论文部分内容阅读
随着3D传感器技术的不断发展,用于获取3D模型点云数据的三维扫描技术在不断更新,获取的物体表面点云数据的测量精度和效率也越来越高。目前,三维扫描技术已凭借其非接触性、高精度等特点广泛应用于三维空间信息的获取。但扫描得到的海量点云数据存在大量冗余,实际应用中,通过三维扫描仪获取的原始点云数据规模通常在几十万,甚至上百万的数量级,这就增加了点云数据存储、传输、运算的负担和后续处理工作的难度,因此需要一种点云压缩方法,对点云数据进行压缩的同时尽可能多的保留点云中的特征信息,同时保证运算速度在可接受范围内。本文的研究重点是人体点云模型的压缩处理,人体点云模型由复杂曲面组成:脸部、手部包含大量高曲率特征信息;腹部、四肢躯干则多为低曲率平缓曲面,这种复杂的点云模型可以较好的体现算法性能。现有常用的点云压缩方法中,基于模型拓扑结构的点云压缩方法不适用于包含复杂曲面的人体模型;而基于曲率特征的点云压缩方法虽然能够对复杂曲面进行适当压缩,但使用曲率特征减少了压缩后模型中全局特征信息的保留。因此,本文引入了新的复合特征—点特征直方图(PFH,Point Feature Histogram)和快速点特征直方图(FPFH,Fast Point Feature Histogram),FPFH在点云模型不同几何位置(边角、平面)具有显著的分布差异,我们将这种特性称为“特征区分能力”。本文主要利用点云的fpfh特征在模型不同几何位置的显著分布差别,提出一种基于特征降维与模糊聚类的自适应点云压缩方法,并获得如下几方面成果:(1)使用fpfh特征代替曲率特征,使得压缩后的点云数据可以保留更多全局特征。并基于pca算法对fpfh进行特征降维,以减少“维数灾难”的影响,降维后的特征可称为“pca特征描述子”。通过实验证明:pca特征描述子具有与fpfh特征描述子接近一致的“特征区分能力”;又通过对比实验证明:选取能够在95%以上的程度近似表示原空间样本信息的pca特征描述子作为模糊聚类的样本数据,可以获得相对最佳的点云压缩效果和曲面重建效果。(2)基于模糊c均值聚类算法实现点云数据的自适应分类:使用pca特征描述子作为聚类算法的样本数据,利用其“特征区分能力”将样本数据分为分布均匀的pca特征集合(位于点云模型的边角处、对应特征点集)和分布集中的pca特征集合(位于点云模型的平缓处、对应非特征点集),又因为pca特征与点云数据一一对应,因而可以将点云集合自适应地分为特征点集和非特征点集两类。最后根据已建立的压缩准则:对非特征点集进行较大比例的压缩,去除冗余点;对特征点集进行较小比例的压缩,尽可能多的保留特征信息,从而实现高效的点云压缩。传统的基于曲率特征的点云压缩算法需要设置恰当的阈值来对不同曲率范围内的点集进行不同比例压缩,而本文提出的压缩方法可以实现自适应点云分类、压缩,并且可以根据用户需求,通过改变参数ratio(点云整体压缩比例)实现不同比例的点云压缩;同时,可对参数K(特征点集的保留率:非特征点集的保留率)进行调整,改变特征点的保留比例,大大提高算法灵活度。(3)提出基于特征降维与模糊聚类的自适应点云压缩算法,分别从不同压缩率下的压缩结果、压缩后模型的曲面重建效果、压缩误差三个方面对本文算法进行评价与分析,并与传统的基于曲率特征的点云压缩算法对比压缩效果。实验结果证明:本文提出的点云压缩算法可在不同压缩率下都具有较好的压缩效果,同时在表达形状方面具有一定的准确性,压缩后的点云模型特征信息保留较为完好,轮廓信息依然清晰可见。通过与基于曲率特征的点云压缩算法进行对比,证明本文提出的压缩算法能够更好的保留重建模型的细节特征,具有更高的压缩精度。最后,针对论文的研究内容,探讨了研究中可优化的方面,并对点云压缩技术今后的研究方向以及研究重点进行了展望。