目录
稠密点云数据是对物体表面的原始表达,并不具有拓扑关系,加之稠密点云常常带有各种噪声数据甚至局外点数据,因此基于原始点云的表面三维重建效果往往不能构建高逼真度的真实三维场景。针对以上问题,本文设计了一种基于平面结构特征的点云表面重建方法。算法的具体过程为:首先利用随机采样一致性(RANSAC)算法提取平面结构,将原始点云结构化为属于一个平面的平面点、两个平面相交的折点、三个平面以上相交的角点和散乱点;然后利用三维Delaunay对结构化后的点云进行空间四面体剖分,使用结构化后的四种点构成的三角面片改进最小割能量函数的惩罚项,对剖分结果进行表面提取;最后使用多组实测数据对提出的方法进行可行性的验证,并与其它方法进行比较分析。
一、图像稠密点云平面结构特征
随着图像稠密点云三维重建技术的发展,点云生成的范围在不断扩大,速度在不断提升,精度在不断提高。但是,由于点云生成过程中涉及计算机视觉的特征提取与匹配、极线几何求解、全局优化等环节,这些环节均可能存在误差,最终导致稠密点云存在一定的噪声数据或者离群数据点。将带有噪声数据或者离群数据的点云直接进行点云表面重构必然会导致重构的表面模型与真实物体存在较大偏差,从而影响真实感的表达。解决这样的问题有两种思路,一种是优化图像点云生成算法,提高图像稠密点云的精度,显然该方法难度较大;另一种方法是在现有点云的基础上,采用鲁棒性较高的算法进行结构化提取,再进行表面重构,显然这样的方法实现代价较小,且有不少成功的案例。文献[27][28][29]均通过对原始点云进行结构化提取,再进行点云表面重构。如图3. 1所示,为文献[29]实现的曼哈顿世界(结构相当规整的建筑物)点云表面重建效果。可以看到,在对结构进行提取之后,可以很好的避免噪声点云的影响,非常适合于人工物体分布较多的场景建模。
二、图像稠密点云平面结构特征提取
通过上一节对点云平面结构特征的分析,考虑到城市地理环境中人工建筑多棱角和尖锐细部特征,本文采用基于几何元素提取的表面重建思路,利用随机采样一致性算法(RANSAC)拟合图像稠密点云中的平面结构并进行重采样,并将点云分为平面点(拟合出的平面上的点)、折点(两个平面相交直线上的点)、角点(三个以上平面相交的点)以及未探测到的散乱点,如图3. 2所示。
1.基于RANSAC平面点的提取
随机采样一致性算法[[i]](RANSAC)与其它拟合方法不同,它根据一组含有局外点异常数据的数据集,设计一种数学模型,然后通过反复提取最小点集来估计该模型中的参数的初始值,通过阈值判断局外点和局内点,不断迭代选出局内点最多的参数估计的拟合结果,即为最大可能的拟合结果,由于该方法可以有效排除局外异常点,因此算法具有较高的鲁棒性。本文使用RANSAC方法进行点云的平面拟合的步骤如下:
2. 两个平面相交的点的提取
折点表示两个平面相交成的直线上的点。首先需要判断两个平面是否相交,方法是:通过K-nearest neighbor(KNN)索引结构,如果一个平面上至少有一个点包含有另一个平面上的至少两个点为其K-最近邻域点,则认为这两个平面为相交平面。然后,对相交的直线按照边长为LC 等间距进行采样,若以LC 为直径的外接球至少包含有一个局内点数据,则该采样最小单元的中心点位置为重采样的点云;否则该位置为空值。如图3. 4所示,为了使平面结构化后的点和折点在Delaunay四面体剖分中能够形成连接关系进而使两个平面相连,折点间距和折点距离最近的平面点的距离
应满足公式3-1的要求。
3.三个以上平面相交的点的提取
角点为三个以上平面相交形成的点。当判断得知三个(含以上)的平面相交形成一个回路时,这些平面将形成角点,如图3. 5所示。角点的位置由平面相交得到。
平面拟合时的局外点和未被拟合的点云都被标记为散乱点。由序列图像经过多视图立体几何稠密重建的点云经常存在噪声点甚至少量的离群点,为了过滤掉偏差较大的离群点或者局外点,本文对标记的散乱点进行预处理,使用较为简单的欧式聚类的方法进行散乱点的聚类,从而过滤掉离群点或者局外噪声点。