CN104050640B - 一种多视角密集点云数据融合方法 - Google Patents

Abstract

本发明公开了一种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)重叠区域识别；4)重叠区域点数据归属；5)聚类融合；6)输出融合结果。通过所述操作步骤，本发明有效地克服了现有点云融合技术的缺陷，可以将多幅部分区域重叠的多视角密集点云数据一次性融合为一完整的、单层的、光顺的、分布均匀的点云数据。

Description

一种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结合最小二乘曲面拟合方法及聚类技术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

为了克服上述现有方法的技术缺陷，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，重叠区域识别

在步骤二所构建的拓扑关系的基础上，查询每一个点数据的局部邻域信息，如果该点数据的局部邻域包含了其它视角点云中的点数据，则认为该点数据是一个重叠点数据，否则是一个非重叠点数据；重叠点数据的集合构成重叠区域，非重叠点数据的集合构成非重叠区域。

步骤四，重叠区域点数据归属

对重叠区域中的每个点数据，首先依据步骤三所查询的局部邻域信息拟合一最小二乘曲面，然后将该点数据及其微邻域内的点数据归属至所拟合的最小二乘曲面上。

步骤五，聚类融合

对步骤四所归属至最小二乘曲面上的重叠点数据，采用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融合在一起。

步骤六，输出融合结果

将步骤三所识别的非重叠区域内的点数据及步骤五所融合后的重叠点数据合并在一起，成为一幅完整的点云数据并输出。

进一步地，所述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。

所述多视角密集点云数据平均点距的计算方法如下：

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。

作为优选，在合并多幅多视角密集点云数据的过程中，为多视角密集点云数据中的每个点数据存储一个用于表明其所属视角的身份信息。

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：

4.1)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：

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

4.2)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4.1)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；

4.3)对于步骤4.2)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及法向量判据n_i·n＞0，则认为该点数据Pi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；点数据P的邻域点数据的集合构成了点数据P的邻域。

进一步地，所述步骤四重叠区域点数据归属中，对重叠区域中的每个点数据，首先依据步骤三所查询的局部邻域信息拟合一加权最小二乘曲面，然后将该点数据及其微邻域内的点数据归属至所拟合的最小二乘曲面上。

进一步地，所述点数据的微邻域是指圆柱形区域底面半径与多视角密集点云数据的平均点距相等时的局部邻域；所述点数据归属是指该点数据沿其法向量方向移动至与所拟合的最小二乘曲面相交的交点处。

进一步地，所述步骤五聚类融合的过程包括如下步骤：

7.1)从某一点数据p出发，采用k-d树的固定半径搜索方法，搜索以该点数据p为中心、半径为r的球形邻域内的点数据。

7.2)对步骤7.1)所搜索的点数据p的球形邻域内的点数据进行加权平均，得到一个新的三维点数据

其中，p_i表示点数据p的球形邻域内的第i个点数据，N表示点数据p的球形邻域内的点数据个数。

7.3)判断点数据p′与点数据p是否重合；如果点数据p′与点数据p重合，则该次聚类结束，保留点数据p′，删除步骤7.1)所搜索的点数据p的球形邻域内的所有点数据，转入步骤7.4)；如果点数据p′与点数据p不重合，则从点数据p′出发，重复步骤7.1)至7.3)。

7.4)重复步骤7.1)至7.3)，直至步骤三所识别的重叠区域内的所有重叠点数据聚类融合完毕为止。

进一步地，所述步骤7.1)中球形邻域半径r的取值范围为多视角密集点云数据的平均点距的δ倍，其中δ为一系数，δ的取值范围为0.5＜δ＜1。

特别地，所述球形邻域半径r的取值范围为多视角密集点云数据的平均点距的倍。

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，重叠区域的点数据被归属至具有最小二乘意义的曲面上，因此融合结果更加合理，融合表面更加光顺。

(3)本发明方法融合多视角点云数据时，在点数据归属的过程中，点数据只沿其法向量方向移动，因此可保持原始特征。

(4)本发明方法融合多视角点云数据时，在点数据归属的过程中，每次将一个微小邻域内的点数据同时归属至具有最小二乘意义的曲面上，比传统单点归属的方法效率高。

(5)本发明方法获得的融合点云密度分布较均匀。

以下将结合实施例及附图对本发明做进一步详细阐述。

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3是本发明方法中重叠区域点数据归属示意图。

图4是本发明方法中一次聚类融合示意图。

图5a是待融合的三个视角的部分重叠的人头点云数据。

图5b是图5a中方框圈中部分的放大图。

图5c是融合后的人头点云数据。

图5d是图5c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,Commun ACM1975,18:509–17.)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。由于将多视角密集点云数据合并在一起会丢失视角信息，为此，在合并的过程中为多视角密集点云中的每个点数据存储一个用于表明其所属视角的身份信息(ID)。k-d树构造方法与第一步中所采用的k-d树构造方法一致。

第三步，重叠区域识别。重叠区域识别流程包括如下步骤：

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 $\left\{\begin{array}{c}|(v_i-v)\·n|\≤h/2\\ d\left(p_i\right)\≤r\end{array}\right.;$

所述的法向量判据为n_i·n＞0；

所述的点数据集合为Ω＝{p_i|d(p_i)≤d(p_i+1)}，0≤i＜N-1；

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，如果其同时满足所述的欧式距离判据及法向量判据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i表示向量内积。点数据P的邻域点数据的集合构成了点数据P的邻域。

2)重叠点判定。对于第1)步所查询的点数据P的邻域内的任意一个点数据P_i，如果其身份信息与点数据P的身份信息不一致，则点数据P为一重叠点，否则点数据P为一非重叠点。重叠点数据的集合构成了重叠区域，非重叠点数据的集合构成了非重叠区域。

第四步，重叠区域点数据归属。重叠区域点数据归属流程包括以下步骤：

1)对于第三步所识别的重叠区域内的每个点数据P，在其局部邻域内拟合一加权最小二乘多项式曲面(如图3所示)。所拟合的最小二乘多项式曲面的方程如下：

z＝a+by+cy²+dy³+ex+fxy+gxy²+hx²+ix²y+jx³。

其中，x,y,z为方程的自变量，a,b,c,d,e,f,g,h,i,j为待拟合的多项式曲面的系数。

局部邻域内每个点数据p_i＝(v_i,n_i)的权值w_i的计算方法如下：

$w_i=e^{{-d}^2\left(p_i\right)/r^2}.$

其中，符号·表示向量内积，r为使用者在第三步所指定的底面半径。

2)将点数据P及其微邻域内的点数据归属至第1)步所拟合的最小二乘曲面上。点数据P的微邻域定义为当底面半径r＝1D时的局部邻域(图3)，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。点数据的归属即将该点数据沿其法向量方向移动至与第1)步所拟合的最小二乘曲面相交的交点处。其实质就是求过该点数据并沿其法向量方向的一条直线与第1)步所拟合的三次多项式曲面的交点，并用交点代替该点数据从而实现归属(图3)。

三维空间中过一点p＝(v,n)，并沿其法向量方向的直线方程可以用参数形式表示如下：

$\left\{\begin{array}{c}x=v_x+n_{x}t\\ y=v_y+n_{y}t\\ z=v_z+n_{z}t\end{array}\right.$

其中，x,y,z为方程的自变量，v＝(v_x,v_y,v_z)为点数据P的三维坐标向量，n＝(n_x,n_y,n_z)为点数据P的法向量，t为待求解的未知量。

将直线的参数方程带入第1)步所拟合的多项式曲面方程，可以得到一个关于t的三次多项式方程：

At³+Bt²+Ct+D＝0。

其中， $A={\mathrm{dn}}_y^3+{\mathrm{jn}}_x^3+{\mathrm{gn}}_x{n}_y^2+{\mathrm{in}}_x^2{n}_y;$

$B=(h+3{\mathrm{jv}}_x+{\mathrm{iv}}_y)n_x^2+(f+2{\mathrm{iv}}_x+2{\mathrm{gv}}_y)n_x{n}_y+(c+3{\mathrm{dv}}_y+\mathrm{gx})n_y^2;$

$\begin{array}{c}C=(e+2{\mathrm{hv}}_x+3{\mathrm{jv}}_x^2+{\mathrm{fv}}_y+2{\mathrm{iv}}_x{v}_y+{\mathrm{gv}}_y^2)n_x+\\ (b+2{\mathrm{cv}}_y+3{\mathrm{dv}}_y^2+{\mathrm{fv}}_x+2{\mathrm{gv}}_x{v}_y+{\mathrm{iv}}_x^2)n_y-n_z\end{array};$

$D=a+{\mathrm{ev}}_x+{\mathrm{bv}}_y+{\mathrm{fv}}_x{v}_y+(h+{\mathrm{iv}}_y)v_x^2+(c+{\mathrm{gv}}_x)v_y^2+{\mathrm{jv}}_x^3+{\mathrm{dv}}_y^3-v_z.$

采用卡尔丹公式法可以求得该方程的所有实根t，带入直线公式便可得到候选的交点。如果候选的交点在点数据的局部邻域内，则认为该点即为所求的交点，否则不是所求的交点。

第五步，聚类融合。对第四步所归属至最小二乘曲面上的重叠点数据，采用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并融合，从而实现冗余消除。聚类融合流程包括如下步骤(如图4所示)：

1)从某一点p＝(v,n)(图4(b))出发，采用k-d树的固定半径搜索方法，搜索以该点为中心，半径r＝δD的球形邻域内的点数据。其中，δ为一系数，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

2)对第1)步所搜索的球形邻域内的点数据进行加权平均得到一个新的三维点数据 $p^{\′}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{p}_i$ (图4(c))。

其中，p_i表示点数据p的球形邻域内的第i个点数据，N表示点数据p的球形邻域内的点数据个数。

3)判断点数据p′与点数据p是否重合。如果重合，则该次聚类结束，保留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(图4(h))；如果不重合，则从p′出发，然后重复步骤1)至3)(图4(d)-(g))。

4)重复步骤1)至3)直至第三步所识别的重叠区域内的所有重叠点数据聚类融合完毕为止。

第六步，输出融合结果。将第三步所识别的非重叠区域内的点数据及第五步所聚类融合的重叠点数据合并在一起成为一幅完整的、单层的、光顺的点云数据并输出。

实施例2：

以下结合模拟实验进行说明，其中本发明方法在VS2010及opengl平台上实现相应的计算流程并在Intel i7-4770CPU3.4GHz、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5(a)所示，总共包含1023124个三维点数据。为了更清晰的显示重叠区域，图5(b)为图5(a)中方框圈中部分的放大图。图5(c)为融合后点云数据，总共包含574097个点数据，融合过程总共耗时70s。与图5(b)对应，为了更清晰的显示该处重叠区域融合后的效果，图5(d)为图5(c)中方框圈中部分的放大图。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。

上面结合实施例对本发明做了进一步的叙述，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，重叠区域识别

在步骤二所构建的拓扑关系的基础上，查询每一个点数据的局部邻域信息，如果该点数据的局部邻域包含了其它视角点云中的点数据，则认为该点数据是一个重叠点数据，否则是一个非重叠点数据；重叠点数据的集合构成重叠区域，非重叠点数据的集合构成非重叠区域；

步骤四，重叠区域点数据归属

对重叠区域中的每个点数据，首先依据步骤三所查询的局部邻域信息拟合一最小二乘曲面，然后将该点数据及其微邻域内的点数据归属至所拟合的最小二乘曲面上；

步骤五，聚类融合

对步骤四所归属至最小二乘曲面上的重叠点数据，采用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融合在一起；

步骤六，输出融合结果

将步骤三所识别的非重叠区域内的点数据及步骤五所融合后的重叠点数据合并在一起，成为一幅完整的点云数据并输出；

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：

4.1)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：

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

4.2)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4.1)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；

4.3)对于步骤4.2)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；点数据P的邻域点数据的集合构成了点数据P的邻域。

2.根据权利要求1所述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；

所述多视角密集点云数据平均点距的计算方法如下：

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。

3.根据权利要求1所述的多视角密集点云数据融合方法，其特征在于，在合并多幅多视角密集点云数据的过程中，为多视角密集点云数据中的每个点数据存储一个用于表明其所属视角的身份信息。

4.根据权利要求1所述的多视角密集点云数据融合方法，其特征在于，所述步骤四重叠区域点数据归属中，对重叠区域中的每个点数据，首先依据步骤三所查询的局部邻域信息拟合一加权最小二乘曲面，然后将该点数据及其微邻域内的点数据归属至所拟合的最小二乘曲面上。

5.根据权利要求4所述的多视角密集点云数据融合方法，其特征在于，所述点数据的微邻域是指圆柱形区域底面半径与多视角密集点云数据的平均点距相等时的局部邻域；所述点数据归属是指该点数据沿其法向量方向移动至与所拟合的最小二乘曲面相交的交点处。

6.根据权利要求1所述的多视角密集点云数据融合方法，其特征在于，所述步骤五聚类融合的过程包括如下步骤：

7.1)从某一点数据p出发，采用k-d树的固定半径搜索方法，搜索以该点数据p为中心、半径为r的球形邻域内的点数据；

7.2)对步骤7.1)所搜索的点数据p的球形邻域内的点数据进行加权平均，得到一个新的三维点数据

其中，p_i表示点数据p的球形邻域内的第i个点数据，N表示点数据p的球形邻域内的点数据个数；

7.3)判断点数据p′与点数据p是否重合；如果点数据p′与点数据p重合，则该次聚类结束，保留点数据p′，删除步骤7.1)所搜索的点数据p的球形邻域内的所有点数据，转入步骤7.4)；如果点数据p′与点数据p不重合，则从点数据p′出发，重复步骤7.1)至7.3)；

7.4)重复步骤7.1)至7.3)，直至步骤三所识别的重叠区域内的所有重叠点数据聚类融合完毕为止。

7.根据权利要求6所述的多视角密集点云数据融合方法，其特征在于，所述步骤7.1)中球形邻域半径r的取值范围为多视角密集点云数据的平均点距的δ倍，其中δ为一系数，δ的取值范围为0.5＜δ＜1。

8.根据权利要求7所述的多视角密集点云数据融合方法，其特征在于，所述球形邻域半径r的取值范围为多视角密集点云数据的平均点距的倍。