《点云数据预处理方法分析》3200字

点云数据预处理方法分析综述目录TOC\o"1-2"\h\u3142点云数据预处理方法分析综述 198521.1点云的分类 1163921.2点云过滤 1193421.1.1直通滤波法 2118831.1.2半径滤波法 229961.1.3统计滤波法 3244891.1.4双边滤波法 4266391.3基于欧式聚类的点云分割方法 5110031.4基于体素栅格的点云下采样方法 61.1点云的分类点云（PointCloud）是表达目标物体表面特性的海量点集合，根据数据点分布情况的不同，通常可以将点云分为四类：（1）散乱点云：这种点云中的大多数点都表现出无序分布的特征，点云中的点之间没有特定的联系。（2）扫描线点云：这种点云中的点是按照激光雷达的扫描线方向排列的，扫描线都处于扫描平面上。（3）多边形点云：这种点云按照距离最小原则将近邻点连接起来，线段之间进行相互嵌套连接形成平面多边形。（4）网格化点云：由光学系统测量所得的点云一般是网格化点云，这类点云的数据点以网格化的形式均匀排列。本文的研究对象是乱序摆放的点云工件，点云数据具有无序性，属于第（1）种点云类型。1.2点云过滤从点云采集设备中获取的点云数据量是非常密集、庞大的，除此之外，由于存在点云采集设备精度、工作环境存在电磁噪声、工件表面材料性质、光照影响等因素，获取的点云数据往往存在大量的噪声点。除此之外，在点云采集设备工作过程中，除去目标工件本身，工作场景中存在着大量无关的数据也会被设备所采集，导致获取的点云数据中存在大量的离群点、杂点。这些与目标工件无关的数据点会对后续的点云分割、特征提取、特征匹配等过程带来极大的干扰，同时庞大的点云数据量也会急剧增加后续的计算量，因此对点云数据进行预处理是非常有必要的。一般通过滤波技术滤除原始点云中离群的数据点和噪声点，过滤后的点云虽然已经滤除了大量无关点，但是依旧存在数据量庞大的问题，针对此问题一般采用采样算法对点云数据进行精简，同时尽可能保留点云的特征。常见的点云预处理技术包括：直通滤波法、半径滤波法、统计滤波法、双边滤波法、体素栅格法等。1.1.1直通滤波法直通滤波法是指在指定坐标范围内进行切割，在指定坐标轴上定义阈值范围，寻找位于该坐标轴上阈值之外的点云数据，选择是否进行过滤，在相机和工件相对位置固定的情况下，这是一种较为简洁且能够快速滤除离群点的过滤方法。直通滤波法的流程图如图1.1所示。图1.1直通滤波法流程图1.1.2半径滤波法半径滤波法也是一种常用于滤除离群点和噪声的方法，该方法对初始点云中每一个点设置半径范围，在该范围内如果邻域内的点少于设定的数量阈值，则滤除该点。这是一种计算效率较高的滤波方法，能够保留点云密度较高的区域范围，有效去除离群点和无效点。这种方法较为简单高效，但是对点云表面噪声处理效果较差。半径滤波法的步骤如下：(1)设置球体半径和数量阈值，半径滤波法计算每一点在其半径范围内点的个数，(2)搜索半径范围内近邻点的个数，如果点的个数大于，则保留该点，如果小于，则去除该点。如图1.2所示，分别考察A,B,C,D四个区域内的点，设置数量阈值，B区域只有1个点，D区域内只有2个点，这两个区域的中心点将会被滤除，而A、C区域的球心点将会被保留。图1.2半径滤波法原理示意图1.1.3统计滤波法在点云去噪中，为了去除点云数据中的异常值，通常会依次计算点云的邻域特征。根据统计邻域特征的特点，设置适当的判断标准，对不符合判断标准的数据点进行修剪。一般来说，点云数据中离群点与对象模型之间的空间距离大于对象模型的局部区域点之间的距离，空间距离阈值的设置是目前较为常用的判断标准。统计滤波法假设邻域中心和邻域内的点距符合高斯分布，每个点都表达一定的信息，在某一邻域内点越密集则表达的信息量越多，点越稀疏表达的信息量越少，这种点往往是无效点。简单来说统计滤波法利用高斯模型计算和分析点云的分布规律，计算其均值和标准差，然后确定判断范围。超出判断范围的点集被视为异常值并删除。这种方法能够有效滤除点云表面噪声点，但是也可能在过滤过程中失去一些有效点。统计滤波法的步骤如下：（1）记邻域中心点，邻域附近的点，利用式（2-1）计算邻域内各点与中心点的距离。 (2-1)（2）得到一组距离值，对这组距离值进行统计学分析，利用式（2-2）和（2-3）计算均值和标准差。 （2-2） （2-3）定义距离阈值，其中代表标准差倍数阈值。根据点云数据的实际情况进行选取。如果过小则容易出现去噪过度，滤出了一些主体点云中的非噪声点。如果过大则容易导致去噪不完全，距离阈值过大导致一些噪声点没有能够滤除。根据设定的距离阈值，将阈值外的数据点滤除。1.1.4双边滤波法双边滤波是一种非线性滤波方法，可以在平滑地保持边缘的同时滤除噪声。双边滤波采用加权平均法，周围像素亮度值的加权平均值用于表示像素亮度，加权平均也基于高斯分布。但是双边滤波区别于高斯滤波，在考虑像素欧式距离的同时考虑到像素范围内的辐射差异。双边滤波考虑两个权重，空间权重用于滤除噪声，像素权重用于保留边缘特征。像素值相差越小，是边缘的可能性越小，则可以对该区域进行平滑处理，即提高该部分在滤波器中的权值，相反像素值相差越大则是边缘的可能性越大，应该尽量保留该部分。空间域函数和像素域函数分别如式（2-4）和式（2-5）表示： （2-4） （2-5）其中和分别表示空间域和像素域的标准差。代表当前点的像素值，代表中心点的像素值。由此可得双边滤波函数计算公式如式（2-6）： （2-6）记权重系数，，上式可化简为式（2-7）： （2-7）1.3基于欧式聚类的点云分割方法点云分割是按照点云的特征进行划分，划分为一类的点云往往具有相同或相似的特征。点云分割是点云数据处理中重要的一部分，只有将目标点云从场景点云中分割出来，才能进行之后的特征提取、匹配等操作。点云分割算法包括：随机采样一致性算法、区域增长算法、欧式聚类分割算法等。本文选择基于距离远近的欧式聚类分割算法，这种算法易于实现且效率较高。欧式聚类算法的实质就是将一定距离阈值范围内的点云数据划分为一个类别，通过给定聚类的搜索点，将搜索点邻域内的点归为一个类别，遍历当前类中的点，将当前类中的点邻域内的点归为当前类，直至达到约束条件。记点云集为，查询点，查询点邻域内的点记为，则查询点和其邻域内的点的欧式距离可用式（2-8）计算： （2-8）遍历当前类中的点，将所有满足的点归为当前类，得到聚类后的点云：欧式聚类算法的流程图如图1.3所示：图1.3欧式聚类算法流程图1.4基于体素栅格的点云下采样方法在经过滤波去噪处理后，点云数据中存在的离群点和噪声点基本已经被去除，但是经过过滤后的点云数据量依旧十分庞大，精度高、数据量大的问题会导致硬件系统负荷高，计算效率下降，因此在保留点云特征的基础上去除点云中的冗余点，进行点云数据精简是非常有必要的。精简点云数据比较常用的一种方法是体素栅格法。这种方法将输入的点云数据创建一系列的体素栅格，使用体素栅格进行降采样。这种方法针对每一个体素栅格内的点计算其重心，并用重心点表示体素中的其他点。体素栅格法的计算步骤如下：寻找点云数据中的最大顶点和最小顶点。将这两点作为边界点，以最小值顶点为坐标原点，建立初始点云坐标系。利用式（2-9）计算包围盒的边长。 （2-9）计算立方体栅格边长。由于不同区域点云密度不同，小立方体边长的选取对点云降采样的效果具有直接的影响，如果边长过大，则落入栅格内的数据点过多，无法达到较好的采样效果，如果边长过小虽然能较好地保留局部特征，但是很难起到精简数据量的目的。一般采取调节k近邻的范围来调整体素边长，在点云数据密度较大的区域缩小k近邻的范围，在点云数据密度较小的区域增大k近邻的范围。立方体栅格的边长计算公式如式（2-10）： （2-10）其中代表根据点云数据量进行调节的变量系数，代表比例系数。计算立方体栅格重心，用重心点数据代替栅格范围内其他点的数据，并合并所有栅格的重心点形成重心点集，代替初始点云集的体素点集，起到精简的效果。重心点计算公式如式（2-11）： （2-11）（4）降采样后的点云要求在保留局部特征的同时精简点云数据量。一般通过点间距标准偏差来评价降采样的效