3D-SIFT特征提取与体素滤波结合的点云精简算法_邢影.pdf

第 44 卷第 3 期2023 年 3 月激光杂志LASE JOUNALVol.44，No.3March，2023http /www laserjournal cn收稿日期:20220914基金项目:国家自然科学基金项目(No 61701056)、重庆市科技局基础与前沿研究计划项目(No cstc2021jcyjmsxmX0348)作者简介:邢影(1998)，女，硕士生，主要从事传统三维重建、点云处理方面的研究。Email:2163309626 qq com通讯作者:宋涛，男，副教授，硕士生导师。Email:tsong cqut edu cn光通信与网络3DSIFT 特征提取与体素滤波结合的点云精简算法邢影1，宋涛1，2，赵延1，刘冠廷1，郑米培11重庆理工大学电气与电子工程学院，重庆400054;2重庆工业大数据创新中心有限公司，重庆400708摘要:点云数据中的冗余数据会影响到点云处理算法的速度，因此，为提升算法速率，需对点云数量进行精简。然而，点云精简过程容易剔除掉特征点，导致点云信息不完整，效果不好等问题。针对这些问题，提出一种利用 3DSIFT 特征提取与八叉树体素滤波结合的点云精简方法。利用 3DSIFT 算法提取出点云的强特征点和弱特征点，对弱特征点进行改进的八叉树体素滤波，并保留强特征点，通过点云合并，将滤波后的弱特征点与保留的特征点整合到一起，使得精简后的点云数据不丢失特征点信息，从而也达到了精简的效果。将本算法与均匀网格算法、非均匀网格法、随机采样算法进行对比实验。通过多个不同模型的可视化结果和信息熵评价分析，可以得出对于几种不同模型取平均本算法平均信息熵达到 3.771 92，高于其他算法的信息熵，证明本算法在对数据进行精简的同时也达到了特征保留的效果。关键词:点云;精简;3DSIFT;八叉树;可视化;信息熵中图分类号:TN249文献标识码:Adoi:10.14016/j cnki jgzz.2023.03.163Point cloud reduction algorithm of 3DSIFT featurepoint extraction and voxel filteringXING Ying1，SONG Tao1，2，ZHAO Yan1，LIU Guanting1，ZHENG Mipei11College of Electrical and Electronic Engineering，Chongqing University of Technology，Chongqing 400054，China;2Chongqing Industrial Big Data Innovation Center Co LTD，Chongqing 400708，ChinaAbstract:edundant data in point cloud data will affect the speed of the point cloud processing algorithm There-fore，simplify the number of point clouds to improve the algorithm speed However，the process of point cloud reduc-tion is easy to eliminate feature points，resulting in incomplete point cloud information and poor effect To solve theseproblems，this paper proposes a point cloud simplification method combining 3DSIFT feature extraction and octreevoxel filtering The strong feature points and weak feature points of point cloud were extracted by 3DSIFT algorithm，the weak feature points were filtered by improved octree voxel filtering，and the strong feature points were retained，thefiltered weak feature points were integrated with the retained feature points，so that the simplified point cloud datadidn t lose the feature point information，so as to achieve the effect of reduction The proposed algorithm was com-pared with the uniform grid algorithm，nonuniform grid algorithm and random sampling algorithm Through the visual-ization results and information entropy evaluation analysis of several different models，it could be concluded that theproposed algorithm achieves the effect of feature retention while simplifying data compared with other algorithmsKey words:point cloud;reduction;3DSIFT;octree;visualization;information entropy1引言点云中包含大量的数据特征信息，冗余的点云数据对算法的处理速度造成一定的影响。而不合理的精简算法会对后续处理造成影响，因此，合理的点云精简算法尤为重要。目前的点云精简算法1 主要分http /www laserjournal cn为建立网格进行精简和直接精简，典型的点云精简算法有随机采样、均匀采样和非均匀采样。随机采样2 即设置指定的点数，将点云数据采样到指定点数，其算法速度快，算法简单，但效果不好，特征点缺失;均匀采样即在点云数据上建立三维网格，在每个体素网格内部，用距离中心点最近的点代替整个体素内部的点，达到采样的目的，其算法效率高，采样点分布均匀但不能控制采样点数，容易造成特征缺失;非均匀采样主要通过计算点云的曲率、法线等特征，得到各个区域的尖锐度，后对不同区域采用不同的精简方法，此算法计算较为复杂，但能保留部分特征点信息。传统的点云精简算法大多数追求整体性和效率，但会造成特征点的缺失。针对这些问题，王建强3 等采用多参数 Kmeans聚类的方法，用八叉树聚类的方法区分出多个模块，对不同的模块用不同的方法进行点云精简，该算法有效地保留了部分特征点，但计算量过大，特征点保留还有一定局限性。Liu 等4 采用八叉树的 Kmeans聚类方法，构建八叉树对点云进行聚类，计算每个点到聚类中心的欧式距离，保留距离满足阈值的点，该算法容易陷入局部最优，剔除特征点。李海鹏等5 采用 FPFH 特征提取的方法，用 FPFH 计算出特征区域和非特征区域，对于非特征区域用改进的最远点采样进行采样，有效保留了边缘特征，但算法较为复杂，内部特征还是会有缺失。根据以上分析，结合传统点云精简算法，在此基础上，提出一种采用 3DSIFT 算法提取出强特征点区域和弱特征点区域，对于强特征点进行保留，弱特征点利用改进的八叉树体素滤波进行点云精简，然后将强特征点和滤波后弱特征点合并到一起的点云精简方法，该方法在保留了特征点的同时也对点云进行了精简。23DSIFT 特征提取与体素滤波结合的点云精简算法2.1算法原理由于传统点云精简算法易造成点云特征数据丢失，采用 3DSIFT 特征点提取算法与八叉树算法结合的点云精简算法。即通过 3DSIFT 算法提取点云数据的强特征点数据并保存，然后用距离重心最近的点代替中心点进行体素滤波的八叉树算法对弱特征点进行点云精简，将精简后的弱特征点数据与特征提取的强特征点云数据进行点云合并达到点云精简的效果。这样点云数据在精简的同时，强特征点数据也得到了保留，边缘点和强特征区域都得到了很好的保留。同时，为了验证本算法的可行性，本算法与传统的几种经典算法进行对比实验，采用点云可视化和平均信息熵进行算法评价，信息熵越大证明点云信息量越大，保留的特征点就越多。2.23DSIFT 特征点检测人类能快速地分辨出物体的特征，能看出物体的相似性，这是因为根据图片的纹理、颜色、形状等信息对物体进行辨别，因此，提取物体的特征信息在 3D 视觉领域尤为重要。SIFT 是一种局部特征提取方法6，它也称之为尺度不变特征，它不受旋转角度、位置、尺寸的影响，并且对视角变化和噪声影响表现出良好的稳定性。SIFT 检测到的大都为强特征点，不受光照、噪声和位置变化的点，如:边界点、角点、亮点以及暗点等。SIFT 是一种经典的图片特征提取算法，在 2007年被应用于 3D 领域。3DSIFT 其算法思路主要借鉴了 2DSIFT，在尺度空间上搜索极值点，并提取其尺寸、位姿、旋转不变量等特征。主要有四个步骤:构建尺度空间、检测极值点、确定主方向、构建特征描述符7。2.2.1构建尺度空间在尺度变化的情况下，特征点的位置是不发生改变的。因此，需要构建一个尺度空间找到位置不变的点。用高斯金字塔来表示尺度空间8，3D 点云的尺度空间可表示为一个变化的高斯核函数与点云坐标相卷积，即:L(x，y，z，)=G(x，y，z，)I(x，y，z)(1)其中，L(x，y，z，)代表点云的尺度空间，G(x，y，z，)代表高斯卷积核函数，I(x，y，z)代表点云坐标，=32代表高斯卷积尺度因子。三维的高斯卷积核函数公式为G(x，y，z，)=1(2)3exp(x+y+z)22()(2)2.2.2检测极值点用乘法因子 k 设置成不同的尺度，生成点云的高斯金字塔。在实际计算过程中，高斯金字塔中相近的两层点云相减9，构成点云的高斯差分图，如图 1 所示，来进行极值检测。通过构建稳定且高效的高斯差分函数，在尺度空间上检测极值点。假设每组金字塔组内层数为 s，则可设 ks=2。构建高斯差分尺度函数(DoG)检测稳定的极值10，公式为D(x，y，z，ki)=L(x，y，z，ki+1)L(x，y，z，ki)(3)其中，i 0，s+2。关键点即为这些极值点，当前像素点与邻近的点相比较11，确定其是否为周围内的461邢影，等:3DSIFT 特征提取与体素滤波结合的点云精简算法http /www laserjournal cn极大值或极小值，如图 2 所示。当前像素点与其邻近的 26 个以其上下层 272=54 个点的灰度值相比较，如果其为这 80 个邻近点的极大值或极小值，则该点为关键点12。图 1点云高斯差分图图 2极值点检测图2.2.3确定主方向通过尺度不变性确定关键点，可使其具备伸缩不变性13。为使关键点满足旋转不变性，需要通过其邻域内点的方向和梯度特征，确定关键点的主方向13。令 Lx，Ly，Lz的计算公式为Lx=L(x+1，y，z)L(x1，y，z)Ly=L(x，y+1，z)L(x，y1，z)Lz=L(x，y，z+1)L(x，y，z1)(4)则每个邻域点的方向和梯度特征计算公式为m(x，y，z)=L2x+L2y+L2z(x，y，z)=arctanLyLx()(x，y，z)=arcsinLzm(x，y，z)()(5)其中，m(x，y，z)为关键点邻域窗口内的幅值，(x，y，z)为方向角，(x，y，z)为俯仰角。在完成方向和梯度计算后，使用梯度直方图统计法，统计一定区域内邻