1. 点云是什么
通过雷达、激光扫描、立体摄像机等三维测量设备获得的点云数据,具有数据量大、分布不均匀等特点。
点云数据主要是表征目标表面的海量点集合,并不具备传统实体网格数据的几何拓扑信息。点云处理中最核心的问题就是建立离散点间的拓扑结构,实现基于邻域关系的快速查找,变的很重要。
2. 点云索引分类及应用
划分空间的索引结构有:k-d tree,八叉树、四叉树、BSP树、KDB树,R树,R+树等;
利用kdtree【k-维树】和octree【八叉树】 对海量点云进行高效压缩存储与管理,及基于邻域关系的快速搜索。
K近邻搜索操作的框架是基于FLANN(Fast Library For Approximate Nearest Neighbors)。
3. KdTree(K-维树)
KdTree 也称为K维树,用来组织表示K维空间中的点集合。
通常只在三个维度中处理,因此可称为3维k-d树。
KdTree、 Octree(八叉树),都是点云数据中索引的一种,为了快速索引以及无损的压缩点云而设计的。
Kd树有几种常用的搜素方法: