一种基于GPU并行的大规模点云去噪方法技术

本发明专利技术公开了一种基于GPU并行的大规模点云去噪方法。本发明专利技术方法包括步骤：在GPU的图形计算平台中，对没有进行去噪的三维点云图像数据，构建形状为长方体的点云的空间包围盒，将点云中的全部数据点包含到该长方体形状的空间包围盒；将空间包围盒进行网格划分；根据所划分的网格，计算每个数据点所在的网格坐标；构造哈希函数，计算每个数据点网格坐标的哈希值，然后构造哈希数组对所计算到每个网格坐标的哈希值进行存储；构造辅助数组对哈希数组进行并行优化；对全部数据点根据所在网格的哈希值进行哈希数组排序合并的并行计算，根据网格的哈希值计算点云个数，并删除其中的离群点。本发明专利技术相比现有技术，提高了点云去噪过程的处理效率。理效率。理效率。

【技术实现步骤摘要】
一种基于GPU并行的大规模点云去噪方法


[0001]本专利技术属于图像处理的
，具体涉及一种基于GPU并行的大规模点云去噪方法。

技术介绍

[0002]随着智能制造的发展，在工业应用中，非接触式的结构光视觉传感器应用越来越广泛，在逆向工程，工件质量检测，工件尺寸测量等领域，结构光视觉传感器已经获得重要的应用地位。采用编码结构光方式的视觉传感器进行点云重建，采用的是三角法测量模型，三角法测量模型是一种非接触、测量速度快、精度较高的测量方式。编码结构光采用投影仪投射特殊的编码图案到待测物体上，通过采集变形的编码图案进行点云三维重建，这种变形包含了被测物体表面的深度信息。通过对采集的场景编码图像进行解码分析，获取每个像素的解码值，根据相机与投影仪构成的三角几何模型，就能够计算出图像中像素点的空间位置，从而获得被测物体表面的三维信息。
[0003]目前，在使用结构光传感器进行点云重建的过程中，工件边缘处的反光或者重建算法的噪声在重建点云后会产生稀疏离群点，从而影响重建表面的质量，导致部分工件不适用点云重建的方法。为了提高点云重建的精度，需要对点云重建后的三维图像进行去噪。
[0004]现有技术对点云去噪的方式是通过算法实现的，而算法则是采用基于统计滤波的方式。统计滤波的方式，是直接对整个点云图像，通过确定每个点的位置、计算每个点周围邻域的点的数量、是否为离群点的判断筛选出稀疏离群点，从而实现对点云进行稀疏离群点的去噪。但是，执行对每个点进行邻域的搜索的算法步骤，在面对大规模的点云数据时，对计算机来说会耗费较多时间，降低了去噪时算法对数据的处理效率。

技术实现思路

[0005]为了克服现有技术存在的一个或者多个缺陷与不足，本专利技术提供一种基于GPU并行的大规模点云去噪方法，用于提升大规模点云去噪的处理效率。
[0006]为了达到上述目的，本专利技术采用以下的技术方案。
[0007]一种基于GPU并行的大规模点云去噪方法，包括步骤如下：
[0008]在GPU的图形计算平台中，对没有进行去噪的三维点云图像数据，构建形状为长方体的点云的空间包围盒，将点云中的全部数据点包含到该长方体形状的空间包围盒；
[0009]将空间包围盒进行网格划分；
[0010]根据所划分的网格，将网格坐标原点设置为(0,0,0)，单个网格在网格坐标中的长度设置为1，然后计算每个数据点所在的网格坐标；
[0011]构造哈希函数，计算每个数据点网格坐标的哈希值，然后构造哈希数组对所计算到每个网格坐标的哈希值进行存储；
[0012]构造辅助数组对哈希数组进行并行优化；
[0013]对全部数据点根据所在网格的哈希值进行哈希数组排序合并的并行计算，根据网
格的哈希值计算点云个数，并删除其中的离群点。
[0014]优选地，所述将空间包围盒进行网格划分，包括将空间包围盒分为多个体积大小相同且长宽高方向均相同的长方体，根据长方体的个数设定长、宽、高每条边上的网格个数，计算每个长方体的边长。
[0015]进一步地，对空间包围盒划分多个长方体得到网格的具体步骤包括：
[0016]对点云的全部数据点进行排序，得到点云的全部数据点在空间坐标系中X轴、Y轴、Z轴上各自坐标的最大值和最小值，然后计算最大值和最小值的差得到空间包围盒和每个长方体的边长。
[0017]进一步地，计算得到空间包围盒和每个长方体的边长如下式所示：
[0018][0019][0020]其中，x
max
、x
min
分别表示X轴上的最大值、最小值，y
max
、y
min
分别表示Y轴上的最大值、最小值，z
max
、z
min
分别表示Z轴上的最大值、最小值，X、Y、Z分别表示空间包围盒在X轴、Y轴、Z轴上的长度，l
x
、l
y
、l
z
表示每个长方体的长、宽、高，设定N所表示的空间包围盒长、宽、高每条边上的网格个数相同。
[0021]进一步地，构造的哈希函数定义如下：
[0022]H(x
g
,y
g
,z
g
)＝x
g
+y
g
N+z
g
N2[0023]其中，(x
g
,y
g
,z
g
)为每个网格的坐标，H(x
g
,y
g
,z
g
)表示哈希函数。
[0024]进一步地，所述构造辅助数组对哈希数组进行并行优化的步骤包括：
[0025]构造排序索引数组、合并哈希数组、起始索引数组、终止索引数组这四个辅助数组；
[0026]将哈希数组与相应的索引数组一起按哈希值大小进行排序，得到排序哈希数组和排序索引数组；
[0027]将排序哈希数组中相同的哈希值合并，得到无重复哈希值的合并哈希数组；
[0028]构造起始哈希索引数组、终止哈希索引数组，从合并哈希数组中合并了哈希值位置重新设置索引，从而分别用来记录发生哈希冲突的索引。
[0029]进一步地，进行并行计算并删除离群点的步骤包括：
[0030]对全部数据点根据所在网格的哈希值排序合并，然后将每个数据点所在的网格及周围的网格进行哈希值进行并行计算，根据网格的哈希值计算点云个数，并删除其中的离群点。
[0031]本专利技术技术方案与现有技术相比，具有如下有益效果：
[0032]采用网格对重建的无序点云进行划分，结合哈希数组的并行设计，可以将在整个
空间包围盒内搜索离群点的方式，变换为在多个长方体空间内并行搜索离群点的方式，加强对GPU的运算资源的利用率，提高了去噪过程的并行性能，相比现有技术降低了在进行领域搜索时所花费的时间，提升了对点云去噪过程的效率，扩大了点云重建的适用范围。
附图说明
[0033]图1为本专利技术其中一种基于GPU并行的大规模点云去噪方法的大致流程图；
[0034]图2为在去噪前具有大量离群点的三维点云图；
[0035]图3为对图2使用图1中方法进行去噪后的三维点云图；
[0036]图4为点云中数据点在构建空间包围盒后的示意图；
[0037]图5为图4中空间包围盒划分网格后的示意图；
[0038]图6为并行优化哈希数组设计的示意图。
具体实施方式
[0039]为了使本专利技术的目的、技术方案及其优点更加清楚明白，以下结合附图及其实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0040]实施例
[0041]如图1所示，本实施例的一种基于GPU并行的大规模点云去噪方法，具体步骤如下：
[0042]S1、在GPU中的图形计算平台，对没有进行去噪的三维点云图像数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GPU并行的大规模点云去噪方法，其特征在于，包括步骤如下：在GPU的图形计算平台中，对没有进行去噪的三维点云图像数据，构建形状为长方体的点云的空间包围盒，将点云中的全部数据点包含到该长方体形状的空间包围盒；将空间包围盒进行网格划分；根据所划分的网格，将网格坐标原点设置为(0,0,0)，单个网格在网格坐标中的长度设置为1，然后计算每个数据点所在的网格坐标；构造哈希函数，计算每个数据点网格坐标的哈希值，然后构造哈希数组对所计算到每个网格坐标的哈希值进行存储；构造辅助数组对哈希数组进行并行优化；对全部数据点根据所在网格的哈希值进行哈希数组排序合并的并行计算，根据网格的哈希值计算点云个数，并删除其中的离群点。2.根据权利要求1所述基于GPU并行的大规模点云去噪方法，其特征在于，所述将空间包围盒进行网格划分，包括将空间包围盒分为多个体积大小相同且长宽高方向均相同的长方体，根据长方体的个数设定长、宽、高每条边上的网格个数，计算每个长方体的边长。3.根据权利要求2所述基于GPU并行的大规模点云去噪方法，其特征在于，对空间包围盒划分多个长方体得到网格的具体步骤包括：对点云的全部数据点进行排序，得到点云的全部数据点在空间坐标系中X轴、Y轴、Z轴上各自坐标的最大值和最小值，然后计算最大值和最小值的差得到空间包围盒和每个长方体的边长。4.根据权利要求3所述基于GPU并行的大规模点云去噪方法，其特征在于，计算得到空间包围盒和每个长方体的边长如下式所示：个长方体的边长如下式所示：其中，x
max
、x
min
分别表示X轴上的最大值、最小值，y
max
、y
min
分别表示Y轴上的最大值、最小值，z
max
、z
min
分...

【专利技术属性】
技术研发人员：王念峰，林俊烨，张宪民，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：