基于特征降維與模糊聚類的自適應點云壓縮研究.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，獲取的物體表面點云數(shù)據(jù)的測量精度和效率也越來越高。目前，三維掃描技術(shù)已憑借其非接觸性、高精度等特點廣泛應用于三維空間信息的獲取。但掃描得到的海量點云數(shù)據(jù)存在大量冗余，實際應用中，通過三維掃描儀獲取的原始點云數(shù)據(jù)規(guī)模通常在幾十萬，甚至上百萬的數(shù)量級，這就增加了點云數(shù)據(jù)存儲、傳輸、運算的負擔和后續(xù)處理工作的難度，因此需要一種點云壓縮方法，對點云數(shù)據(jù)進行壓縮的同時

2、盡可能多的保留點云中的特征信息，同時保證運算速度在可接受范圍內(nèi)。
　　本文的研究重點是人體點云模型的壓縮處理，人體點云模型由復雜曲面組成：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，這種復雜的點云模型可以較好的體現(xiàn)算法性能。現(xiàn)有常用的點云壓縮方法中，基于模型拓撲結(jié)構(gòu)的點云壓縮方法不適用于包含復雜曲面的人體模型；而基于曲率特征的點云壓縮方法雖然能夠?qū)碗s曲面進行適當壓縮，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，本文引入了新的復合特征—點特征直方圖（PFH，Point Feature Histogram）和快速點特征直方圖（FPFH， Fast Point Feature Histogram），F(xiàn)PFH在點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點云壓縮方法，并

4、獲得如下幾方面成果:
　　(1)使用FPFH特征代替曲率特征，使得壓縮后的點云數(shù)據(jù)可以保留更多全局特征。并基于PCA算法對FPFH進行特征降維，以減少“維數(shù)災難”的影響，降維后的特征可稱為“PCA特征描述子”。通過實驗證明：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”；又通過對比實驗證明：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)，可以獲得相對最佳的點云壓縮效果和

5、曲面重建效果。
　　(2)基于模糊 C均值聚類算法實現(xiàn)點云數(shù)據(jù)的自適應分類：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（位于點云模型的邊角處、對應特征點集）和分布集中的PCA特征集合（位于點云模型的平緩處、對應非特征點集），又因為 PCA特征與點云數(shù)據(jù)一一對應，因而可以將點云集合自適應地分為特征點集和非特征點集兩類。最后根據(jù)已建立的壓縮準則：對非特征點集進行較大比例的

6、壓縮，去除冗余點；對特征點集進行較小比例的壓縮，盡可能多的保留特征信息，從而實現(xiàn)高效的點云壓縮。傳統(tǒng)的基于曲率特征的點云壓縮算法需要設(shè)置恰當?shù)拈撝祦韺Σ煌史秶鷥?nèi)的點集進行不同比例壓縮，而本文提出的壓縮方法可以實現(xiàn)自適應點云分類、壓縮，并且可以根據(jù)用戶需求，通過改變參數(shù) ratio（點云整體壓縮比例）實現(xiàn)不同比例的點云壓縮；同時，可對參數(shù) K（特征點集的保留率：非特征點集的保留率）進行調(diào)整，改變特征點的保留比例，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點云壓縮算法，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、壓縮誤差三個方面對本文算法進行評價與分析，并與傳統(tǒng)的基于曲率特征的點云壓縮算法對比壓縮效果。實驗結(jié)果證明：本文提出的點云壓縮算法可在不同壓縮率下都具有較好的壓縮效果，同時在表達形狀方面具有一定的準確性，壓縮后的點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云壓縮算法進行對比，證明本文提出的壓