点赋予度量 该点成为特征点的可能性，通过阈值过滤获取初始特征点集合。由于受噪声等因素的影响， 该过程需要尽可能多的提取潜在的初始特征点。
[0010] 步骤（2)、局部三角形构造：在每个初始特征点的局部邻域内利用Gabriel三角形 生成法则构建不跨越特征区域，并能够反映该点局部特征结构信息的三角形集合。本发明 构建的局部三角形集合不依赖于点云法向估计，不需要完全覆盖局部邻域，较现有构造方 法简单灵活。
[0011] 步骤（3)、局部子邻域划分：根据步骤（2)中计算得到的三角形集合，利用共享近 邻算法对构造的三角形法向进行聚类，进而得到对应局部区域数据点的分类集合，实现输 入数据点的局部子邻域划分。
[0012] 步骤（4)、鲁棒特征点提取：法向聚类将邻域点分成不同的子类，每一类对应着一 个潜在的分片光滑曲面。对步骤（3)中获得的每一子邻域内的数据点拟合平面，通过判断 当前点是否同时落在多个平面来进行最终的特征点判别。
[0013] 本发明的原理在于：
[0014] (1)通过计算输入点云数据局部邻域内的协方差矩阵，本发明给每个数据点赋予 度量该点成为特征点的可能性，实现点云数据的初始特征点提取，减少因噪声等因素导致 的特征点提取遗漏等问题。
[0015] (2)为了获得鲁棒的点云特征点提取，本发明利用Gabriel三角形生成法则在初 始特征点的局部邻域内构造能够反映其局部特征结构的三角形集合，实现对初始特征点局 部邻域的子邻域划分，为后续特征点判断提供信息支持。
[0016] (3)为了实现噪声环境下扫描点云数据的鲁棒提取，本发明利用特征点的直观特 性，通过对每一个局部子邻域内的数据点进行平面拟合，通过判断当前点是否同时落在两 个或多个平面的交线上完成最后特征点的判定。
[0017] 本发明与现有技术相比的优点在于：
[0018] 1.本发明构建的局部三角形集合具有算法复杂度低、存在较少跨越特征边的优 点，为子邻域的划分和特征点的提取奠定坚实基础。
[0019] 2.对比已有的点云特征点提取算法，本发明提出的基于局部邻域划分的点云特征 点提取方法，可直接作用在原始点云数据上，不依赖于法向、曲率等微分几何量的估计，具 有较强的鲁棒性。
[0020] 3.本发明提出的基于局部邻域划分的点云特征点提取算法，不仅可以在噪声环境 下正确区分真实特征点和靠近真实特征点的伪特征点，同时检测结果对邻域选取的大小不 敏感。

【专利附图】

【附图说明】
[0021] 图1为基于局部子邻域划分的点云特征点提取方法流程图，（a)初始模型，（b)特 征度量，（c)初始特征点，（d)三种情形的局部剖分，（e)最终特征点；
[0022] 图2为局部三角形集合与对应的邻域点分类示意图；
[0023] 图3为局部子邻域的平面拟合示意图；
[0024] 图4为二十面体模型的特征提取结果；
[0025] 图5为Smooth feature模型的特征提取结果；
[0026] 图6为八面体模型的特征提取结果；
[0027] 图7为Fandisk模型的特征提取结果。

【具体实施方式】
[0028] 图1给出了基于局部子邻域划分的点云特征点提取方法的总体处理流程，下面结 合其他附图及【具体实施方式】进一步说明本发明。
[0029] 本发明提供一种基于局部子邻域划分的点云特征点提取方法，主要步骤介绍如 下：
[0030] 1.初始特征点提取
[0031] 记输入的点云数据为P = {ρρ p2，…pN}，Pi e R3,对一点p e p，通过局部邻域的协 方差分析计算该点成为特征点的可能性σρ。该指标度量了局部曲面的变化，反映了一点处 的特征信息，通过设置一个合适的阈值，筛选得到初始的特征点。本发明选取Κ近邻作为局 部邻域，测试中选取Κ = 25,通常能够得到令人满意的测试结果。
[0032] 用戶表示Κ近邻的质心，Τ表示Κ近邻Νρ的3X3协方差矩阵：
[0033]

【权利要求】
1. 一种基于局部子邻域划分的点云特征点提取方法，其特征在于包括以下四个步骤： 步骤（1)、初始特征点提取：基于局部邻域的协方差分析给每个数据点赋予度量该点 成为特征点的可能性，通过阈值过滤获取初始特征点集合； 步骤（2)、局部三角形构造：在每个初始特征点的局部邻域内利用Gabriel三角形生成 法则构建不跨越特征区域，并能够反映该点局部特征结构信息的三角形集合； 步骤（3)、局部子邻域划分：根据步骤（2)中计算得到的三角形集合，利用共享近邻算 法对构造的三角形法向进行聚类，进而得到对应局部区域数据点的分类集合，实现输入数 据点的局部子邻域划分； 步骤（4)、鲁棒特征点提取：法向聚类将邻域点分成不同的子类，每一类对应着一个潜 在的分片光滑曲面；对步骤（3)中获得的每一子邻域内的数据点拟合平面，通过判断当前 点是否同时落在多个平面来进行最终的特征点判别。
2. 根据权利要求1所述基于局部子邻域划分的点云特征点提取方法，，其特征在于：基 于局部邻域协方差分析方法检测初始特征点给出了度量输入数据成为特征点的可能性，并 依据此特征度量检测到尽可能多的初始特征点，有效避免了某些潜在特征点的遗漏；具体 为： 记输入的点云数据为P = {Pu P2,…pN}，Pi G R3,对一点p G P，通过局部邻域的协方差 分析计算该点成为特征点的可能性〇p;该指标％度量了局部曲面的变化，反映了一点处 的特征信息，通过设置一个合适的阈值，筛选得到初始的特征点； 用/7表不K近邻的质心，T表不K近邻Np的3X3协方差矩阵：
其中，入i为协方差矩阵T的特征值且入入2。
3. 根据权利要求1所述的基于局部子邻域划分的点云特征点提取方法，其特征在于：利用Gabriel三角形法则构造三角形集合的方法，充分利用了 Gabriel三角形具有的良好 性质，使得构造出的每个三角形紧紧贴附在某一潜在曲面上，降低跨越特征区域三角形的 数量，充分反映了一点处的特征结构；具体为： 记初始特征点Pi的1(近邻点为A, ei\^，_/ = l，2，L [，构建Gabriel三角形& ; Gabriel 三角形满足条件：由三个点构成的外接球不包含其他点；若点凡.为Pi的最近点，选取点A 使得点Pi的Gabriel三角形满足4〃,.A, A:最大； 为确保每个Gabriel三角形紧紧贴附在某一潜在的曲面上，并且不跨越特征区域，需 要验证每个Gabriel三角形的有效性；如果一个三角形紧紧贴附在某一潜在曲面上，则Np中必有一定数量的点落在或靠近该三角形所形成的平面上，否则该三角形的顶点必取自不 同的分片光滑曲面上；为此，计算每一个邻居点（除去G的顶点）到&，所形成平面n的 距离，当距离小于一定阈值时，即认为该点为落在平面n上的点；计算平面n上点的个数 与所有邻居点个数的百分比，当该比例小于一定阈值时，判定巧，无效并将其删除；对构建 Gabriel三角形失败的点，降低Gabriel三角形构建的条件,选用次近邻点重新构建三角 形，往往能再次获得满足条件的三角形； 在Gabriel三角形集合对应着法向集合，将通过对法向进行聚类，获得一点处局部邻 域点的聚类；对于法向聚类，首先定义法向之间的距离；对于Gabriel三角形VPiPjPk,法向 为：np = PiPjXpiPk. 为了得到合理的距离度量，法向之间的距离定义为： d (np, nq) = min {arcos (np, nq), arcos (np, -nq)}. 采用对噪声和离群点较为鲁棒的共享近邻聚类算法（SNN)，首先，计算每个节点法向 的k近邻点，建立节点之间的相似图，图中每一个元素值为两个节点公共k近邻的个数；根 据SNN的稀疏性，当两个节点不同时位于彼此的k近邻中时则不产生连接关系，即元素值为 零； 节点的密度定义为与该点有连接关系的相似度之和；密度值越大，节点成为某一类内 点的可能性越大；相反，密度值越小，节点越可能成为噪声点或离群点；如果一个节点的密 度值大于一定阈值，从图的观点表明它与其它点有较强的连接关系，自然地可将该点视为 核心点；通过设定聚类阈值0对核心点进行聚类；如果某一节点与所有核心点的距离均大 于设定的阈值k，则此节点为离群点，此节点不参与聚类；如果一个节点既不是核心点也不 是离群点，则将其加入离该点最近核心点所属的类中； 如果一点处三角形集合的法向聚成一类，则点不可能成为特征点；对于邻域点聚类两 类的初始特征点同样有可能不是真正的特征点，对聚类结果在两类以上的点进行更为准确 的特征判定；具体判定步骤为： 首先，用协方差分析对每一子类中的点拟合平面；平面的法向为特征值A ^所对应的特 征值，平面的原点设为该子类点的质心戶； 其次，计算顶点P拟合平面的距离，设定一个阈值，如果点到平面的距离小于该阈值， 认为点P属于拟合平面； 最后，如果P同时属于两个拟合平面，则判定P为边界特征点；如果P同时属于两个以 上的拟合平面，则判定P为角点。
【文档编号】G06K9/46GK104282038SQ201410504746
【公开日】2015年1月14日 申请日期:2014年9月26日 优先权日:2014年9月26日
【发明者】王小超, 郝爱民, 李帅 申请人:北京航空航天大学, 北京天人同达软件科技有限公司