点云密度匹配是不同点云源数据融合的基础，在点云数据配准及孔洞修复等方面有着重要作用。现有点云密度调控方法主要是通过精简方法来达到减小点云密度的目的。李仁忠[1]等通过输入点云数据创建一个三维体素栅格，用每个体素栅格的重心来近似显示整个体素栅格中的所有点，从而达到点云精简的目的，该方法在充分保留点云几何特征的前提下，精简结果比较均匀。吴禄慎[2]等提出了一种改进的重采样算法，将点云数据划分为特征区域和平坦区域，对特征区域进行曲率采样，对平坦区域进行均匀采样，该方法既保持了曲率采样保留模型细节的特点，又保留了均匀采样避免出现空白区域的优点。袁小翠[3]等提出一种特征保持的点云数据精简方法，首先对点云K均值聚类，然后估计点云法矢和候选特征点，将包含特征点的聚类细分为多个子类，最后基于自适应均值漂移法对数据进行分类，各聚类中心的集合即为精简结果，该方法能够较好地保留原始曲面的几何特征。SHI B Q[4]等提出了自适应K均值精简法，对点云K均值聚类后根据类内法矢偏差是否大于给定阈值，将聚类分为两类，迭代判断各类内法矢偏差直至小于给定阈值，最后保留平坦区域的聚类中心以及非平坦区域法矢偏差最大的点，该方法对于噪声过于敏感。LI H[5]等提出一种基于法向量标准差的点云精简算法，对点云数据采样后进行正态分布计算，通过相邻点之间的法向角计算特征点之间的分离阈值，在特征点之间逐步向下采样，实现点云的自适应精简，该方法可以较好地保留原模型的特点和形状。CHEN Y[6]等通过将点云数据划分为特征区域与非特征区域，针对不同区域采用不同的精简方法可以较好地保留细节特征。在点云密度调控方法中，鲜有增大点云密度方面的研究。
本文基于运动恢复结构法[7](Structure From Motion，SFM)，从二维特征点的密度调控出发，对两幅序列图像生成点云的密度进行调控。密度调控既可以减小点云密度，精简点云数据，又可以增大点云密度，使细节信息得到加强。在本文中，二维特征点的密度用平面特征点的平均间距来度量，点云密度用空间点云的平均间距来度量。
作者信息:
蒙 浩1，2，李自胜1，2
(1.西南科技大学 制造科学与工程学院，四川 绵阳621010；
2.西南科技大学 制造过程测试技术省部共建教育部重点实验室，四川 绵阳621010)
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。