一种三维点云处理方法及装置制造方法及图纸

本申请公开了一种三维点云处理方法及装置，用以实现散乱无序的三维点云表面重构。本申请实施例提供的一种三维点云处理方法，包括：获取原始图像的稠密散乱点云数据；将所述点云数据中的离群点剔除，并对剔除离群点后的点云数据进行滤波；对所述滤波后的点云进行分类；计算所述分类后的点云数据的平均相对距离，并根据点云数据的平均相对距离提取点云边缘；根据所述点云边缘的信息，对所述分类后的点云进行表面拟合。

A 3D point cloud processing method and device

【技术实现步骤摘要】
一种三维点云处理方法及装置
本申请涉及立体视觉
，尤其涉及一种三维点云处理方法及装置。
技术介绍
立体视觉领域的技术应用得到广泛的关注，其中核心技术是三维点云的处理及物体表面重构。不论是三维激光扫描获取的点云数据，还是基于Kinect相机获得的三维点云都存在点云数据量大，复杂度高的问题。采集获得的点云分为有序点云和无序点云，不同结构的点云处理方式不同。目前主要的点云滤波器有直通滤波器、体素格滤波器、统计滤波器、半径滤波器等，滤波器的选择和点云的采集方式息息相关。现有技术中没有一种针对散乱无序的稠密点云数据的处理。
技术实现思路
本申请实施例提供了一种三维点云处理方法及装置，用以实现散乱无序的三维点云表面重构。本申请实施例提供的一种三维点云处理方法，包括：获取原始图像的稠密散乱点云数据；将所述点云数据中的离群点剔除，并对剔除离群点后的点云数据进行滤波；对所述滤波后的点云进行分类；计算所述分类后的点云数据的平均相对距离，并根据点云数据的平均相对距离提取点云边缘；根据所述点云边缘的信息，对所述分类后的点云进行表面拟合。通过该方法，获取原始图像的稠密散乱点云数据；将所述点云数据中的离群点剔除，并对剔除离群点后的点云数据进行滤波；对所述滤波后的点云进行分类；计算所述分类后的点云数据的平均相对距离，并根据点云数据的平均相对距离提取点云边缘；根据所述点云边缘的信息，对所述分类后的点云进行表面拟合，从而实现散乱无序的三维点云表面重构。可选地，对所述滤波后的点云进行分类，具体包括：如果两团点云最近点之间的平均相对距离小于单个点云内部点之间的平均相对距离，则判断所述两团点云为两类点云。可选地，计算所述分类后的点云数据的平均相对距离，具体包括：假设点pi为任一类点云中的点，根据点云密度的大小，设置所述点pi的最邻近点的个数，采用如下公式计算所述最邻近点到所述点pi的平均相对距离：其中，mp为所述点pi最邻近点的个数，Pi为第i个最邻近点到所述点pi的距离，Pright为所述最邻近点到所述点pi的平均相对距离。可选地，如果点pi在该类点云的表面，则令所述点pi的最邻近点到所述点pi的平均相对距离为d1；如果点pi在所述该类点云的边缘，则所述点pi最邻近点的一半在该类点云表面，所述一半最邻近点到所述点pi的平均相对距离d2等于d1，另一半在该类点云之外，所述另一半最邻近点到所述点pi的平均相对距离d3大于d1；如果点pi在所述该类点云的角点位置，则所述点pi最邻近点的四分之一在该类点云表面。可选地，根据点云数据的平均相对距离提取点云边缘，具体包括：针对任一类点云：将该类点云中每个点与所述每个点的最邻近点的平均相对距离进行排序，并确定所述该类点云中所有点的阶跃函数；根据所述阶跃函数和所述点云的位置提取所述该类点云的边缘。可选地，对提取的所述点云边缘的可信度进行评判。可选地，在根据所述点云边缘的信息，对所述分类后的点云进行表面拟合之前，该方法还包括：将根据原始图像的灰度信息获得的物体轮廓信息与所述点云平均相对距离信息获得的点云轮廓信息进行比较，确保所述点云轮廓的准确性。可选地，在根据所述点云边缘的信息，对所述分类后的点云进行表面拟合之前，该方法还包括：获得准确的点云轮廓之后，采用点云频率的方法，对所述点云进行滤波。相应地，在装置侧，本申请实施例提供的一种三维点云处理装置，该装置包括：第一单元，用于获取原始图像的稠密散乱点云数据；第二单元，用于将所述点云数据中的离群点剔除，并对剔除离群点后的点云数据进行滤波；第三单元，用于对所述滤波后的点云进行分类；第四单元，用于计算所述分类后的点云数据的平均相对距离，并根据点云数据的平均相对距离提取点云边缘；第五单元，用于根据所述点云边缘的信息，对所述分类后的点云进行表面拟合。本申请实施例还提供的一种计算设备，包括：存储器，用于存储程序指令；处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述本申请实施例提供的任一种所述的方法。本申请另一实施例提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行上述任一种方法。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。图1为本申请实施例提供的一种三维点云处理方法示意图；图2为本申请实施例提供的一种三维点云处理方法的流程示意图；图3为本申请实施例提供的一种三维点云分类示意图；图4为本申请实施例提供的一种点pi在该类点云的表面时的三维点云示意图；图5为本申请实施例提供的一种点Pi在该类点云边缘位置时的三维点云示意图；图6为本申请实施例还提供的一种点pi在该类点云角点位置时的三维点云示意图；图7为本申请实施例提供的一种三维点云处理装置示意图；图8为本申请实施例还提供的一种三维点云处理装置示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。目前的技术方案中有提出对点云数据预处理转换到同一坐标空间，但没有明确数据的滤波处理方法，也有针对背景点云密度较小目标点云密度较大时提出采用密度分析法，但没有包含目标点云稀疏的情况，也有针对激光扫描获取的点云提出边缘点探测的方法，但不适用于识别无序点云的边缘点。本申请实施例提供了一种三维点云处理方法及装置，用以实现散乱无序的三维点云表面重构。下面结合说明书附图对本申请各个实施例进行详细描述。需要说明的是，本申请实施例的展示顺序仅代表实施例的先后顺序，并不代表实施例所提供的技术方案的优劣。本申请实施例属于三维点云的处理方法，立体视觉领域的三维点云图像包含有空间中三个维度的信息数据，利用图像中的深度信息实现物体和背景的解耦，提取点云的边缘信息，场景的边缘是前景和背景的不同分割，是点云的分类过程，解耦过程中需要使用不同的方法将信息萃取出来同时使用成熟的算法实现物体表面重构。参见图1，为本申请实施例提供的一种三维点云处理方法，包括：S101、获取原始图像的稠密散乱点云数据；例如，基于双目相机获取稠密散乱点云数据和原始图像数据。通过激光扫描获得的点云信息是有序排列的点云信息，通过图像灰度信息获得的点云是散乱无序的。S102、将所述点本文档来自技高网...

【技术保护点】
1.一种三维点云处理方法，其特征在于，该方法包括：/n获取原始图像的稠密散乱点云数据；/n将所述点云数据中的离群点剔除，并对剔除离群点后的点云数据进行滤波；/n对所述滤波后的点云进行分类；/n计算所述分类后的点云数据的平均相对距离，并根据点云数据的平均相对距离提取点云边缘；/n根据所述点云边缘的信息，对所述分类后的点云进行表面拟合。/n

【技术特征摘要】
1.一种三维点云处理方法，其特征在于，该方法包括：
获取原始图像的稠密散乱点云数据；
将所述点云数据中的离群点剔除，并对剔除离群点后的点云数据进行滤波；
对所述滤波后的点云进行分类；
计算所述分类后的点云数据的平均相对距离，并根据点云数据的平均相对距离提取点云边缘；
根据所述点云边缘的信息，对所述分类后的点云进行表面拟合。


2.根据权利要求1所述的方法，其特征在于，对所述滤波后的点云进行分类，具体包括：
如果两团点云最近点之间的平均相对距离小于单个点云内部点之间的平均相对距离，则判断所述两团点云为两类点云。


3.根据权利要求1所述的方法，其特征在于，计算所述分类后的点云数据的平均相对距离，具体包括：
假设点pi为任一类点云中的点，根据点云密度的大小，设置所述点pi的最邻近点的个数，采用如下公式计算所述最邻近点到所述点pi的平均相对距离：



其中，mp为所述点pi最邻近点的个数，Pi为第i个最邻近点到所述点pi的距离，Pright为所述最邻近点到所述点pi的平均相对距离。


4.根据权利要求3所述的方法，其特征在于，
如果点pi在该类点云的表面，则令所述点pi的最邻近点到所述点pi的平均相对距离为d1；
如果点pi在所述该类点云的边缘，则所述点pi最邻近点的一半在该类点云表面，所述一半最邻近点到所述点pi的平均相对距离d2等于d1，另一半在该类点云之外，所述另一半最邻近点到所述点pi的平均相对距离d3大于d1；
如果点pi在所述该类点云的角点位置，则所述点pi最邻近点的四分之一在该类点云表面。


5.根据权利要求1所述的方法，其特征在于，根据点云数据的平均相对距离提取点云边缘，具体包括：
针对任一类点云...

【专利技术属性】
技术研发人员：刘方圆，胡孟宇，韩松杉，郭若楠，张弥，
申请(专利权)人：北京欣奕华科技有限公司，
类型：发明
国别省市：北京;11