CN104050639A - 一种基于双边滤波器的多视角密集点云数据融合方法 - Google Patents

Abstract

本发明公开了一种基于双边滤波器的多视角密集点云数据融合方法，属于光学三维非接触式测量技术领域，该方法的实现步骤包括：1)输入多视角密集点云数据；2)拓扑关系构建；3)基于双边滤波器的点数据归属；4)Mean-shift聚类融合；5)输出融合结果。本发明方法融合多视角点云数据时，引入双边滤波器和Mean-shift聚类，不需要识别重叠区域与非重叠区域，提高了融合多幅多视角点云数据的效率和融合后点云的平滑、光顺程度，有效地克服了现有点云融合技术的缺陷。

Description

一种基于双边滤波器的多视角密集点云数据融合方法

技术领域

本发明属于光学三维非接触式测量技术领域，涉及一种多视角密集点云数据融合方法，更进一步涉及一种新的基于双边滤波器的多视角密集点云数据融合方法。

背景技术

光学三维测量技术是集光、机、电和计算机技术于一体的智能化、可视化的高新技术，主要用于对物体空间外形和结构的扫描，以得到物体的三维轮廓，获得物体表面点的三维空间坐标。随着现代检测技术的进步，特别是随着激光技术、计算机技术以及图像处理技术等高新技术的发展，三维测量技术逐步成为人们的研究重点。光学三维测量技术由于具有非接触、快速测量、精度高等优点，使其在航空航天、军工、汽车和装备制造等行业得到了广泛应用。三维测量技术是获取物体表面各点空间坐标的技术，主要包括接触式和非接触式两大类。其中，通过光学三维非接触式测量设备采集的多视角点云数据的处理技术，如融合、降噪、曲面重建等，是当前研究的热点。

点云融合是指消除由测量误差和匹配误差等导致的多视角点云重叠区域的噪声、分层和冗余，建立细节特征清晰、表面光顺的单层点云模型。点云融合技术随着三维光学非接触式测量技术的发展而不断发展。按照融合方式可以将现有点云融合方法分为三类:基于隐式曲面重构的点云融合技术，基于显式曲面重构的点云融合技术和基于聚类的点云融合技术。

基于隐式曲面重构的点云融合技术一般先通过有向距离场(Signed DistanceField，SDF)或者移动最小二乘(Moving Least Squares，MLS)等技术构建一光顺的隐式曲面，然后通过三角网格化方法或者B样条曲面构建技术将隐式曲面转换为显式曲面，从而实现多视角密集点云数据的融合。这类点云融合方法在构建隐式曲面的过程中可以有效地消除由测量误差和匹配偏差等导致的分层及噪音，但这类方法在将隐式曲面转换为显式曲面的过程中会占用大量的计算机资源，融合效率低。

基于显式曲面重构的点云融合技术在网格化的过程中(通过构建三角网格曲面、泊松曲面或者nurbs曲面等)将多视角点云融合在一起，融合结果为一显式的网格曲面。但这类方法对匹配偏差及噪声比较敏感，融合后重叠区域表面的融合效果一般比较差，会保留融合前的痕迹。此外，这类方法占用计算机资源多、效率低，不适用于大规模点云数据的融合处理。

基于聚类的点云融合技术通过聚类的方法将重叠区域的同名点数据聚集在一起并融合，从而实现冗余消除。这类点云融合方法是一种无网格点云处理技术，此类方法占用计算机资源少，但当待融合的点云幅数多于两幅时，需要通过增量式的方法进行融合，即先将其中两幅融合在一起，然后再加进来一幅进行融合，依次类推，直至所有点云融合完毕为止。增量式的融合方式一方面效率低，另外一方面不能保证融合后的点云位于最优的曲面上。

发明内容

为了克服现有点云融合技术的缺陷，满足包含重叠区域的多视角密集点云数据的融合处理要求，本发明提供了一种基于双边滤波器的多视角密集点云数据融合方法。该方法可一次性将多幅包含匹配偏差、噪声的多视角密集点云数据融合为一幅完整、光顺、分布均匀的单层点云数据。

为达到以上目的，本发明采取的技术方案是：

一种基于双边滤波器的多视角密集点云数据融合方法，包括下述步骤：

步骤一，输入多视角密集点云数据

输入测量设备采集的待融合的多幅多视角密集点云数据，输入的多幅多视角密集点云数据需同时包含三维坐标信息及法向量信息；

步骤二，拓扑关系构建

将步骤一所输入的多幅多视角密集点云数据合并在一起，建立一棵k-d树，构建点云数据中点数据间的拓扑关系；

步骤三，基于双边滤波器的点数据归属

在步骤二所构建的拓扑关系的基础上，查询点云中每一个点数据的局部邻域信息，然后采用双边滤波器更新每一个点数据的三维坐标，从而实现点数据的归属；

步骤四，Mean-shift聚类融合

对步骤三所归属后的点数据，采用Mean-shift聚类的方法将欧式距离小于多视角密集点云数据的平均点距的点数据聚集在一起，获得局部模式点数据；并用所获得的局部模式点数据代替所聚集的欧式距离小于多视角密集点云数据的平均点距的点数据，实现冗余消除；

步骤五，输出融合结果

将步骤四聚类融合后的点数据输出，获得融合点云数据。

进一步地，所述基于双边滤波器的多视角密集点云数据融合方法还包括，输入多视角密集点云数据以后，在进行步骤二拓扑关系构建之前，需要计算多视角密集点云数据的平均点距D。

所述多视角密集点云数据平均点距D的计算方法如下：

2.1)随机抽取一幅待融合的点云数据，为该幅点云数据建立一棵k-d树；

2.2)在步骤2.1)所抽取的点云数据中随机抽取若干个点数据，采用k-d树的最邻近点搜索方法查询所抽取的每个点数据的最邻近的一个点数据；

2.3)计算步骤2.2)所抽取的每个点数据与其最邻近的一个点数据的欧式距离，并取这些欧式距离的平均值作为多视角密集点云数据的平均点距D。

进一步地，所述步骤三中点数据的局部邻域信息是指位于底面半径为r、高度为h的圆柱形区域内，并同时满足欧氏距离判据及法向量判据的点数据集合。

所述每一个点数据的局部邻域信息查询方法如下：

3.1)由使用者指定圆柱形区域的底面半径r及高度h，并计算该圆柱形区域的外接圆的半径R：

$R=\sqrt{r^2+h^2/4}$

3.2)在步骤二所构建的拓扑关系的基础上，采用k-d树的固定半径搜索方法搜索位于以点数据p＝(v,n)为中心，以步骤3.1)计算的半径R为半径的球形区域内的点数据p_i＝(v_i,n_i)；其中，v表示点数据P的三维坐标向量，n表示为点数据P的法向量，v_i表示点数据P_i的三维坐标向量，n_i表示为点数据P_i的法向量；

3.3)对于步骤3.2)所搜索的球形区域内的每个点数据P_i，如果其同时满足所述的欧式距离判据 $\left\{\begin{array}{c}|(v_i-v)\·n|\≤h/2\\ \sqrt{{\left|\right|v_i-v\left|\right|}^2-{|(v_i-v)\·n|}^2}\≤r\end{array}\right.$ 及法向量判据n_i·n＞0，则认为该点数据P_i为点数据P的一个邻域点，否则为非邻域点；其中，符号·表示向量内积，符号| |表示取绝对值，符号|| ||表示取三维坐标向量的模；

点数据P的邻域点数据P_i的集合构成了点数据P的邻域。

进一步地，所述基于双边滤波器的多视角密集点云数据融合方法的步骤三中，采用双边滤波器更新每一个点数据p＝(v,n)的三维坐标的方法如下：

$v^{\′}=v+n\·\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_r\left(r_i\right)w_h\left(h_i\right)h_i}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_r\left(r_i\right)w_h\left(h_i\right)}$

其中，v表示待更新的点数据P的三维坐标向量，n表示待更新的点数据P的法向量，v′表示更新后的点数据P的三维坐标向量，h_i表示点数据P的第i个邻域点数据P_i至点数据P的距离在点数据P的法向量n方向上的投影：h_i＝|(v_i-v)·n|，r_i表示点数据P的第i个邻域点数据P_i至点数据P的距离在点数据P的切平面上的投影：v_i表示点数据P的第i个邻域点数据P_i的三维坐标向量，N为所查询的点数据P的邻域点数据的个数，权值函数 $w_r\left(r_i\right)=e^{-r_i^2/\left(2r^2\right)},w_h\left(h_i\right)=e^{-2h_i^2/h^2},$ r为查询点数据P的邻域时由使用者所指定的圆柱形区域的底面半径，h为查询点数据P的邻域时由使用者所指定的圆柱形区域的高度，符号·表示向量内积，符号| |表示取绝对值，符号|| ||表示取三维坐标向量的模。

特别地，由使用者所指定的圆柱形区域的底面半径r为3至5倍的多视角密集点云数据的平均点距D，即r＝3～5D；由使用者所指定的圆柱形区域的高度h＝2r。

进一步地，所述基于双边滤波器的多视角密集点云数据融合方法步骤四中，Mean-shift聚类融合方法包括如下步骤：

6.1)从点云中的任意一点数据p＝(v,n)出发，采用k-d树的固定半径搜索方法，搜索以点数据P为中心、底面半径为r的球形邻域内的点数据；其中，底面半径r的取值范围为多视角密集点云数据的平均点距D的δ倍，即r＝δD；

6.2)对步骤6.1)所搜索的点数据P的球形邻域内的点数据进行一次Mean-shift聚类，获得一局部模式点数据p′＝(v′,n′)：

$\left\{\begin{array}{c}{v}^{\′}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{g}_v\left({\left|\right|\frac{v_i-v}{h_v}\left|\right|}^2\right)g_n\left({\left|\right|{\frac{n_i-n}{h_n}}^{}\left|\right|}^2\right)v_i}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{g}_v\left({\left|\right|\frac{v_i-v}{h_v}\left|\right|}^2\right)g_n\left({\left|\right|\frac{n_i-n}{h_n}\left|\right|}^2\right)}\\ n^{\′}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{g}_v\left({\left|\right|\frac{v_i-v}{h_v}\left|\right|}^2\right)g_n\left({\left|\right|{\frac{n_i-n}{h_n}}^{}\left|\right|}^2\right)n_i}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{g}_v\left({\left|\right|\frac{v_i-v}{h_v}\left|\right|}^2\right)g_n\left({\left|\right|\frac{n_i-n}{h_n}\left|\right|}^2\right)}\end{array}\right.$

其中，v_i为步骤6.1)所搜索的点数据p的球形邻域内的第i个点数据p_i的三维坐标向量，n_i为步骤6.1)所搜索的点数据p的球形邻域内的第i个点数据p_i的法向量，N表示点数据p的球形邻域内的点数据个数，位置带宽h_v及法向量带宽h_n的计算方法为：h_v＝max(||v_i-v_j||)、h_n＝max(||n_i-n_j||)、1≤i≤N、1≤j≤N，核函数 $g_v\left(x\right)=e^{-x/\left(2{\mathrm{\σ}}_v^2\right)},g_n\left(x\right)=e^{-x/\left(2{\mathrm{\σ}}_n^2\right)},$ 核函数宽度参数σ_v及σ_n的取值范围为：1D≤σ_v≤3D，0.1≤σ_n≤0.3，D为多视角密集点云数据的平均点距，符号|| ||表示取三维坐标向量的模；

6.3)判断步骤6.2)所获得的局部模式点数据p′与点数据p是否重合，如果重合，则保留点数据p′，删除步骤6.1)所搜索的点数据p的球形邻域内的所有点数据，转入步骤6.4)；如果不重合，则从p′出发，重复步骤6.1)至6.3)；

6.4)重复步骤6.1)至6.3)，直至点云中所有点数据处理完毕为止。

作为优选，所述步骤6.1)中δ的取值范围为0.5＜δ＜1；步骤7.2)中σ_v＝2D，σ_n＝0.2，其中D为多视角密集点云数据的平均点距。

作为优选，所述步骤6.1)中δ的取值为

与现有技术相比，本发明具有以下优点：

(1)本发明方法可一次性融合多幅多视角点云数据，比传统增量式融合方法效率高。

(2)本发明方法融合多视角点云数据时，不需要识别重叠区域与非重叠区域。

(3)本发明方法融合多视角点云数据时，引入了双边滤波器，而双边滤波器具有很好的降噪功能及保边性质，因此，融合后的点云平滑、光顺。

(4)本发明方法融合多视角点云数据时，对非重叠区域的点数据也进行了一次双边滤波处理，因此，非重叠区域的噪声也被消除掉。

(5)本发明方法融合多视角点云数据时，在聚类融合过程中引入了Mean-shift聚类，而Mean-shift聚类具有光滑降噪的特性，因此，融合后点云表面更加光顺。

(6)本发明方法获得的融合点云密度分布较均匀。

以下将结合附图和实施例对本发明做进一步详细说明。

附图说明

图1是本发明具体操作步骤的流程图。

图2是本发明方法定义的局部邻域示意图。

图3a是待融合的三个视角的部分重叠的人头点云数据。

图3b是图3a中方框圈中部分的放大图。

图3c是融合后的人头点云数据。

图3d是图3c中方框圈中部分的放大图。

具体实施方式

实施例1：

本发明提出一种多视角密集点云数据融合方法，如图1所示。在融合多幅多视角密集点云数据时，第一步，输入多视角密集点云数据。要求输入的多视角密集点云数据同时包含三维坐标信息及法向量信息。也就是说输入的多视角密集点云中的每个点数据p＝(v,n)，其中v＝(v_x,v_y,v_z)表示三维坐标向量，n＝(n_x,n_y,n_z)表示法向量。

输入多视角密集点云数据以后，在进行第二步拓扑关系构建之前，需要先计算多视角密集点云数据的平均点距D以备后期使用。多视角密集点云数据平均点距D的计算方法如下：

1)随机抽取一幅待融合的点云数据，采用文献“Multidimensional binarysearch trees used for associative”(JL.Bentley,CommunACM 1975,18:509–17.)所描述的方法为该幅点云数据建立一棵k-d树。

2)在第1)步所抽取的点云中随机抽取若干个点数据(如1000个)，然后采用k-d树的最邻近点搜索方法查询所抽取的每个点数据的最邻近的一个点数据。

3)计算第2)步所抽取的每个点数据与其最邻近的一个点数据的欧式距离，并取这些距离的平均值作为多视角密集点云数据的平均点距D。

第二步，拓扑关系构建。将第一步所输入的多幅多视角密集点云数据合并在一起，建立一棵k-d树，构建多视角密集点云中点数据间的拓扑关系。k-d树的构造方法与第一步中所采用的k-d树的构造方法一致。

第三步，基于双边滤波器的点数据归属。点数据归属流程包括如下步骤：

1)局部邻域查询。在第二步所构建的拓扑关系的基础上，快速查询多视角密集点云中每一个点数据的局部邻域信息。在本发明方法中，任意一点数据p＝(v,n)的局部邻域定义为位于底面半径为r、高度为h的圆柱形区域内，并同时满足欧氏距离判据及法向量判据的点数据集合Ω。

所述的欧氏距离判据为 $\left\{\begin{array}{c}|(v_i-v)\·n|\≤h/2\\ \sqrt{{\left|\right|v_i-v\left|\right|}^2-{|(v_i-v)\·n|}^2}\≤r\end{array}\right.;$

所述的法向量判据为n_i·n＞0；

所述的点数据集合为

$\begin{array}{c}\mathrm{\&Omega;}=\left\{p_i\right|\sqrt{{\left|\right|v_i-v\left|\right|}^2-{|(v_i-v)\&CenterDot;n|}^2}\&le;\sqrt{{\left|\right|v_{i+1}-v\left|\right|}^2-{|(v_{i+1}-v)\&CenterDot;n|}^2}\}\\ ,0\&le;i<N-1;\end{array}$

其中，p_i＝(v_i,n_i)为三维空间中与点数据P不重合的点数据，N为点数据集合Ω中包含的点数据个数，符号| |表示取绝对值，符号|| ||表示取三维向量的模，符号·表示向量内积，r为圆柱形区域底面半径，h为圆柱形区域高度，i表示第i个。

如图2所示，图2中点云scan₁和点云scan₂具有相同方向、相互重叠且点云间隙大小为G。点云scan₁中点数据p的局部邻域为包含在以点数据p为中心，以点数据p的法向量n方向为轴线方向，底面半径为r，高度为h的圆柱形区域内的点数据集合Ω。需要强调的是，点数据集合Ω內的点数据需与点数据P同向，即满足所述的法向量判据。底面半径r及高度h的值由使用者指定，要求高度h的值大于多幅点云之间的最大间隙。一般情况下，选择r＝3～5D(D为第一步所计算的多视角密集点云数据的平均点距)，h＝2r即可。

点数据P的局部邻域信息查询步骤如下：

a)由使用者指定底面半径r及高度h这两个参数，并计算该圆柱的外接圆的半径R:

$R=\sqrt{r^2+h^2/4}.$

b)在第二步所构建的拓扑关系的基础上，采用k-d树的固定半径搜索方法(fixed-radius search，也称为范围搜素方法)，搜索位于以点数据P为中心，以第a)计算的半径R为半径的球形区域内的点数据。

c)对于第b)步所搜索的球形区域内的每个点数据p_i＝(v_i,n_i)，如果其同时满足所述的欧式距离判据 $\left\{\begin{array}{c}|(v_i-v)\&CenterDot;n|\&le;h/2\\ \sqrt{{\left|\right|v_i-v\left|\right|}^2-{|(v_i-v)\&CenterDot;n|}^2}\&le;r\end{array}\right.$ 及法向量判据n_i·n＞0，则认为该点数据P_i为点数据P的一个邻域点，否则为非邻域点。点数据P的邻域点数据的集合构成了点数据P的局部邻域。

2)基于双边滤波器的点数据三维坐标更新。基于文献“Bilateral filtering forgray and color images”(S.Fleishman,I.Drori,D.Cohen-Or,ACM Transactions onGraphics,22(3):950-953)所描述的双边滤波器，定义如下的点数据三维坐标更新方法：

$v^{\&prime;}=v+n\&CenterDot;\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_r\left(r_i\right)w_h\left(h_i\right)h_i}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_r\left(r_i\right)w_h\left(h_i\right)}$

其中，v表示待更新的点数据P的三维坐标向量，n表示待更新的点数据P的法向量，v′表示更新后的点数据P的三维坐标向量，h_i表示点数据P的第i个邻域点数据P_i至点数据P的距离在点数据P的法向量n方向上的投影：h_i＝|(v_i-v)·n|，r_i表示点数据P的第i个邻域点数据P_i至点数据P的距离在点数据P的切平面上的投影：v_i表示点数据P的第i个邻域点数据P_i的三维坐标向量，N为所查询的点数据P的邻域点数据的个数，权值函数 $w_r\left(r_i\right)=e^{-r_i^2/\left(2r^2\right)},w_h\left(h_i\right)=e^{-2h_i^2/h^2},$ r为查询点数据P的邻域时由使用者所指定的圆柱形区域的底面半径，h为查询点数据P的邻域时由使用者所指定的圆柱形区域的高度，符号·表示向量内积，符号| |表示取绝对值，符号|| ||表示取三维坐标向量的模。

通过第1)步所查询的点云中的每一个点数据的局部邻域信息，采用上述三维坐标更新方法将每一个点数据归属至理想的位置，消除噪声及匹配偏差等。

第四步，Mean-shift聚类融合。对第三步所归属后的点数据，采用Mean-shift聚类将欧式距离足够近的点数据聚集在一起，并用Mean-shift聚类所获得的局部模式点取代所聚集的欧式距离足够近的点数据，从而实现冗余消除。Mean-shift聚类融合流程包括如下步骤：

1)从点云中的任意一点p＝(v,n)出发，采用k-d树的固定半径搜索方法，搜索以点数据P为中心、半径r＝δD的球形邻域内的点数据。其中，D为第一步所计算的多视角密集点云数据的平均点距，0.5＜δ＜1，一般情况下，选 $\mathrm{\&delta;}=\sqrt{2}.$

2)对第1)步所搜索的点数据P的球形邻域内的点数据进行一次Mean-shift聚类，获得一局部模式点p′＝(v′,n′)：

$\left\{\begin{array}{c}{v}^{\&prime;}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{g}_v\left({\left|\right|\frac{v_i-v}{h_v}\left|\right|}^2\right)g_n\left({\left|\right|{\frac{n_i-n}{h_n}}^{}\left|\right|}^2\right)v_i}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{g}_v\left({\left|\right|\frac{v_i-v}{h_v}\left|\right|}^2\right)g_n\left({\left|\right|\frac{n_i-n}{h_n}\left|\right|}^2\right)}\\ n^{\&prime;}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{g}_v\left({\left|\right|\frac{v_i-v}{h_v}\left|\right|}^2\right)g_n\left({\left|\right|{\frac{n_i-n}{h_n}}^{}\left|\right|}^2\right)n_i}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{g}_v\left({\left|\right|\frac{v_i-v}{h_v}\left|\right|}^2\right)g_n\left({\left|\right|\frac{n_i-n}{h_n}\left|\right|}^2\right)}\end{array}\right.$

其中，v_i为步骤7.1)所搜索的点数据p的球形邻域内的第i个点数据p_i的三维坐标向量，n_i为步骤7.1)所搜索的点数据p的球形邻域内的第i个点数据p_i的法向量，N表示点数据p的球形邻域内的点数据个数，位置带宽h_v及法向量带宽h_n的计算方法为：h_v＝max(||v_i-v_j||)、h_n＝max(||n_i-n_j||)、1≤i≤N、1≤j≤N，核函数 $g_v\left(x\right)=e^{-x/\left(2{\mathrm{\&sigma;}}_v^2\right)},g_n\left(x\right)=e^{-x/\left(2{\mathrm{\&sigma;}}_n^2\right)},$ 核函数宽度参数σ_v及σ_n的取值范围为：1D≤σ_v≤3D，0.1≤σ_n≤0.3，一般情况下，选σ_v＝2D，σ_n＝0.2，D为多视角密集点云数据的平均点距，符号|| ||表示取三维坐标向量的模。

3)判断第2)步所获得的局部模式点数据p′与点数据p是否重合。如果重合，则保留点数据p′，删除第1)步所搜索的点数据p的球形邻域内的所有点数据，转入第4)步；如果不重合，则从点数据p′出发，然后重复步骤1)至3)。

4)重复步骤1)至3)，直至点云中所有点数据处理完毕为止。

第五步，输出融合结果。将第四步所聚类融合后的点数据输出，获得融合点云数据。

实施例2：

以下结合具体模拟实验对本发明进行说明，其中本发明方法在VS2010及opengl平台上实现相应的算法并在Intel i7-4770CPU 3.4GHz、16GB内存的PC机上运行。

三个视角的部分区域重叠的人头点云数据如图3(a)所示，总共包含657088个三维点数据。为了更清晰的显示重叠区域，图3(b)为图3(a)中方框圈中部分的放大图。图3(c)为融合后点云数据，总共包含306803个点数据。图3(d)为图3(c)中方框圈中部分的放大图(与图3(b)对应，为了更清晰的显示该处重叠区域融合后的效果)。通过本例也可以说明，本发明方法可以将多视角密集点云数据快速地融合为一完整的、单层的、光顺的、分布均匀的点云数据。

上面结合附图对本发明的实施方式作了说明，但本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (8)

1.一种基于双边滤波器的多视角密集点云数据融合方法，其特征在于，包括下述步骤：

步骤一，输入多视角密集点云数据

输入测量设备采集的待融合的多幅多视角密集点云数据，输入的多幅多视角密集点云数据需同时包含三维坐标信息及法向量信息；

步骤二，拓扑关系构建

将步骤一所输入的多幅多视角密集点云数据合并在一起，建立一棵k-d树，构建点云数据中点数据间的拓扑关系；

步骤三，基于双边滤波器的点数据归属

在步骤二所构建的拓扑关系的基础上，查询点云中每一个点数据的局部邻域信息，然后采用双边滤波器更新每一个点数据的三维坐标，从而实现点数据的归属；

步骤四，Mean-shift聚类融合

对步骤三所归属后的点数据，采用Mean-shift聚类的方法将欧式距离小于多视角密集点云数据的平均点距的点数据聚集在一起，获得局部模式点数据；并用所获得的局部模式点数据代替所聚集的欧式距离小于多视角密集点云数据的平均点距的点数据，实现冗余消除；

步骤五，输出融合结果

将步骤四聚类融合后的点数据输出，获得融合点云数据。

2.根据权利要求1所述的基于双边滤波器的多视角密集点云数据融合方法，其特征在于还包括，输入多视角密集点云数据以后，在进行步骤二拓扑关系构建之前，需要计算多视角密集点云数据的平均点距D；

所述多视角密集点云数据平均点距D的计算方法如下：

2.1)随机抽取一幅待融合的点云数据，为该幅点云数据建立一棵k-d树；

2.2)在步骤2.1)所抽取的点云数据中随机抽取若干个点数据，采用k-d树的最邻近点搜索方法查询所抽取的每个点数据的最邻近的一个点数据；

2.3)计算步骤2.2)所抽取的每个点数据与其最邻近的一个点数据的欧式距离，并取这些欧式距离的平均值作为多视角密集点云数据的平均点距D。

3.根据权利要求1所述的基于双边滤波器的多视角密集点云数据融合方法，其特征在于，所述步骤三中点数据的局部邻域信息是指位于底面半径为r、高度为h的圆柱形区域内，并同时满足欧氏距离判据及法向量判据的点数据集合；

所述每一个点数据的局部邻域信息查询方法如下：

3.1)由使用者指定圆柱形区域的底面半径r及高度h，并计算该圆柱形区域的外接圆的半径R：

$R=\sqrt{r^2+h^2/4}$

3.2)在步骤二所构建的拓扑关系的基础上，采用k-d树的固定半径搜索方法搜索位于以点数据p＝(v,n)为中心，以步骤3.1)计算的半径R为半径的球形区域内的点数据p_i＝(v_i,n_i)；其中，v表示点数据P的三维坐标向量，n表示为点数据P的法向量，vi表示点数据P_i的三维坐标向量，ni表示为点数据P_i的法向量；

3.3)对于步骤3.2)所搜索的球形区域内的每个点数据P_i，如果其同时满足所述的欧式距离判据 $\left\{\begin{array}{c}|(v_i-v)\&CenterDot;n|\&le;h/2\\ \sqrt{{\left|\right|v_i-v\left|\right|}^2-{|(v_i-v)\&CenterDot;n|}^2}\&le;r\end{array}\right.$ 及法向量判据n_i·n＞0，则认为该点数据P_i为点数据P的一个邻域点，否则为非邻域点；其中，符号·表示向量内积，符号| |表示取绝对值，符号|| ||表示取三维坐标向量的模；

点数据P的邻域点数据P_i的集合构成了点数据P的邻域。

4.根据权利要求1所述的基于双边滤波器的多视角密集点云数据融合方法，其特征在于所述步骤三中，采用双边滤波器更新每一个点数据p＝(v,n)的三维坐标的方法如下：

$v^{\&prime;}=v+n\&CenterDot;\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_r\left(r_i\right)w_h\left(h_i\right)h_i}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_r\left(r_i\right)w_h\left(h_i\right)}$

其中，v表示待更新的点数据P的三维坐标向量，n表示待更新的点数据P的法向量，v′表示更新后的点数据P的三维坐标向量，h_i表示点数据P的第i个邻域点数据P_i至点数据P的距离在点数据P的法向量n方向上的投影：h_i＝|(v_i-v)·n|，r_i表示点数据P的第i个邻域点数据P_i至点数据P的距离在点数据P的切平面上的投影：v_i表示点数据P的第i个邻域点数据P_i的三维坐标向量，N为所查询的点数据P的邻域点数据的个数，权值函数 r为查询点数据P的邻域时由使用者所指定的圆柱形区域的底面半径，h为查询点数据P的邻域时由使用者所指定的圆柱形区域的高度，符号·表示向量内积，符号| |表示取绝对值，符号|| ||表示取三维坐标向量的模。

5.根据权利要求3或4所述的基于双边滤波器的多视角密集点云数据融合方法，其特征在于由使用者所指定的圆柱形区域的底面半径r为3至5倍的多视角密集点云数据的平均点距D，即r＝3～5D；由使用者所指定的圆柱形区域的高度h＝2r。

6.根据权利要求1所述的基于双边滤波器的多视角密集点云数据融合方法，其特征在于所述步骤四中，Mean-shift聚类融合方法包括如下步骤：

6.1)从点云中的任意一点数据p＝(v,n)出发，采用k-d树的固定半径搜索方法，搜索以点数据P为中心、底面半径为r的球形邻域内的点数据；其中，底面半径r的取值范围为多视角密集点云数据的平均点距D的δ倍，即r＝δD；

6.2)对步骤6.1)所搜索的点数据P的球形邻域内的点数据进行一次Mean-shift聚类，获得一局部模式点数据p′＝(v′,n′)：

$\left\{\begin{array}{c}{v}^{\&prime;}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{g}_v\left({\left|\right|\frac{v_i-v}{h_v}\left|\right|}^2\right)g_n\left({\left|\right|{\frac{n_i-n}{h_n}}^{}\left|\right|}^2\right)v_i}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{g}_v\left({\left|\right|\frac{v_i-v}{h_v}\left|\right|}^2\right)g_n\left({\left|\right|\frac{n_i-n}{h_n}\left|\right|}^2\right)}\\ n^{\&prime;}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{g}_v\left({\left|\right|\frac{v_i-v}{h_v}\left|\right|}^2\right)g_n\left({\left|\right|{\frac{n_i-n}{h_n}}^{}\left|\right|}^2\right)n_i}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{g}_v\left({\left|\right|\frac{v_i-v}{h_v}\left|\right|}^2\right)g_n\left({\left|\right|\frac{n_i-n}{h_n}\left|\right|}^2\right)}\end{array}\right.$

其中，v_i为步骤6.1)所搜索的点数据p的球形邻域内的第i个点数据p_i的三维坐标向量，n_i为步骤6.1)所搜索的点数据p的球形邻域内的第i个点数据p_i的法向量，N表示点数据p的球形邻域内的点数据个数，位置带宽h_v及法向量带宽h_n的计算方法为：h_v＝max(||v_i-v_j||)、h_n＝max(||n_i-n_j||)、1≤i≤N、1≤j≤N，核函数 $g_v\left(x\right)=e^{-x/\left(2{\mathrm{\&sigma;}}_v^2\right)},g_n\left(x\right)=e^{-x/\left(2{\mathrm{\&sigma;}}_n^2\right)},$ 核函数宽度参数σ_v及σ_n的取值范围为：1D≤σ_v≤3D，0.1≤σ_n≤0.3，D为多视角密集点云数据的平均点距，符号|| ||表示取三维坐标向量的模；

6.3)判断步骤6.2)所获得的局部模式点数据p′与点数据p是否重合，如果重合，则保留点数据p′，删除步骤6.1)所搜索的点数据p的球形邻域内的所有点数据，转入步骤6.4)；如果不重合，则从p′出发，重复步骤6.1)至6.3)；

6.4)重复步骤6.1)至6.3)，直至点云中所有点数据处理完毕为止。

7.根据权利要求6所述的基于双边滤波器的多视角密集点云数据融合方法，其特征在于所述步骤6.1)中δ的取值范围为0.5＜δ＜1；步骤6.2)中σ_v＝2D，σ_n＝0.2，其中D为多视角密集点云数据的平均点距。

8.根据权利要求7所述的基于双边滤波器的多视角密集点云数据融合方法，其特征在于所述步骤6.1)中δ的取值为