基于密集点云数据的三维实体模型重建方法

本发明涉及一种三维实体模型重建方法，特别涉及一种基于密集点云数据的三维实体模型重建方法，属于点云三维重建技术领域。

3D激光扫描又被称为实景复制，是测绘领域继全球定位系统技术后的一次技术革命。3D激光扫描技术突破了传统的单点测量方法，具有高效率和高精度的独特优势，通过高速激光扫描测量方法，大范围高分辨率快速采集获取目标外表面信息，为建立物体的三维实体模型提供了优良的技术手段。伴随计算机技术在各领域的广泛应用，逆向工程现已成为快速三维重建的主要技术之一，逆向工程的关键技术是依据获得的密集点云数据对实物模型进行三维模型重建。

对目标物进行高精度的三维重建，需经历二个步骤：一是快速并准确采集获取实物表面的初始数据；二是对实物进行高质量的三维模型重建。首先，针对获取目标物表面的初始数据，通常采用3D激光扫描仪,3D激光扫描仪能够以点云的形式高分辨率、高效率、高精度、数字化、非接触测量采集实物表面的阵列式空间点位信息。3D激光扫描仪还可以对这些3D激光点云数据进行三维城市模型生成、实物数字化等各种后期操作。目前占主导角的三维扫描仪是光学三维扫描仪和激光三维扫描仪，光学扫描仪获取点云数据是对打在目标物表面的光栅条纹进行追踪分析、特征匹配等工作，完成获取目标物表面点云数据的目标，其中的光栅条纹是由光学扫描仪的投射系统发射的，光学三维扫描仪应用广泛，可用来测量规则物体的宽度、测量口径大小等，还可测量不规则实物的外表，光学扫描仪在对小型物体作用时具有很明显的效果，较于其它大型物体建模来说具有低廉的价格，经济性更好。

激光三维扫描仪主要运用于大场景大规模的扫描,如街道、城市等,进而构建全景三维点云数据及仿真模型,一般配合GPS和INS及高分辨率相机等技术构成机载激光三维雷达系统LiDAR，LiDAR依据由雷达发射系统发送信号,经目标反射后被接收系统收集,通过测量反射光的运行时间确定目标距离，LiDAR分为地面LiDAR与机载LiDAR，机载LiDAR传感器发射的激光脉冲能部分穿透树林遮挡,直接获取高精度三维地表地形数据，其数据经软件数据处理后,可生成高精度的数字地面模型DEM、等高线图以及正射影像图,具有传统摄影测量和地面常规测量无法取代的优越性,激光三维扫描仪适用于大型场景建模,在三维城市建模等诸多领域具有广阔的发展前景和旺盛的应用需求。

本发明的密集点云数据是由激光3D扫描仪采集获取，所获得的点云数据内容分量大，包括这些点云数据的空间三维坐标和反射强度等，运用这些点经数学加工后再构建模型，表达出基本三维信息，然后再在三维模型基础上进一步做其它研究应用，比如特征提取实现对被测目标的量测与特征分析，得出拓扑关系和形体信息，更加直观的表达目标物体。

3D激光扫描可以大面积、高分辨率快速获取被测对象表面的三维坐标数据,再配合快速高精度的建模方法,使得该技术更加凸显快速、非接触、主动、精确等特性,实时获取的数据具有高精度和高密度等特征，三维扫描的应用使得三维模型的重建变得更加便捷,可在虚拟世界中创建实际物体的数字模型，这种全新的技术手段将引起测绘领域又一次大的变革。

点云数据重建工作包括点云数据的获取、处理、重建，在点云数据获取处理方面现有技术已取得不少成果，这些成果已运用在逆向工程，根据需求的不同，点云数据的工作方式各异，在计算机图形学运用中，为重建高质量的物体需利用硬件优势进行物体多边形网格模型的重建，机械产品的设计中，因为规模小，需逼真的模拟出物表信息才能达到生产需求，故只能往使曲面参数趋于平滑的方向努力。3D激光扫描是快速直接获取被测目标表面数据的技术，最终目的是建立被测目标的数字化精确三维模型服务人们生产生活的各领域。

多边形网格建立时，从激光扫描仪获取的数据最初是杂乱无序的，为使数据处理更加便捷，需将零散点云生成多边形网格，生成网格也就明确了零散点云数据间的结构关系，这种结构关系一般与多边形有关，对于零散无序点云数据生成三角网格的方法，现有技术包括三角剖分方法，德劳内三角原理主要是在边界特征点的基础上，基于多边形的生长方法，将多边形顶点作为初始点集并提取，使所得的三角形尽量高质量化，避免点云数据的零散无序，同时也便于出零散无序点云数据间的三角拓扑关系。德劳内既实现了多边形网格的建立也确立了点之间的关系，为后期的数据处理奠定了基础。现有技术实现德劳内三角剖分的方法最具代表性的是Lawson法和Bowyer-Watson法，前者利用对角线交换实现，后者是基于逐点插入运用。但Lawson法在现实使用中，遇到的数据较多时，网构效率会减慢，在遇到点云集范围不是凸区域或存在内环情况时，还会产生非法三角形，Bowyer-Watson法随机点插入的时间复杂度及三角化的时间复杂度较大，且有限元网格生成的效率很低。

现有技术各种采用RANSAC的方法是在统计的前提下，对点云数据信息中的基本信息识别和提取。缺陷是在面对特定形状的采样数据信息较少时，即占全部点云数据比例较小时，在全部点云中搜索耗时较大、效率低。

现有技术也有从点云数据中提取基本几何体形状，采用的是RANSAC方法，对每个基本几何体形状逐个提取轮廓待选点，将所提取的轮廓点进行优化，再将优化后的轮廓点为标准进行重建，优化是通过缩小一个能量函数直至最小。但RANSAC的方法的缺陷：优化考虑单一，没有顾及几何体之间的约束，所以在重建模型几何体之间拼接的地方衔接不和谐，易生缝隙。现有技术基于小面积形状的重建的主要缺点在于对大面积缺失的数据无法补全，因为这种方法的重建效果对小面积标准形状模板的依附性强，所采用的几何体模板是针对点云形状小面积的描述，小面积形状匹配过程用时长，方法效率低。

综上，现有技术还存在一些明显不足，表现在以下方面：

一是现有技术很难快速获得大面积、高分辨率被测对象表面的三维坐标数据,也缺少快速高精度的建模方法,技术不具有快速、非接触、主动、精确等特性,获取数据不具有高精度和高密度等特征，三维模型的重建存在许多困难,不利于在虚拟世界中创建实际物体的数字模型；

二是现有技术在点云数据的获取方面，点云数据的获取成本高，点云数据的获取速度慢，不能获取满足本发明后续处理要去的密集点云数据，无法为高精度的三维实体模型重建打下基础；点云数据配准精度较低，自动化程度低；现有技术大量人机交互绘制提取方法，消耗大量的工作时间，工作成本高；

三是现有技术多边形网格建立时，德劳内三角剖分的方法采用Lawson法和Bowyer-Watson法，前者利用对角线交换实现，后者是基于逐点插入运用。但Lawson法在现实使用中，遇到的数据较多时，网构效率会减慢，在遇到点云集范围不是凸区域或存在内环情况时，还会产生非法三角形，Bowyer-Watson法随机点插入的时间复杂度及三角化的时间复杂度较大，且有限元网格生成的效率很低；

四是现有技术各种采用RANSAC的方法缺陷是在面对特定形状的采样数据信息较少时，即占全部点云数据比例较小时，在全部点云中搜索耗时较大、效率低；现有技术的RANSAC方法优化考虑单一，没有顾及几何体之间的约束，所以在重建模型几何体之间拼接的地方衔接不和谐，易生缝隙；现有技术基于小面积形状的重建的主要缺点在于对大面积缺失的数据无法补全，因为这种方法的重建效果对小面积标准形状模板的依附性强，所采用的几何体模板是针对点云形状小面积的描述，小面积形状匹配过程用时长，方法效率低。。

本发明提供的基于密集点云数据的三维实体模型重建方法，密集点云数据由激光3D扫描仪采集获取，3D激光扫描可以大面积、高分辨率快速获取被测对象表面的三维坐标数据,再配合快速高精度的建模方法,使得该技术更加凸显快速、非接触、主动、精确等特性,实时获取的数据具有高精度和高密度等特征，三维模型的重建变得更加便捷,可在虚拟世界中创建实际物体的数字模型，本发明实现了基于密集点云数据的快速高精度三维实体模型重建；在点云数据的获取方面，既能有效节约点云数据的获取成本，提高点云数据的获取速度，都能获取满足本发明后续处理要去的密集点云数据，为高精度的三维实体模型重建打下良好的基础；本发明的基于语义的特征提取方法，与大量人机交互绘制提取方法相比，节省了大量的工作时间，采用这种半自动化的方式进行作业，特征提取的精度和准确度得到有效提高，还大幅降低成本，重建的三维实体模型的精度明显提高。

为达到以上技术效果，本发明所采用的技术方案如下：

基于密集点云数据的三维实体模型重建方法，对目标物进行高精度的三维重建，包括二个步骤：一是密集点云数据的获取和处理，获取目标物表面的初始数据信息要高效率的完成，激光扫描仪获取点云数据的特征是海量零散点云信息，本发明获得这些点云数据的三维坐标、反射强度信息，然后通过数学方法对点云建立模型结构，直观表达其三维信息；二是对目标物进行高精度的三维重建，对所获取点云的目标对象表面数据信息进行分析与解算，进而对三维模型进行特征提取，特征提取方法有二种：一是直接利用算法对点云数据进行分割和特征提取；二是转换LiDAR数据为图像，将数据进行分割和提取；本发明语义描述是对几何体的描述，既包括点云数据的几何特征和几何类别，也包括几何体间的相互关系信息，基于语义的特征提取加强计算机对点云数据的理解能力；

本发明首先采用3D激光扫描仪获取目标物表面的初始数据，3D激光扫描仪以点云的形式非接触测量、数字化采集实物表面的阵列式空间点位信息，然后进行三维模型重建，三维重建的工作流程主要包括数据获取、数据配准、数据融合与建网及纹理映射；

基于密集点云数据的三维实体模型重建方法包括密集点云数据的获取和处理和密集点云数据的三维重建，密集点云数据的三维重建包括：一是基于VS平台展现点云库：将点云库各个模块进行封装，利用VS平台处理密集点云数据，并用微软基础类库呈现点云数据的PCD文件；二是若干幅深度图像的自动化配准：改进自动化配准方法，出多种特征，包括法线、关键点、VFH；三是自动分割聚合点云图像；四是基于语义的特征提取方法；若干幅深度图像的自动化配准包括深度图像的自动化配准和基于曲面特征的深度图像配准。

基于密集点云数据的三维实体模型重建方法，进一步的，本发明密集点云数据管理主要依据点云数据文件的大小划分：

一是对于基于几百GB级别的数据，采用Oracle数据库的管理方式，对初始点云数据建立八叉树索引并存入数据库，然后根据八叉树索引实现密集点云数据的动态调度，选择密集点云数据被浏览、量测操作时进行索引；

二是对于几百MB到几十GB级的数据，采用基于硬盘外存的八叉树索引多文件点云管理方式，直接处理后，利用动态调度引擎进行变化的调度，这种动态调度是针对八叉树节点；

三是对于几十MB的数据，采用基于内存的管理方式,可直接采用,即将点云数据全部读入内存，方便点云后处理操作。

基于密集点云数据的三维实体模型重建方法，进一步的，基于VS平台展现点云库充分利用点云库资源需出便捷平台进行展示，本发明的开发平台为Visual Studio，将点云库中的各模块用VS打开，在VS界面进行编译处理，对任务所需进行编程，在用户和资源中搭建良好的沟通桥梁，一键处理点云数据图，各个模块的显现与功能具体为：

输入输出模块，当采集获取目标物表面点云数据后，将其传输到点云库中，并对其比对，这一步必须在输入模块中进行，初始点云数据比对后，对点云数据进行滤波，或者是分割，则将输入的点云数据转移到其它处理模块，这时是点云的输出；

K-D树模块，通过K-D树查，更快完成近似点云数据、相异点云数据的分类，对于参差不齐点云数据，进行排列组合，补全或者删除；扩展二叉搜索树得到K-D树，应用于多维检索，适合于三维点云，K-D树若不是空树，便具有二叉树的性质；

八叉树模块，八叉树是由四叉树推广到三维空间中的数据结构，对三维空间中的点云数据进行良好管理，根据八叉树每个节点有八个子节点确定小型目标物的具体位置；

以上三个模块为基础模块，具备处理点云数据的基本功能，除基本模块外，还有高级处理模块，包括点云滤波、深度图像、采样一致性、点云配准、点云分割、点云曲面重建。

基于密集点云数据的三维实体模型重建方法，进一步的，

点云滤波模块，对含噪声大的点云数据集过滤处理，将不属于被测目标物表面的数据自动屏蔽处理掉，经过点云滤波处理得到内点与外点，内点为边界点所包围的点云数据，外点为点云数据的边界点，即轮廓线；将采集的点云数据滤波处理后，建立初步的三维模型，即实现初始点云数据的可视化处理，便于更直观的了解图形信息，便于后续工作处理；

深度图形处理模块，主要对点云数据进行深度估计，估计内容很丰富，可根据图像的明暗程度，也可根据图像内容的理解对图像进行信息的采集获取和解析；

关键点提取模块，不同被测物体具有不同的几何特性，这些关键点的提取，迅速获取被测物体的几何信息，实现快速3D建模；

点云分割模块，对点云数据图进行局部划分处理，实现快速索引，提高建模图像的精度，即点云数据的分割处理；

基于VS平台的点云库展示，将点云库各模块封装，利用VS平台处理密集点云数据，并用微软基础类库呈现点云数据的PCD文件。

基于密集点云数据的三维实体模型重建方法，进一步的，若干幅深度图像的自动化配准：从不同视角对场景进行扫描，并将多个站点获取的点云进行拼接，得到统一坐标系下的三维数据点集，基于点云数据配准；

点云数据配准到二个点云数据集间的对应关系，将一个坐标系下的点云数据转换到另一坐标系下；首先得出对应关系，再是解算变换参数；

自动化配准的关键是自动实现特征匹配，先明确特征匹配；考虑二个特征集合F和G，分别包含了n和m个特征，F＝{f1,f2,...,fn}，G＝{g1,g2,...,gm}，特征匹配是到由F的某子集到G的某子集的一个一一映射关系：

fi1←→gj1

fi2←→gj2

……

fik←→gjk

其中i1,i2,...,ik∈{1,2,...,n},j1,j2,...,jk∈{1,2,...,m}；

本发明到的最优特征匹配的映射关系满足：

条件一，映射关系中的任意一对对应特征应具有近似性，即对任意的l∈{1,2,,,,y},应有fil和gjl对应特征近似；

条件二，在满足条件一的前提下，映射关系中对应特征的数目y应尽可能多；

线配准流程为：从相邻点云中提取线段→寻同名线段→解算同名线段的单位方向向量→解算旋转参数→确定二条线段的交点→解算平移参数→点云配准。

基于密集点云数据的三维实体模型重建方法，进一步的，深度图像的自动化配准为：

第1步，数据获取：对图像处理前，要成功获得三维空间目标物的平面图像，利用激光扫描仪的三角原理和高分辨率彩图像获取点云数据，利用CCD照相机和激光扫描仪配合得到的配准系统DCR获取数据，利用3D激光扫描仪获取的数据为深度数据；

第2步，特征提取：特征提取分三个方面提取，即特征点、特征线和区域的提取；特征点提取时，先确定选取的方法，特征点提取的方法包括三种：应用方向导数、应用图像亮度对比关系、应用数学形态学三种方法；

第3步，立体匹配：立体匹配使获得的若干幅点云数据图像接轨成一幅完整的凸显目标物实际3D形状信息的模型，需要注意或者避免一些不确定因素；

第4步，数据去重和网构：将获取的点云数据共享在同一坐标系下，为避免数据多次出现，将数据去重，将零散数据整合在一起；

第5步，几何映射：获取的图片信息含有颜信息，灰度等级显现代表颜显现，实现几何映射使3D建模更具彩真实感。

基于密集点云数据的三维实体模型重建方法，进一步的，基于曲面特征的深度图像配准是将绝大部分近似的二幅曲面进行匹配和缝合，缝合过程中具有近似特征的点云数据相互对应起来，二幅成对进行匹配得到完整的三维实体模型，在实现过程中求解出刚性变换，即点云数据旋转、平移变换时形状不改变；将不同方位、角度扫描得到的同一场景放在同一坐标系下配准，使多角度图形相互对应。

基于密集点云数据的三维实体模型重建方法，进一步的，自动分割聚合点云图像中，针对竖直面的分割，采用pcl::SACMODEL_PERPENDICULAR_PLANE分割竖直面，采用Sample Consensus Model Perpendicular Plane类，求得检测平面与已已知向量的相对垂直，需设置角度临界值，检测到这个平面；

处理大型复杂场景的点云数据时，本发明将其分割处理，通过分割划片后处理的数据量大幅减少；局部点云数据匹配完成后，进行聚类工作，即将各个精细的小部件重新组装，完成逼真的3D建模。

基于密集点云数据的三维实体模型重建方法，进一步的，点云分割模块：对于大型复杂场景的3D建模，对点云数据图进行局部划分，即可实现快速索引，还可提高建模图像精度，即点云数据的分割处理：

第一步，分割片轮廓线中心点Z坐标的值代表分割片的高度，具体中心点的坐标为：当分割片与平面XOY垂直时，则分割片分别在平面YOZ或者平面XOZ的投影点坐标的Z值即为分割片的Z坐标；当分割片与平面XOY不垂直时，分割片的中心点F在XOY面上的投影为F’点，解算出分割片在二维平面的中心点，然后解算点F’到分割片的距离h，解算出AA’的距离AA’＝h/cosα，AA’的距离即为分割片中心点的Z值；

第二步，方向：表示分割片方向的是平面XOY与分割片间的夹角；

第三步，三维空间中面积解算方法：设共有m个点，对i点循环(0

Areayz+＝Zi*(Yi+1-Yi-1)

Areaxz+＝Xi*(Zi+1-Zi-1)

Areaxy+＝Xi*(Yi+1-Yi-1)

第四步，在XOY面上的投影面积解算方法：对i点循环(0

area+＝(Xi*Yi+1-Xi+1*Yi)

AreaXOY＝0.5*|area|

实现点云数据的分割和组合后，关键是实现自动化操作，尽量减少人工交互，本发明将点云库中的各个模块用VS打开，在VS界面编译处理，在用户和资源中搭建起良好的沟通桥梁，一键处理点云数据图。

基于密集点云数据的三维实体模型重建方法，进一步的，基于语义的特征提取，本发明的方法有二种：

一是直接利用算法对点云数据进行分割和特征提取，对点云数据的管理和对目标物的特征提取，主要采用基于分割-融合-内插的八叉树方法；

二是转换LiDAR数据为图像，将数据进行分割和提取，对各个场景进行语义特征提取，对特征提取前描述各个特征，然后对各个场景所获取的点云数据进行过滤，减少图像噪点，对所获取的不同几何体进行分类处理并标号，轮廓线的提取，进行智能语义定义，再在这个基础上进行局部清洁处理就可让原本模糊的三维模型变得更加精准，接近于真实物体；

语义建立后，根据语义的特征描述进行轮廓线的特征提取，在有一个大的框架约束的情况下再对物体进行精细化处理，去掉多余点，补足缺失点，使被测目标具有清晰完整真实，通过三维重建实现高精度的三维建模。

与现有技术相比，本发明的贡献和创新点在于：

第一，本发明提供的基于密集点云数据的三维实体模型重建方法，密集点云数据由激光3D扫描仪采集获取，运用这些点经数学加工后再构建模型，表达出基本三维信息，3D激光扫描可以大面积、高分辨率快速获取被测对象表面的三维坐标数据,再配合快速高精度的建模方法,使得该技术更加凸显快速、非接触、主动、精确等特性,实时获取的数据具有高精度和高密度等特征，三维模型的重建变得更加便捷,可在虚拟世界中创建实际物体的数字模型，这种全新的技术手段将引起测绘领域又一次大的变革，本发明实现了基于密集点云数据的快速高精度三维实体模型重建；

第二，本发明提供的基于密集点云数据的三维实体模型重建方法，提供了一种密集点云数据的获取和处理方法，在点云数据的获取方面，既能有效节约点云数据的获取成本，提高点云数据的获取速度，都能获取满足本发明后续处理要去的密集点云数据，为高精度的三维实体模型重建打下良好的基础；

第三，本发明提供的基于密集点云数据的三维实体模型重建方法，三维实体模型重建利用点云特征描述与提取，将密集点云数据放入点云库平台处理，用点云库显示点云数据PCD文件，提出基于线特征点云数据的自动化配准方法，并给出算例，点云数据配准精度高，自动化程度高，是一种具备显著创新性，且优势突出的三维实体模型重建方法；

第四，本发明提供的基于密集点云数据的三维实体模型重建方法，在已经构建好的三维模型基础上，本发明提出了一种基于语义的特征提取方法，该方法与大量人机交互绘制提取方法相比，节省了大量的工作时间，采用这种半自动化的方式进行作业，特征提取的精度和准确度得到有效提高，还大幅降低成本，重建的三维实体模型的精度明显提高。

图1是本发明的点云滤波前后对比示意图。

图2是本发明的几何映射前后效果对比示意图。

图3是本发明的分割片的位置关系示意图。

图4是本发明语义特征提取的轮廓线提取效果示意图。

图5是本发明语义特征提取的轮廓线的线特征示意图。

下面结合附图，对本发明提供的基于密集点云数据的三维实体模型重建方法的技术方案进行进一步的描述，使本领域的技术人员可以更好的理解本发明并能够予以实施。

3D激光扫描突破了传统的单点测量，具有高效率、高精度的独特优势，通过高速激光扫描测量方法，进行大范围、高分辨率快速采集获取目标物表信息，为建立物体的三维实体模型提供了一种全新的技术手段。逆向工程已成为快速三维重建的主要技术之一，逆向工程中几何建模自动化系统，体现设计意图的特征建模特征，数据点的组织方式不限，输出的B-rep模型与CAD系统完全兼容，几何建模自动化系统的关键在于特征的自动提取、组合自由曲面的光滑连接。逆向工程的关键是依据所获得的密集点云数据重建三维实体模型。

本发明提供的基于密集点云数据的三维实体模型重建方法，对目标物进行高精度的三维重建，包括二个步骤：一是密集点云数据的获取和处理，获取目标物表面的初始数据信息要高效率的完成，激光扫描仪来获取点云数据的特征是海量零散点云信息，本发明获得这些点云数据的三维坐标、反射强度信息，然后通过数学方法对点云建立模型结构，直观表达其三维信息；二是对目标物进行高精度的三维重建，对所获取点云的目标对象表面数据信息进行分析与解算，进而对三维模型进行特征提取，特征提取方法有二种：一是直接利用算法对点云数据进行分割和特征提取；二是转换LiDAR数据为图像，或者将数据进行分割和提取；本发明获得的点云数据包括的只是需重建对象的三维几何采样数据，无其他任何信息可供参考，尤其是对语义的描述，语义描述是对几何体的描述，是抽象和高级的描述，既包括点云数据的几何特征和几何类别，也包括几何体间的相互关系信息。语义描述的加入加强了计算机对点云数据的理解能力，对点云数据的重建起很大作用；本发明首先采用3D激光扫描仪获取目标物表面的初始数据，3D激光扫描仪以点云的形式高精度、高分辨率、高效率、非接触测量、数字化采集实物表面的阵列式空间点位信息，然后进行三维模型重建，三维重建的工作流程主要包括数据获取、数据配准、数据融合与建网及纹理映射。

基于密集点云数据的三维实体模型重建方法包括密集点云数据的获取和处理和密集点云数据的三维重建，密集点云数据的三维重建包括基于VS平台展现点云库、若干幅深度图像的自动化配准、自动分割聚合点云图像、基于语义的特征提取，若干幅深度图像的自动化配准包括深度图像的自动化配准和基于曲面特征的深度图像配准。

一、密集点云数据的获取和处理

(一)获取密集点云数据

本发明在点测量和线测量的基础上提出面测量，面测量通过一组光栅的位移，然后采集光栅经传感器发射到物体表面的数据信息，基于面测量的扫描仪具备三维快速建模能力。

(二)密集点云数据的管理

点云数据只有通过高效的管理才能高效率的应用，本发明密集点云数据管理主要依据点云数据文件的大小划分：

一是对于基于几百GB级别的数据，采用Oracle数据库的管理方式，对初始点云数据建立八叉树索引并存入数据库，然后根据八叉树索引实现密集点云数据的动态调度，选择密集点云数据被浏览、量测操作时进行索引；

二是对于几百MB到几十GB级的数据，采用基于硬盘外存的八叉树索引多文件点云管理方式，直接处理后，利用动态调度引擎进行变化的调度，这种动态调度是针对八叉树节点，这样就可以对点云数据进行全面处理，更加精细；

三是对于几十MB的数据，采用基于内存的管理方式,可直接采用,即将点云数据全部读入内存，方便点云后处理操作。

(三)密集点云数据的存储

随着3D激光扫描系统硬软件在的迅猛发展，扫描的目标场景的范围不断增大，复杂度不断提高，移动三维扫描车发展迅猛，获取密集点云数据的力度也在不断改进，获取点云数据的数据量达到GB级甚至TB级。因此，亟待解决的关键核心问题是可靠高效的存储获取的密集点云数据。

利用三维激光扫描仪采集的初始点云数据，具有海量和零散的特征，零散点云数据不仅是孤立的点，它蕴含有丰富信息，如三维坐标、反射强度和回波次数信息。三维激光扫描仪将激光数据保存多种数据格式，三维激光扫描仪自带后处理软件，后处理软件提供对这些格式的读写模块。

根据不同仪器分别列出每种仪器系统的自定义格式和常用普通格式，经扫描得到的数据直接以自定义格式导出，之后结合仪器配套软件系统进行处理。扫描数据也可直接导出，或者是通过配套软件导出，导出常用普通格式方便适用于大多数系统，也便于三维激光扫描数据在不同系统间的转换和存储。

1.采用自定义格式存储

RIEGL仪器自定义二进制的3DD格式，存储三维空间数据，并附加时间标签，3DD格式的支持软件包括Orpheus、QTSculptor、Reconstructor。为适用不同平台，RIEGL仪器自带RiSCANLIB库解码3DD文件，LEICA仪器在使用中把数据直接导出为常用的PTX文件；TRIMBLE仪器的RWP格式是针对配套软件RealworksSurvey的自定义格式，TRIMBLE系列仪器POCKETSCAPE和POINTSCAPE自定义的工程文件格式分别为DCP与PPF，TRIMBLE仪器扫描文件的自定义格式是SOI格式；OPTECH仪器是自定义的IXF格式，主要针对扫描系统ILRIS；仪器配套软件则在读取后，根据需要把它们转换为对应的文件格式。

2.采用通用格式存储

(1)ASCII格式文件解析

ASCII格式文件是普遍采用的数据格式，它包括的主要文件格式有XYZ、PTX，ASCII类型文件由文件头和记录点的三维坐标和其他如反射率一些值组成，文件头说明文件的辅助信息；PTX格式出现在扫描点的交换和点所对应的坐标变形的工作中。以ASCII形式给出所有值，并且单位都要求用公制。根据由Cyrax扫描得到PTX文件，由第1行和第2行点的行数和列数得这个文件中共有100(行)×80(列)个点，第3行是点的平均分量，即平移分量，第4、5、6行表示的是点的旋转矩阵(3×3)，第7、8、9、10行表达全局变换矩阵(4×4)，它是一个变换矩阵，由平移变换和旋转变换这二个变换的乘积变换得到，这二个变换分别取决于平移分量和旋转矩阵，从第11行开始是点的(X，Y，Z)坐标和反射率。Cyrax2500工作采用雷达测距，当一束扫描激光没有碰到目标物体表面时，又或遇到反射激光的几率较低时，在文件中用0000来补齐，这种点是无效点。

XYZ文件的每一行包含一个扫描点，XYZ文件有二个变量：第一变量为每个扫描点指定的x、y、z坐标和反射值；第二变量为每个扫描点指定二个其它规格，规格包括平面显示中的行和列；导出时将坐标转换为与当时所选导出单位相对应，导出用于屏幕表示的反射值，其大小在0到255之间；导入时假定以选定的导入单位接收坐标；ASCII型格式具有的优点是：有大致相同的结构，结构简单，容易读写，而且能被多数仪器和软件支持；缺点是：ASCII型数据所占空间大，存储和处理海量LiDAR数据较困难；该格式数据只存储了(X，Y，Z)坐标和反射值这些基本信息，点的其它信息量不完整，不利于信息提取和数据应用。

(2)PTC点云格式解析

PTC是二进制的点云格式，PTC文件可由一些软件转换或者写出，也可由仪器直接导出。PTC文件既保存了三维坐标信息，也保存了高分辨率的数据对应图像像素信息。PTC点云格式的优点：比ASCII格式存储更简洁，点云数据能在AutoCAD中的导入、显示与绘制中能更高效；缺点：内存需求大，因为数据的导出要先收集所有扫描点，然后再写入文件。

(3)二进制的OBJ文件解析

二进制的OBJ文件由VIVID910直接生成，它各行的具体含义是：1、2、3、4行为文件头，文件头包括了文件的文件名、文件类别、创建时间信息；“g”所在的那一行表示开始记录点云数据信息，这些信息从下一行开始，每行以“v”开头，“v”结束后紧接着的三个数为数据点的XYZ坐标分量，从第一个以“v”开头的行开始，如果每行以“v”开头，该行表示一个点，每行的点依次编号；当记录完点云数据中点的坐标后，以“gscene-cut01”表示，之后开始记录面片信息；之后的每一行以“f”开头，每一行记录一个面片信息，面片是多边形面片；“f”后面紧跟三、四个整数是这个图形各顶点在顶点序列中的编号；每个四边形在绘制时，将其分割为二个三角形处理。

OBJ格式特征为：可存储离散点，可记录线数据，也可记录多边形以及自由曲面的数据。明显的形体信息和拓扑关系信息使数据可更好的进行建模和显示特征。但点的属性信息不够完整，加上点属性信息的格式编译和解码较复杂，使它的应用受到局限。

(4)LAS点云格式解析

LAS点云格式为激光雷达数据通用格式，LAS文件根据其组织结构进行存储，涵盖了丰富的信息。完整的LAS文件格式组成为：公共头、变长记录及LiDAR点集记录；header涵盖该LAS文件的所有基本信息，然后用envi_info_wid显示该头文件的基本信息。

(四)密集点云数据特征解析

由于3D激光扫描仪的结构以及点云数据采集原理不同，点云数据的排列形式不同，获取的点云数据的排列形式主要有扫描线点云、阵列式点云、格网式点云、零散式点云；扫描线点云、阵列式点云及格网式点云这三种点云排列形式属于有序或者部分有序的点云数据，这些点云数据点与点之间有一定的拓扑关系；点云数据特征主要是指被测目标中的特征点、特征线及特征面。分析点云数据特征后，最重要的是点云特征提取，主要表现为：

第一，提取的点云特征主要用于约束点云建模；第二，在快速成型技术领域，首先获得物体的轮廓特征线，然后输入快速成型机，生产出实物模型；将点云数据转换成切片形式，然后提取每层切片的轮廓线，并基于轮廓线实现对象建模；第三，可描述和表现显著的对象特征；第四，可用于不同坐标系间点云的配准，基于特征的点云配准或者其它遥感数据与点云配准可大幅提高配准的可靠性和精度；

特征提取包括特征点的提取、特征线的提取、特征面的提取，在点云数据处理中特征线对后期模型重建十分重要，点云特征提取主要围绕特征线的提取，点云特征提取主要针对二个方面：一是从零散点云直接提取特征；二是从网格中提取特征。

二、密集点云数据的三维重建

3D激光扫描是快速直接获取被测目标表面模型的技术，最终目的是要建立被测目标的数字化精确三维模型，服务人们生产生活的各个领域。由3D激光扫描进行数据采集后，获取的是目标表面高密度的点云数据，点云数据是对被测的目标表面的完整、清晰的表达，但通常情况下，现有技术的点云数据只存储可见信息。即点云中的点是零散的，点与点之间的空间关系未知且存在噪声，这使得后期建模变得异常困难。因此，将采集到的点云数据改进优化进行三维建模是3D激光扫描的首要问题，其实质是将“点”变为“体”的过程。这个过程中，首先解决的是将“点”变为“面”，直接涉及点云数据的重建。

利用逆向工程处理采集获取的点云数据，使其复原为逼真模型为重建。3D激光扫描获取的都是目标表面的点云数据，点云重建复原被测目标的真实形状且对其表面模型进行数字化表达，对后续方法实施、方法效率优化、最终模型生成以及正确提取信息有重要作用，点云数据重建是后期其它处理的基础和前提。

密集点云数据的快速三维重建，主要基于二个方面：一是海量密集点云数据针对大型复杂场景，在用激光扫描仪工作时，需进行不同视点的多次扫描，得到大数量的深度图像，进而获得完整场景的数据；二是三维重建要求所获得的深度图像精确配准，主要利用点云特征描述和提取。对海量的点云数据，要求快速重建有较大难度，所能改进的是减少大量的交互，更大限度的实现配准自动化。

本发明寻平台应用点云库，使点云库的模块功能能集合共同发挥作用，高效快速的进行重建。利用3D激光扫描仪在外景获取数据时，需要对数据进行配准和重建。利用点云库一般可达到目的，但是当遇到大量点云数据时，如果去一个个处理，会十分麻烦。所以，需要一种方法快速实现重建，具体方案为：

一是基于VS平台展现点云库，将点云库各个模块进行封装，利用VS平台处理密集点云数据，并用微软基础类库呈现点云数据的PCD文件；

二是若干幅深度图像的自动化配准，改进自动化配准方法，出多种特征，包括法线、关键点、VFH；

三是自动分割聚合点云图像：对三维图像进行修改，尽可能到一种方法使鼠标在三维图像上自由分割切补三维图像。

(一)基于VS平台展现点云库

点云库由很多模块组成，充分利用点云库资源需出便捷平台进行展示，本发明的开发平台为Visual Studio。将点云库中的各模块用VS打开，在VS界面进行编译处理，对任务所需进行编程，在用户和资源中搭建良好的沟通桥梁，一键处理点云数据图，各个模块的显现与功能具体为：

输入输出模块，当采集获取目标物表面点云数据后，将其传输到点云库中，并对其比对，这一步必须在输入模块中进行，初始点云数据比对后，对点云数据进行滤波，或者是分割，则将输入的点云数据转移到其它处理模块，这时是点云的输出；

K-D树模块，通过K-D树查，更快完成近似点云数据、相异点云数据的分类，对于参差不齐点云数据，进行排列组合，补全或者删除。扩展二叉搜索树得到K-D树，应用于多维检索，适合于三维点云，K-D树若不是空树，便具有二叉树的性质；

八叉树模块，八叉树是由四叉树推广到三维空间中的数据结构，对三维空间中的点云数据进行良好管理，根据八叉树每个节点有八个子节点确定小型目标物的具体位置。

以上三个模块为基础模块，具备处理点云数据的基本功能，除基本模块外，还有高级处理模块，包括点云滤波、深度图像、采样一致性、点云配准、点云分割、点云曲面重建。

点云滤波模块，对含噪声大的点云数据集过滤处理，将不属于被测目标物表面的数据自动屏蔽处理掉，经过点云滤波处理得到内点与外点，内点为边界点所包围的点云数据，外点为点云数据的边界点，即轮廓线；将采集的点云数据滤波处理后，建立初步的三维模型，即实现初始点云数据的可视化处理，便于更直观的了解图形信息，便于后续工作处理。

如图1所示，(a)图为初始图像，(b)图与(c)图为滤波后的内点图与外点图，图中有很多离点、噪声点等干扰图像清晰的因素，经过滤波后图像清晰许多，这只是准备工作，本发明将点云处理加工，一是必须分割出想要的部分点云图，二是提取关键点，三是着手配准、重建工作。

深度图形处理模块，主要对点云数据进行深度估计，估计内容很丰富，可根据图像的明暗程度，也可根据图像内容的理解对图像进行信息的采集获取和解析。本发明基于一幅图像的深度估计方法。

关键点提取模块，不同被测物体具有不同的几何特性，这些关键点的提取，可迅速获取被测物体的几何信息，实现快速3D建模；

点云分割模块，对点云数据图进行局部划分处理，实现快速索引，提高建模图像的精度，即点云数据的分割处理。

以上为本发明主要采用的一部分模块，这些模块是点云库具体散开的小部件，只收录了各种处理能力，要应用VS平台将这些模块聚集在一起，无需一步步对应去处理模块，但依旧有一个缺陷是即便在VS平台展现这些小模块，依然较繁琐，针对点云数据需处理的工作在VS平台还是需要人工操作。基于VS平台的点云库展示，将点云库各模块封装，利用VS平台处理密集点云数据，并用微软基础类库呈现点云数据的PCD文件。

(二)若干幅深度图像的自动化配准

地面3D激光扫描，受激光扫描仪视场角限制和物体间遮蔽影响，每站扫描只能获取当前扫描仪坐标系下的点云数据，不能只通过一次扫描得到完整的物表信息；同时，扫描仪无法扫描得到对象的法向量与激光发射方向垂直部分，在对象表面法向量变化频繁的区域必须在扫描时多次更换视点才能得到完整的表面点。因此，本发明从不同视角对场景进行扫描，并将多个站点获取的点云进行拼接，得到统一坐标系下的三维数据点集，基于点云数据配准。

点云数据配准到二个点云数据集间的对应关系，将一个坐标系下的点云数据转换到另一坐标系下；首先得出对应关系，再是解算变换参数。

自动化配准的关键是自动实现特征匹配，先明确特征匹配；考虑二个特征集合F和G，分别包含了n和m个特征，F＝{f1，f2，...，fn}，G＝{g1，g2，...，gm}，特征匹配是到由F的某子集到G的某子集的一个一一映射关系：

fi1←→gj1

fi2←→gj2

……

fik←→gjk

其中i1，i2，...，ik∈{1，2，...，n}，j1，j2，...，jk∈{1，2，...，m}；

本发明到的最优特征匹配的映射关系满足：

条件一，映射关系中的任意一对对应特征应具有近似性，即对任意的l∈{1，2，，，，y}，应有fi1和gj1对应特征近似；

条件二，在满足条件一的前提下，映射关系中对应特征的数目y应尽可能多；

线配准流程为：从相邻点云中提取线段→寻同名线段→解算同名线段的单位方向向量→解算旋转参数→确定二条线段的交点→解算平移参数→点云配准。

利用模拟数据进行线特征配准：W1、W2、W3、W4为四条初始线段，w1、w2、w3、w4是由初始线段绕所在坐标系的z轴旋转45度并将坐标原点平移(6,6,6)得到的变换后的线段，将它们显示在同一幅图中；根据线特征的配准方法，利用二套线段数据，解算旋转、平移参数，解算值与设定值基本相同，利用基于线特征的配准方法能很好的进行自动化配准。

1.深度图像的自动化配准

第1步，数据获取：对图像处理前，要成功获得三维空间目标物的平面图像，利用激光扫描仪的三角原理和高分辨率彩图像获取点云数据，利用CCD照相机和激光扫描仪配合得到的配准系统DCR获取数据，利用3D激光扫描仪获取的数据为深度数据；

第2步，特征提取：特征提取分三个方面提取，即特征点、特征线和区域的提取；特征点提取时，先确定选取的方法，特征点提取的方法包括三种：应用方向导数、应用图像亮度对比关系、应用数学形态学三种方法；

第3步，立体匹配：立体匹配使获得的若干幅点云数据图像接轨成一幅完整的凸显目标物实际3D形状信息的模型，需要注意或者避免一些不确定因素，如光照强弱、化学物理变化，噪声干扰、目标物变形、摄像机自身特性。

第4步，数据去重和网构：将获取的点云数据共享在同一坐标系下，为避免数据多次出现，将数据去重，将零散数据整合在一起；

第5步，几何映射：获取的图片信息含有颜信息，灰度等级显现代表颜显现，实现几何映射使3D建模更具彩真实感。如图2为几何映射前后效果图的对比。

2.基于曲面特征的深度图像配准

曲面深度图像配准是将绝大部分近似的二幅曲面进行匹配和缝合，缝合过程中具有近似特征的点云数据相互对应起来，二幅成对进行匹配得到完整的三维实体模型，在实现过程中求解出刚性变换，即点云数据旋转、平移变换时形状不改变；将不同方位、角度扫描得到的同一场景放在同一坐标系下配准，使多角度图形相互对应。

(三)自动分割聚合点云图像

针对竖直面的分割，采用pcl::SACMODEL_PERPENDICULAR_PLANE分割竖直面，采用Sample Consensus Model Perpendicular Plane类，求得检测平面与已已知向量的相对垂直，需设置角度临界值，检测到这个平面。

处理大型复杂场景的点云数据时，获取的若干幅点云图放在同一坐标系下处理较繁琐，因此，本发明将其分割处理，通过分割划片后处理的数据量大幅减少，而且建模精度也会提高；局部点云数据匹配完成后，进行聚类工作，即将各个精细的小部件重新组装，完成逼真的3D建模。

点云分割模块：对于大型复杂场景的3D建模，不是对点云数据进行整体处理，那样处理的数据信息图很粗糙、不清晰；对点云数据图进行局部划分，即可实现快速索引，还可提高建模图像精度，即点云数据的分割处理：

第一步，分割片轮廓线中心点Z坐标的值代表分割片的高度，具体中心点的坐标为：如图3所示，当分割片与平面XOY垂直时，则分割片分别在平面YOZ或者平面XOZ的投影点坐标的Z值即为分割片的Z坐标；当分割片与平面XOY不垂直时，分割片的中心点F在XOY面上的投影为F’点，解算出分割片在二维平面的中心点，然后解算点F’到分割片的距离h，解算出AA’的距离AA’＝h/cosα，AA’的距离即为分割片中心点的Z值；

第二步，方向：表示分割片方向的是平面XOY与分割片间的夹角；

第三步，三维空间中面积解算方法：设共有m个点，对i点循环(0

Areayz+＝Zi*(Yi+1-Yi-1)

Areaxz+＝Xi*(Zi+1-Zi-1)

Areaxy+＝Xi*(Yi+1-Yi-1)

第四步，在XOY面上的投影面积解算方法：对i点循环(0

area+＝(Xi*Yi+1-Xi+1*Yi)

AreaXOY＝0.5*|area|

实现点云数据的分割和组合后，关键是实现自动化操作，尽量减少人工交互，本发明主要将点云库中的各个模块用VS打开，在VS界面编译处理，在用户和资源中搭建起良好的沟通桥梁，以便一键处理点云数据图。

(四)基于语义的特征提取

本发明所获得的点云数据包括的仅是需重建对象的三维几何采样数据，无其他任何信息可供参考，尤其是对语义的描述。语义描述指的是对几何体的描述，是抽象、高级的描述，描述内容既包括点云数据的几何特征和几何类别，也包括几何体间的相互关系信息。语义描述的加入加强计算机对点云数据的理解，对点云数据的重建起很大作用。

对密集点云数据进行高质量重建工作后，就可以对所获取点云数据的目标对象表面数据信息进行分析和解算，进而对三维模型进行特征提取。对于特征提取，本发明的方法有二种：

一是直接利用算法对点云数据进行分割和特征提取，对点云数据的管理和对目标物的特征提取，主要采用基于分割-融合-内插的八叉树方法；

二是转换LiDAR数据为图像，将数据进行分割和提取，例如对操场、建筑物、室内家具三个场景进行语义特征提取，对特征提取前，需描述各个特征，图4给出了校园一角的场景，寝室内可看到低年级学生宿舍屋顶还有对面的操场，这三个场景主要从四个方面去定义：面积大小、所处位置间的相互关系、在某特定空间下的方向以及这三个场景间的拓扑关系。

然后对这三个场景所获取的点云数据进行过滤，减少图像噪点，对所获取的不同几何体进行分类处理并标号，轮廓线的提取，进行智能语义定义，通过对轮廓线的提取显示如图4：场景经特征提取处理后显现出彩三维实物仿真图，虽然存在很多噪声杂质没有过滤掉，还有部分错误的点，但经过轮廓线的提取后，整体模型形状可以很清楚的呈现，再在这个基础上进行局部清洁处理就可让原本模糊的三维模型变得更加精准，接近于真实物体。

语义建立后，根据语义的特征描述进行轮廓线的特征提取，如图5，在有一个大的框架约束的情况下再对物体进行精细化处理，去掉多余点，补足缺失点，使被测目标具有清晰完整真实，通过三维重建实现高精度的三维建模。

本发明密集点云数据的三维重建方法，针对现有技术的重建方法进行改进，提出实现密集点云数据重建方案：一是基于VS平台展现点云库：将点云库各个模块进行封装，利用VS平台处理密集点云数据，并用微软基础类库呈现点云数据的PCD文件；二是自动分割聚合点云图像；三是若干幅深度图像的自动化配准：改进自动化配准方法，出多种特征，包括法线、关键点、VFH。以已建立的高精度三维模型为前提，本发明提出基于语义的特征提取方法与案例，该方法与大量人机交互绘制提取方法相比，节省了大量的工作时间，采用这种半自动化的方式进行作业，还大幅降低成本，重建的三维实体模型的精度明显提高。