CN102944174A - 一种点云数据的处理方法及系统 - Google Patents

Abstract

本发明公开了一种点云数据的处理方法及系统，其中，该方法包括：计算拓扑构造后的点云中当前点与其邻域各点的距离及距离的均值μ和用于表示数据离散程度的标准差σ；判断邻域某一点与当前点p的距离是否处于区间μ±α·σ之中；若是，则忽略；否则，删除该点；为点云建立用于表示点云网格空间的包围盒数据结构，并计算当前包围盒的中心点p₀与所述当前包围盒中其他点的距离及距离的均值μ₀和标准差σ₀；判断当前包围盒中的某一点距离中心点p₀的距离是否处于区间μ₀±α₀·σ₀之中；若是，则删除该点；否则忽略。通过采用本发明公开的点云处理方法，提高了噪声点过滤的准确率及点云数据的精确度，并有效地降低了点云数据的冗余度。

Description

一种点云数据的处理方法及系统

技术领域

本发明涉及测绘领域，尤其涉及一种点云数据的处理方法及系统。

背景技术

采空区三维激光扫描仪在数据测量过程中，受环境中温度，悬浮的固体颗粒物，采空区表面的反射率等因素的影响，同时还由于采空区形状极度不规则、空区岩壁表面的粗糙度、孔洞和岩壁反射以及三维激光扫描仪本身的系统误差等使采集到的数据含有严重噪声，对后续点云数据处理产生很大的干扰。因此，在进行采空区三维模型重建之前，需要对测量得到的点云数据进行预处理，以获得完整与正确的测量数据来方便后续的三维重建工作。另外，经过预处理后得到的点云数据还可以进行配准，进行形变检测分析采空区稳定性等。

噪声点的过滤可以直接针对点云数据，也可以针对由点云构建的三角网格数据，但前提是建立点云的拓扑关系。由于采空区数据的复杂性和大规模性，网格平滑算法不能简单地推广在采空区点云数据。低通滤波算法、移动最小二乘（MLS）曲面拟合算法和基于偏微分方程（PDE）的曲面逼近算法等虽然在去除小振幅噪声方面效果良好，但不能用于去除离散噪声点。

国内外对于三维激光扫描硬件系统的研究已日趋成熟，但对于三维激光点云数据的处理算法尚无成熟的技术方案。并且对于深井采空区这类复杂的点云数据，没有相应的处理方法。现有技术中，对于有序或部分有序的点云来说，采用的去噪算法大多是从图形学衍生而来，如维纳滤波、最小二乘滤波和卡尔曼滤波、孤立点排异法、邻域平均法等。但现有的算法只适用于扫描线点云数据，并且，如果噪声点数量较多时，滤波器则判定其为非噪声点而不予去除。在这种情况下，往往需要依靠手动的方法去除噪声点，为现场应用及全自动化处理点云带来了不必要的麻烦。另外，由于庞大的点云增加了后续建模及数据分析和存储的负担为了解决此问题，必须在保持被测空区几何特征的前提下，根据空区的几何特征，对测量数据点云进行精简，以提高算法的实时性。然而，现有技术的方案无法保证所构建的模型与原始点云数据之间的精度，在点云数据密集处容易丢失细节信息。

发明内容

本发明的目的是提供一种点云数据的处理方法及系统，通过距离阈值可有效的识别邻域中的噪声点，计算过程简单高效，实时性高。

一种点云数据的处理方法，该方法包括：

计算拓扑构造后的点云中当前点p与其邻域各点的距离及距离的均值μ和用于表示数据离散程度的标准差σ；

判断邻域某一点与当前点p的距离是否处于区间μ±α·σ之中，其中α为距离阈值的系数；

若是，则忽略；否则，删除该点；

为点云建立用于表示点云网格空间的包围盒数据结构，并计算当前包围盒的中心点p₀与所述当前包围盒中其他点的距离及距离的均值μ₀和标准差σ₀；

判断当前包围盒中的某一点距离中心点p₀的距离是否处于区间μ₀±α₀·σ₀之中，其中α₀为距离阈值的系数；

若是，则删除该点；否则忽略。

一种点云数据的处理系统，该系统包括：

第一计算模块，用于计算拓扑构造后的点云中当前点p与其邻域各点的距离及距离的均值μ和用于表示数据离散程度的标准差σ；

噪声点处理模块，用于判断邻域某一点与当前点p的距离是否处于区间μ±α·σ之中，其中α为距离阈值的系数；若是，则忽略；否则，删除该点；

包围盒建立模块，用于为点云建立用于表示点云网格空间的包围盒数据结构；

第二计算模块，用于计算当前包围盒的中心点p₀与所述当前包围盒中其他点的距离及距离的均值μ₀和标准差σ₀；

点云精简模块，用于判断当前包围盒中的某一点距离中心点p₀的距离是否处于区间μ₀±α₀·σ₀之中，其中α₀为距离阈值的系数。

由上述本发明提供的技术方案可以看出，通过建立邻域，并根据距离阈值可有效的识别并去除邻域中的噪声点，提高了噪声点过滤的准确率及点云数据的精确度；通过建立包围盒结构，根据阈值保留关键点，去除冗余点，在保留了原始特征的同时降低了冗余度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例一提供的一种点云数据的处理方法的流程图；

图2为本发明实施例一提供的一种去除噪声点的示意图；

图3为本发明实施例二提供的又一种点云数据的处理方法的流程图；

图4为本发明实施例二提供的一种点云精简的示意图；

图5为本发明实施例三提供的一种点云数据的处理系统的示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

实施例一

图1为本发明实施例一提供的一种点云数据的处理方法的流程图，主要包括如下步骤：

步骤101、计算拓扑构造后的点云中当前点p与其邻域各点的距离及距离的均值μ和用于表示数据离散程度的标准差σ。

点云数据是由三维激光扫描仪对被测物体进行扫描而获得的被测物体的外形轮廓数据。例如，使用三维激光扫描仪对一垂直墙壁进行扫描，理论上而言，若墙壁是绝对平滑的，则扫描得到的点云数据应该处于同一平面上。然而，由于三维激光扫描仪自身存在的误差、被测物体表面反射率（一般由材质决定）及悬浮的固体颗粒等因素的影响，被测物体外形数据的表面会附着若干杂乱、无序的点（噪声点），这些点的存在会影响点云数据的精度，以及后期数据处理的复杂度。

为了提高点云数据的精度在进行作业之前一般都需过滤噪声点。

首先，可以基于分割K维空间的数据结构KD-Tree构造点云拓扑结构。点云拓扑结构构造是指将散乱的三维激光点云通过相应的拓扑关系构造方法组织成有一定的拓扑关系的点云，拓扑关系反映了空间点云的逻辑结构。

其次，根据所述KD-Tree确定当前点p的邻域点：

其中，

为点p的邻域，p₁,p₂,…p_k为点p的邻域点，k为邻域点数量。其中，邻域可以是半径为R球形范围内的所有点组成的邻域或距离当前点最近的k个点组成的k-近邻。邻域的作用在于确定能够提供三维点云的处理和重建所需的局部特征和统计信息，例如通过邻域关系计算点云的法线、切平面、邻接关系和曲率等其它统计和特征信息。

最后，计算当前点p与其邻域各点的距离及距离的均值μ和用于表示数据离散程度的标准差σ。可使用欧氏距离公式计算当前点p与其邻域

各点的欧氏距离或根据坐标值计算距离，例如，通过计算得当前点p到邻域各点的欧氏距离为D＝{d₁,d₂,…,d_k}；可先根据公式计算距离均值：

其中，D为欧氏距离集合，k为邻域点的数量（欧氏距离集合中元素的个数）；再根据公式计算标准差：

步骤102、判断邻域某一点与当前点p的距离是否处于距离阈值区间μ±α·σ之中，其中α为距离阈值的系数，若是，则转入步骤103；否则，转入步骤104。

本步骤基于距离阈值μ±α·σ识别邻域中的噪声点，α的大小可根据邻域的大小做动态的调整。例如，在算法的验证实验中采用一组采空区三维激光点云数据进行去噪测试，在进行去噪处理之前需要预先设置的参数距离阈值的系数α与邻域点的数量k，一般情况下，邻域点的数量越多，距离参数的系数也相应的增加，例如。图2中的点云，p的邻域为

其中p₁,p₂,…p₇是p的7个邻域点，k为7，计算点p到所有邻域点的距离D＝{d₁,d₂,…,d₇}＝{15,2,2.4,2.5,1.5,1.0,4.0}；并计算D的均值μ＝2.1286，标准差σ＝0.9827，并取调节系数α＝1.5，得阈值区间为[0.655,3.473]；判断邻域中所有点的距离是否在区间中，将不在区间中的点p₇作为噪声点去除。

在日常工作中，为了尽可能多的去除噪声点，用户可以重复进行去噪处理，也可以根据需求设置不同参数进行去噪测试。

步骤103、忽略该点。当某一点与当前点p的距离处于区间μ±α·σ之中，则判定该点为被测物体外形数据，忽略该点。

步骤104、删除该点。当某一点与当前点p的距离不在区间μ±α·σ之中，则判定该点为进行点云采集时产生的噪声点，即删除该点。

本发明实施例通过建立邻域，并根据距离阈值可有效的识别并去除邻域中的噪声点，提高了噪声点过滤的准确率及点云数据的精确度。

实施例二

本发明的实施例一中介绍了根据距离阈值去除邻域噪声点的方法，本实施例则结合实施例一的方法对点云数据做进一步处理。由于前四个步骤与实施例一的步骤一致，因此不再赘述，本实施例仅对后续步骤做进一步介绍，如图3所示，主要包括如下步骤：

步骤301、为点云建立用于表示点云网格空间的包围盒数据结构，并计算当前包围盒的中心点p₀与所述当前包围盒中其他点的距离及距离的均值μ₀和用于表示数据离散程度的标准差σ₀。

三维激光扫描仪采集到的点云数据相对于常规测量方法获取到的数据更多也更为精确，但与之相对的是数据量过大，扫描点云的数据量一般为几万、甚至几十万，但是，并不是所有的点都对于后续处理有用，其中存在大量的冗余点，而这些冗余的点云数据增加了算法的时间和空间复杂度开销将导致后期的数据处理工作量较大，因此，需要对点云数据进行精简（去冗余）。精简时主要根据点云的局部统计信息，筛选出可以代表局部最大信息量的点云，并且保留曲率变化较大的区域（突变区域，如转角，凹凸处）等细节特征。

首先，为点云建立用于表示点云网格空间的包围盒数据结构。该点云可以是通过实施例一的步骤进行噪声点过滤处理后的点云，也可以未做处理的原始点云。当建立包围盒数据结构时需要对最小包围盒的尺寸进行设置（例如，0.05m），该尺寸可以理解为精简的程度，其大小可以根据点云的规模的数据精度等实际情况进行设置。

其次，计算所述当前包围盒中每一个点到所述当前包围盒中心的距离，所述当前包围盒的几何中心若没有点，则将距离其中心最近的点作为中心点p₀。

最后，计算当前包围盒的中心点p₀与所述当前包围盒中其他点的距离及距离的均值μ₀和用于表示数据离散程度的标准差σ₀。可使用欧氏距离公式计算当前点p₀与其他点的欧氏距离或者直接通过坐标值计算距离。例如，通过计算得到中心点p₀到包围盒中其他点的欧氏距离为

可先根据公式计算距离均值：

其中，D₀为欧氏距离集合，k₀为包围盒中其他点的数量（欧氏距离集合中元素的个数）；再根据公式计算距离标准差： ${\mathrm{\σ}}_0=\sqrt{\frac{1}{k_0}\underset{i=1}{\overset{k_0}{\mathrm{\Σ}}}{(D_0-{\mathrm{\μ}}_0)}^2}.$

步骤302、判断当前包围盒中的某一点距离中心点p₀的距离是否处于距离阈值区间μ₀±α₀·σ₀之中，若是，则转入步骤303，否则转如步骤304。本步骤可以理解为通过距离阈值判断两个点的相似程度，若在阈值内，则表明为相似点，否则，为不同点（需要保留的特征点）。例如图4中的点云数据，在实施例1去噪操作后，即删除了点p₇之后，空间包围盒拓扑结构中其中一个最小包围盒中的点为

通过最小包围盒的坐标计算最小包围盒的几何中心点，在此设为坐标原点，然后计算所有的点距离最小包围盒中心最近的点，即为p₀；求p₀到其它各点的距离 $D_0=\{d_{0_1},d_{02},...,d_{0_6}\}=\left\{\mathrm{1.5,2,2.4,2.5,1.5,1.0}\right\};$ 计算D₀的均值μ＝1.8167，标准差σ＝0.5845，并取调节系数α₀＝2，得阈值区间[0.647,2.986]，判断邻域中所有点的距离是否在区间中，将在在区间中的点

作为冗余点去除，最后仅保留点p₀为该包围盒的特征点。

其中，α₀为距离阈值的系数，其大小可根据点去的规模和精度进行设置，设置方法与距离阈值的系数α的设置方法类似。需要强调的是，为尽可能多的去除噪声点可以重复去噪处理多次，但是在进行精简处理时，为保证点云精简的同时保留点云的外形与细节特征，因此，一般情况精简处理无需重复多次。

步骤303、删除该点。若当前包围盒中的某一点距离中心点p₀的距离处于区间μ₀±α₀·σ₀之中，则表明该点为中心点p₀的相似点，因此，将该点作为需要精简的点（冗余点）删除。

步骤304、忽略该点。若当前包围盒中的某一点距离中心点p₀的距离不在区间μ₀±α₀·σ₀之中，则表明该点与中心点p₀的差异较大，将该点作为特征点保留。

本发明实施例通过建立邻域，并根据距离阈值可有效的识别并去除邻域中的噪声点，提高了噪声点过滤的准确率及点云数据的精确度；并通过对精简算法去除点云的冗余数据，加快了计算速度，减少资源浪费及后期数据处理的工作量。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

实施例三

本发明实施例提供的一种点云数据的处理系统，该系统主要包括：

第一计算模块51，用于计算拓扑构造后的点云中当前点p与其邻域各点的距离及距离的均值μ和用于表示数据离散程度的标准差σ；

噪声点处理模块52，用于判断邻域某一点与当前点p的距离是否处于区间μ±α·σ之中，其中α为距离阈值的系数；若是，则忽略；否则，删除该点；

包围盒建立模块53，用于为点云建立用于表示点云网格空间的包围盒数据结构；

第二计算模块54，用于计算当前包围盒的中心点p₀与所述当前包围盒中其他点的距离及距离的均值μ₀和标准差σ₀；

点云精简模块55，用于判断当前包围盒中的某一点距离中心点p₀的距离是否处于区间μ₀±α₀·σ₀之中，其中α₀为距离阈值的系数；若是，则删除该点；否则忽略。

该系统还包括：

拓扑构造模块56，用于基于分割K维空间的数据结构KD-Tree构造点云拓扑结构；

邻域点确定模块57，用于根据所述KD-Tree确定当前点p的邻域点：

其中，

为点p的邻域，p₁,p₂,…p_k为点p的邻域点，k为邻域点的数量。

该系统还包括：

中心点确定模块58，用于为所述第二计算模块确定当前包围盒的中心点p₀，具体用于计算所述当前包围盒中每一个点到所述当前包围盒中心的距离，并以当前包围盒中距离中心最近的点作为中心点p₀。

如图5所示，上述模块51、52、56与57可集成为去噪模块，模块54、54、55与58可集成为精简模块。

本发明实施例通过建立邻域，并根据距离阈值可有效的识别并去除邻域中的噪声点，提高了噪声点过滤的准确率及点云数据的精确度；并通过对精简算法去除点云的冗余数据，加快了计算速度，减少资源浪费及后期数据处理的工作量。

需要说明的是，上述装置中包含的各个处理单元所实现的功能的具体实现方式在前面的各个实施例中已经有详细描述，故在这里不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.一种点云数据的处理方法，其特征在于，该方法包括：

计算拓扑构造后的点云中当前点p与其邻域各点的距离及距离的均值μ和用于表示数据离散程度的标准差σ；

判断邻域某一点与当前点p的距离是否处于区间μ±α·σ之中，其中α为距离阈值的系数；

若是，则忽略；否则，删除该点；

为点云建立用于表示点云网格空间的包围盒数据结构，并计算当前包围盒的中心点p₀与所述当前包围盒中其他点的距离及距离的均值μ₀和标准差σ₀；

判断当前包围盒中的某一点距离中心点p₀的距离是否处于区间μ₀±α₀·σ₀之中，其中α₀为距离阈值的系数；

若是，则删除该点；否则忽略。

2.根据权利要求1所述的方法，其特征在于，所述计算拓扑构造后的点云中当前点p与其邻域各点的距离及距离的均值μ和用于表示数据离散程度的标准差σ之前包括：

基于分割K维空间的数据结构KD-Tree构造点云拓扑结构；

根据所述KD-Tree确定当前点p的邻域点：

其中，

为点p的邻域，p₁,p₂,…p_k为点p的邻域点，k为邻域点的数量。

3.根据权利要求1或2所述的方法，其特征在于，所述邻域包括：半径为R球形范围内的所有点组成的邻域或距离当前点最近的k个点组成的k-近邻。

4.根据权利要求1所述的方法，其特征在于，该方法还包括确定所述当前包围盒的中心点p₀的步骤，且该步骤包括：

计算所述当前包围盒中每一个点到所述当前包围盒中心的距离；

以当前包围盒中距离中心最近的点作为中心点p₀。

5.一种点云数据的处理系统，其特征在于，该系统包括：

第一计算模块，用于计算拓扑构造后的点云中当前点p与其邻域各点的距离及距离的均值μ和用于表示数据离散程度的标准差σ；

噪声点处理模块，用于判断邻域某一点与当前点p的距离是否处于区间μ±α·σ之中，其中α为距离阈值的系数；若是，则忽略；否则，删除该点；

包围盒建立模块，用于为点云建立用于表示点云网格空间的包围盒数据结构；

第二计算模块，用于计算当前包围盒的中心点p₀与所述当前包围盒中其他点的距离及距离的均值μ₀和标准差σ₀；

点云精简模块，用于判断当前包围盒中的某一点距离中心点p₀的距离是否处于区间μ₀±α₀·σ₀之中，其中α₀为距离阈值的系数；若是，则删除该点；否则忽略。

6.根据权利要求5所述的系统，其特征在于，该系统还包括：

拓扑构造模块，用于基于分割K维空间的数据结构KD-Tree构造点云拓扑结构；

邻域点确定模块，用于根据所述KD-Tree确定当前点p的邻域点：

其中，

为点p的邻域，p₁,p₂,…p_k为点p的邻域点，k为邻域点的数量。

7.根据权利要求5所述的系统，其特征在于，该系统还包括：

中心点确定模块，用于为所述第二计算模块确定当前包围盒的中心点p₀，具体用于计算所述当前包围盒中每一个点到所述当前包围盒中心的距离，并以当前包围盒中距离中心最近的点作为中心点p₀。

Images