基于特征降維與模糊聚類的自適應(yīng)點(diǎn)云壓縮研究.pdf

1、隨著3D傳感器技術(shù)的不斷發(fā)展，用于獲取3D模型點(diǎn)云數(shù)據(jù)的三維掃描技術(shù)在不斷更新，獲取的物體表面點(diǎn)云數(shù)據(jù)的測(cè)量精度和效率也越來(lái)越高。目前，三維掃描技術(shù)已憑借其非接觸性、高精度等特點(diǎn)廣泛應(yīng)用于三維空間信息的獲取。但掃描得到的海量點(diǎn)云數(shù)據(jù)存在大量冗余，實(shí)際應(yīng)用中，通過三維掃描儀獲取的原始點(diǎn)云數(shù)據(jù)規(guī)模通常在幾十萬(wàn)，甚至上百萬(wàn)的數(shù)量級(jí)，這就增加了點(diǎn)云數(shù)據(jù)存儲(chǔ)、傳輸、運(yùn)算的負(fù)擔(dān)和后續(xù)處理工作的難度，因此需要一種點(diǎn)云壓縮方法，對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行壓縮的同時(shí)

2、盡可能多的保留點(diǎn)云中的特征信息，同時(shí)保證運(yùn)算速度在可接受范圍內(nèi)。
　　本文的研究重點(diǎn)是人體點(diǎn)云模型的壓縮處理，人體點(diǎn)云模型由復(fù)雜曲面組成：臉部、手部包含大量高曲率特征信息；腹部、四肢軀干則多為低曲率平緩曲面，這種復(fù)雜的點(diǎn)云模型可以較好的體現(xiàn)算法性能?，F(xiàn)有常用的點(diǎn)云壓縮方法中，基于模型拓?fù)浣Y(jié)構(gòu)的點(diǎn)云壓縮方法不適用于包含復(fù)雜曲面的人體模型；而基于曲率特征的點(diǎn)云壓縮方法雖然能夠?qū)?fù)雜曲面進(jìn)行適當(dāng)壓縮，但使用曲率特征減少了壓縮后模型中全局

3、特征信息的保留。因此，本文引入了新的復(fù)合特征—點(diǎn)特征直方圖（PFH，Point Feature Histogram）和快速點(diǎn)特征直方圖（FPFH， Fast Point Feature Histogram），F(xiàn)PFH在點(diǎn)云模型不同幾何位置（邊角、平面）具有顯著的分布差異，我們將這種特性稱為“特征區(qū)分能力”。
　　本文主要利用點(diǎn)云的 FPFH特征在模型不同幾何位置的顯著分布差別，提出一種基于特征降維與模糊聚類的自適應(yīng)點(diǎn)云壓縮方法，并

4、獲得如下幾方面成果:
　　(1)使用FPFH特征代替曲率特征，使得壓縮后的點(diǎn)云數(shù)據(jù)可以保留更多全局特征。并基于PCA算法對(duì)FPFH進(jìn)行特征降維，以減少“維數(shù)災(zāi)難”的影響，降維后的特征可稱為“PCA特征描述子”。通過實(shí)驗(yàn)證明：PCA特征描述子具有與FPFH特征描述子接近一致的“特征區(qū)分能力”；又通過對(duì)比實(shí)驗(yàn)證明：選取能夠在95％以上的程度近似表示原空間樣本信息的PCA特征描述子作為模糊聚類的樣本數(shù)據(jù)，可以獲得相對(duì)最佳的點(diǎn)云壓縮效果和

5、曲面重建效果。
　　(2)基于模糊 C均值聚類算法實(shí)現(xiàn)點(diǎn)云數(shù)據(jù)的自適應(yīng)分類：使用PCA特征描述子作為聚類算法的樣本數(shù)據(jù)，利用其“特征區(qū)分能力”將樣本數(shù)據(jù)分為分布均勻的 PCA特征集合（位于點(diǎn)云模型的邊角處、對(duì)應(yīng)特征點(diǎn)集）和分布集中的PCA特征集合（位于點(diǎn)云模型的平緩處、對(duì)應(yīng)非特征點(diǎn)集），又因?yàn)?PCA特征與點(diǎn)云數(shù)據(jù)一一對(duì)應(yīng)，因而可以將點(diǎn)云集合自適應(yīng)地分為特征點(diǎn)集和非特征點(diǎn)集兩類。最后根據(jù)已建立的壓縮準(zhǔn)則：對(duì)非特征點(diǎn)集進(jìn)行較大比例的

6、壓縮，去除冗余點(diǎn)；對(duì)特征點(diǎn)集進(jìn)行較小比例的壓縮，盡可能多的保留特征信息，從而實(shí)現(xiàn)高效的點(diǎn)云壓縮。傳統(tǒng)的基于曲率特征的點(diǎn)云壓縮算法需要設(shè)置恰當(dāng)?shù)拈撝祦?lái)對(duì)不同曲率范圍內(nèi)的點(diǎn)集進(jìn)行不同比例壓縮，而本文提出的壓縮方法可以實(shí)現(xiàn)自適應(yīng)點(diǎn)云分類、壓縮，并且可以根據(jù)用戶需求，通過改變參數(shù) ratio（點(diǎn)云整體壓縮比例）實(shí)現(xiàn)不同比例的點(diǎn)云壓縮；同時(shí)，可對(duì)參數(shù) K（特征點(diǎn)集的保留率：非特征點(diǎn)集的保留率）進(jìn)行調(diào)整，改變特征點(diǎn)的保留比例，大大提高算法靈活度。<

7、br>　　(3)提出基于特征降維與模糊聚類的自適應(yīng)點(diǎn)云壓縮算法，分別從不同壓縮率下的壓縮結(jié)果、壓縮后模型的曲面重建效果、壓縮誤差三個(gè)方面對(duì)本文算法進(jìn)行評(píng)價(jià)與分析，并與傳統(tǒng)的基于曲率特征的點(diǎn)云壓縮算法對(duì)比壓縮效果。實(shí)驗(yàn)結(jié)果證明：本文提出的點(diǎn)云壓縮算法可在不同壓縮率下都具有較好的壓縮效果，同時(shí)在表達(dá)形狀方面具有一定的準(zhǔn)確性，壓縮后的點(diǎn)云模型特征信息保留較為完好，輪廓信息依然清晰可見。通過與基于曲率特征的點(diǎn)云壓縮算法進(jìn)行對(duì)比，證明本文提出的壓