基于八叉树、Hilbert曲线和R树的大规模点云数据组织与管理方法

【摘要】：三维激光扫描技术自20世纪90年来发展以来,随着硬件开发水平的不断提升,LiDAR(Light Detection And Ranging)数据处理和分析算法日益成熟,三维激光扫描技术广泛用于测绘、交通、影视等众多领域。点云数据的高密度特性一直是阻碍其普及应用的瓶颈,急需快速高效的索引方法和优良的精简模型。本文针对大规模三维激光点云数据管理和点云从采样分别提出了基于八叉树、Hilbert曲线与R树混合的索引结构(3DOHR-tree)和基于高斯密度估计的点云精简方法。首先,针对于每个点云采样文件,采用八叉树将点云数据划分到规模适中、体积不等的若干小格网中,然后基于空间填充线方法(Hilbert曲线)根据中心点坐标对小格网一维排序。小格网作为一级R-tree叶节点,自下而上批量构建一级R-tree索引结构。最后,一级R-tree根节点作为二级R-tree叶节点,自上而下动态构建二级R-tree索引结构。完成R-tree索引结构构建后,依据R树层次结构特性,采用基于高斯密度估计的点云精简方法自下而上对处于叶节点的原始点云数据重采样,采样结果作为上层节点的简化点云。采样流程如下:(1)构建点云的数据的最小生成树;(2)根据最小生成树计算任意两点之间的测地距离;(3)基于测地距离采用高斯密度方法估计点密度值;(4)根据点密度值计算两点之间权值;(5)根据点之间权值,计算点特征向量;(6)定义不变量函数,根据特征向量计算不变量;(7)根据预设的规模阈值,取不变量较大的点作为采样点。实验结果表明,本文提出的3DOHR-tree不仅在索引创建时间效率上更优,而且在查询效率上也具有良好表现;基于高斯密度估计的点云采样方法能够较好地保留点云特征信息,同时具有良好的时间效率,对大规模点云数据的普及应用具有实际指导意义。