CN111080653A

CN111080653A - 一种用区域分割和分组随机精简法精简多视角点云的方法

Info

Publication number: CN111080653A
Application number: CN201911075831.4A
Authority: CN
Inventors: 梁正友; 黄思捷; 孙宇; 李轩昂
Original assignee: Guangxi University
Current assignee: Guangxi University
Priority date: 2019-11-06
Filing date: 2019-11-06
Publication date: 2020-04-28
Anticipated expiration: 2039-11-06
Also published as: CN111080653B

Abstract

本发明公开了一种用区域分割和分组随机精简法精简多视角点云的方法。首先，用包围盒方法提取相邻点云的重叠区域内的点云，将它们分割成重叠区域点云和非重叠区域点云。其次，用一个分组随机精简算法对重叠区域点云进行精简。最后，对所有的重叠区域点云精n简之后，与非重叠区域点云一起合并成一个整体点云，根据精简率的要求在对整体点云进行一次精简。实验结果表明，在相同的精简率下，该算法比传统的包围盒精简算法更能减少对目标物体点云的细节破坏，最大程度上保留目标物体的点云细节和特征。

Description

一种用区域分割和分组随机精简法精简多视角点云的方法

技术领域

本发明属于图像三维重建技术领域，更具体地，涉及一种用区域分割和分组随机精简法精简多视角点云的方法。

背景技术

由于微软推出的体感设备Kinect V2在三维重建领域当中的点云信息采集表现出操作简单、易上手、价格廉价等优点，受到了许多研究者的关注。Kinect V2能获取点云数量非常庞大，平均每秒能够获取数以千计的点。这些点云特点是不仅密度大，而且包含了许多重复点和冗余点。如果不对点云进行精简，这些多余的点云会占用大量的存储空间，直接进行曲面重建必定会造成大量时间和计算资源被大量浪费。因此，研究开发有效的点云精简算法可有效的减少点云占用存储空间，提高运算效率。

已经有不少学者研究开发各种点云精简算法。唐泽宇等(唐泽宇,高保禄,窦明亮.基于加权最小二乘法曲率计算的点云精简算法[J].计算机工程与设计,2019,40(06):1606-1610+1659.)提出一种基于加权最小二乘法曲率计算的点云精简算法，能够有效提升曲率计算的准确度,避免了孔洞现象。金露等(金露,王福伟,钟可君,等.一种精简点云的快速配准算法[J].激光杂志,2019,40(02):59-62.)在利用自适应栅格法对点云进行精简的基础上，将ICP算法和RANSAC算法相结合，同时提高了点云配准精度和精简的效率。贺一波等(贺一波,陈冉丽,吴侃,等.基于k-means聚类的点云精简方法[J].激光与光电子学进展,2019,56(09):96-99.)提出了一种基于k均值(k-means)聚类的点云精简方法，能较好地保留点云的细节特征，并且与原始数据的稠密稀疏分布更加一致。曹爽等(曹爽,赵显富,马文.一种基于曲面变化的工业构件点云数据精简方法[J].测绘通报,2018(11):20-24.)针对工业构件点云提出了基于曲面变化的点云精简算法，通过计算点的曲率将点云分成特征不同的多个区域，并且在每一个区域设定阈值，为每个不同的特征区域计算其精简比率，由精简比率定义阈值完成精简。陈达枭等(陈达枭,蔡勇,张建生.散乱点云精简的一种改进算法[J].计算机应用研究,2016,33(09):2841-2843.)人利用包围盒把点云划分成若干个子空间，利用每个子空间获取K邻域点集的拟合平面，根据拟合平面距离，把每个子空间分为保留区和删除区，最后根据精简率对删除区内的点云进行精简。Nallig Leal等(Leal N,Leal E,German S T.A linear programming approach for 3d point cloudsimplification[J].IAENG International Journal of Computer Science,2017,44(1).)提出了一种基于点云局部密度估计的点云精简方法，使用期望最大化算法对点云密度分布进行聚类，识别高曲率点作为非去除的点，最后采用线性规划对去除点进行精简。YUAN Xiao等(Yuan Xiaocui,Wu Lushen,Chen Huawei.Feature preserving point cloudsimplification[J].Optics and Precision Engineering,2015,23(9):2666-2676.)采用K均值聚类算法对点云进行全局聚类，随后利用K-d树的节点作为初始聚类中心，并且使聚类中心映射到高斯球，最后利用自适应均值漂移算法对高斯球中的数据进行精简；HuiyanHan等(Han Huiyan,Han Xie,Sun Fusheng,et al.Point cloud simplification withpreserved edge based on normal vector[J].Optik-International Journal forLight and Electron Optics,2015,126(19):2157-2162.)利用边缘点比非边缘点具有更强的几何特征，区分边缘点和非边缘点并且保留边缘点，对于非边缘点利用欧几里得距离的平均值来判定该点是否需要去除，来完成点云精简。T.Whelan等(Whelan T,Ma L,Bondarev E,et al.Incremental and batch planar simplification of dense pointcloud maps[J].Robotics and Autonomous Systems,2015,69:3-14.)提出了一种渐开线点云图的增量平面分割方法和一种有效的平面曲面三角剖析方法来进行点云的精简；Junkun Qi等(Qi Junkun,Hu Wei,Guo Zongming.Feature Preserving and Uniformity-Controllable Point Cloud Simplification on Graph[C]//2019IEEE InternationalConference on Multimedia and Expo(ICME).IEEE,2019:284-289.)利用图的光谱处理，判别出点云上不规则的点，提出基于图滤波器点云精简公式，对不规则的点进行精简；WeiXuan等(Xuan Wei,Hua Xianghong,Chen Xijiang,et al.A New ProgressiveSimplification Method for Point Cloud Using Local Entropy of Normal Angle[J].Journal of the Indian Society of Remote Sensing,2018,46(4):581-589.)提出了一种简化点云的新方法，该方法使用基于法向角的局部熵来评价该点是否为除去对象。CHUNYANG JI等人(Ji Chunyang,Li Ying,Fan Jiahao,et al.A Novel SimplificationMethod for 3D Geometric Point Cloud Based on the Importance of Point[J],IEEEAccess,2019,vol.7:129029-129042.)提出一种细节特征点简化算法。该算法设置k邻域搜索规则以确保找到的点最接近样本要点，对测量点的进行重要性评估，然后使用八叉树结构来简化剩余的点。该方法不仅可以简化点云，同时对简化目标点云的窄轮廓也有很好的效果。Li H等人(Li Haoyong,Xu Pin,Shen Yinghua.A self-adaption fast point cloudsimplification algorithm based on normal eigenvalues[C]//2014 7thInternational Congress on Image and Signal Processing,Dalian,2014:852-856.)提出了一种基于法向量标准差的点云快速简化算法。该算法对下采样后的稠密点云数据计算正态分布，通过相邻点之间的法向夹角计算特征点与另一特征点之间的分离阈值，在特征点与其他特征点之间再逐步进行下采样，实现点云的自适应简化。该算法在短时间内实现了点云模型的有效简化，很好地保持了原模型的特点和形状。

尽管目前点云精简算法研究取得非常好的进展，但还有较大的提升空间。在对一个建模物体进行多视角采集点云的场景下，由于不同视角的两个相邻点云拥有局部重叠区域，在配准之后，使得重叠区域点云密度过大，出现占用过多的存储空间和降低计算机效率等问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种用区域分割和分组随机精简法精简多视角点云的方法，其目的在于结合区域分割和分组随机精简法对配准后拥有局部重叠区域的相邻点云进行精简，由此解决现有技术中由于重叠区域点云密度过大，出现占用过多的存储空间和降低计算机效率的技术问题。

为实现上述目的，本发明提供了一种用区域分割和分组随机精简法精简多视角点云的方法，包括：

(1)对多个有局部重叠区域的有序多视角点云序列经过配准后，记为E_i，0≤i<n，n为点云的个数且n>1，设相邻的两个点云E_j和E_j+1，0≤j<n-1，重叠区域点云记为F_j,j+1，非重叠区域点云记为

精简后整体点云记为D＝{}；

(2)记j＝0，进行如下处理，包括：

(2.1)如果j<n-1，转步骤(2.2)；否则转步骤(3)；

(2.2)利用基于包围盒的重叠区域点云的提取方法从E_j和E_j+1中提取重叠区域点云记为F_j,j+1和非重叠区域点云记为

(2.3)计算E_j＝E_j-F_j,j+1，E_j+1＝E_j+1-F_j,j+1，将重叠区域中的点云去掉；

(2.4)用分组随机精简方法对F_j,j+1进行精简得到精简点云

(2.5)计算

(2.6)令j＝j+1，转步骤(2.1)；

(3)计算D＝D∪E_j，将最后的点云归到整体点云中；

(4)用分组随机精简方法对整体D进行精简，使精简率到达预设要求。

本发明的一个实施例中，所述分组随机精简方法为：对待精简的点云按预设的规则进行排序，然后按等点数量进行均匀分组，对每个分组精简同样数量的点。

本发明的一个实施例中，在Kinect V2的世界坐标中，建模对象的宽度维度为x轴，深度维度为z轴，高度维度为y轴，为保留建模对象的细节，采用在y轴上的点以y坐标值从高到低排序方式，让无序点云变成有序点云；设点云D为要进行精简的点云，点云D中有N个点；设以w个点为一组，每组要精简到v个点，则整个点云分为N/w＝n个分组；对每一分组分别随机去除(w-v)个点，这样每个分组只保留v个点，整个点云最后剩下

个点。

本发明的一个实施例中，所述利用基于包围盒的重叠区域点云的提取方法具体包括：

设C_AB为专门保存重叠区域点云点的向量集合，设

是保存非C_AB区域点的向量的集合，初始时它们都是空集，设点云A有n个点

点云B有m个点

设集合

对集合C_A∪B中的任意一点(x,z)，(x,z)∈C_A∪B，按照：

将点(x,z)∈C_A∪B划分到C_AB或者

用上述公式对集合C_A∪B中所有的点进行划分操作，实现对重叠区域的点云的提取。

本发明的一个实施例中，所述多个有局部重叠区域的有序多视角点云为视觉差不超过180°的点云序列。

本发明的一个实施例中，对于超过视觉差超过180°的点云序列，把这些点云系列分成若干个视觉不超过180°的子点云序列，分别精简后再合成一个总体。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有如下有益效果：

(1)采用对重叠区域点云进行区域分割，将点云密度过大的重叠区域点云和点云密度较小的非重叠区域点云分开，然后单独对分割出来的重叠区域点云进行精简，排除了对非重叠区域点云的过度精简，避免了对目标物体非重叠区域点云的破坏。

(2)采用分组随机精简法精简点云，能较好的按点云密度分布进行精简，密度高地方的多精简一些，密度低的地方少精简一些；这样能更好的保留目标物体的点云细节和特征。

附图说明

图1是本发明实施例中重复区域点云提取的坐标表示示意图；

图2是基于本发明实施例中一种用区域分割和分组随机精简法精简多视角点云方法进行点云精简的示例图；

图3为本发明实验分析中Kinect拍摄场景和采集对象水果篮子的示例图；

图4是对图3中的对象进行配准的结果；

图5为分别使用传统包围盒精简算法和本发明提出的精简方法对原始点云在75％、50％、25％精简率的实验条件下进行对比实验结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

针对现有技术存在的这些问题，本发明提出一种多视角点云精简方法，对拥有局部重叠区域的多点云序列，使用包围盒方法提取两个相邻点云的重叠区域内的点云，将它们分割成重叠区域点云和非重叠区域点云。随后提出的一个分组随机精简方法对重叠区域内的点云进行精简。对所有的重叠区域点云精简之后，与非重叠区域点云点云再合并成一个整体点云，根据精简率的要求在对整体点云进行一次精简。我们对本发明提出的精简方法和基于包围盒精简法(Barazzetti L.Parametric as-built model generation ofcomplex shapes from point clouds[J].Advanced Engineering Informatics,2016,30(3):298-311.)进行实验对比。利用配准完成之后的点云作为原始点云，分别使用包围盒精简算法和本发明提出的精简方法对原始点云在75％、50％、25％精简率的实验条件下进行对比试验。实验结果表明在相同的精简率下，与传统的包围盒精简算法相比，本发明提出的点云精简方法更能减少对目标物体点云细节的破坏，最大程度上保留目标物体的点云细节和特征。

多视角点云精简首先对相邻两个点云进行精简。对相邻不同视角两个点云的局部重叠区域进行精简，其主要目标是对重叠区域进行重点精简。因为对两个具有重叠区域的点云进行配准，就会造成两个点云重叠区域内的重复点云和冗余点要大于非重叠区域，因此要对重叠区域内的点云进行提取并进行重点精简。本发明所提出的精简方法流程如下：首先用基于包围盒方法提取重叠区域内的点云，然后使用基于分组随机精简方法对点云进行精简；最后，提出一种多视角点云精简方法。

(1)基于包围盒的重叠区域点云的提取

对有局部重叠区域的两个点云A和B，如图1所示。在图1中，红色矩形是点云A的包围盒，绿色矩形是点云B的包围盒，蓝色矩形是点云A和点云B的重叠部分。重复区域点云提取方法步骤如下：

步骤(1.1)由于后续需要对每个点的y轴坐标值进行额外处理，所以生成的包围盒只需要点x轴坐标与z轴坐标的坐标值。分别计算点云A和点云B最大和最小的x、z值，分别记为

和

四个点作为包围盒子的顶点生成了点云A的包围盒C_A。

四个点作为包围盒子的顶点生成了点云B的包围盒C_B。如图1所示，

4个点作为包围盒子的顶点形成了C_A和C_B重叠区域点云的包围盒，记为C_AB。

步骤(1.2)提取重叠区域内的点云。设C_AB为专门保存重叠区域点云点的向量集合，设

是保存非C_AB区域点的向量的集合，初始时它们都是空集。设点云A有n个点

点云B有m个点

设集合

对集合C_A∪B中的任意一点(x,z)，(x,z)∈C_A∪B，可按照：

将点(x,z)∈C_A∪B划分到C_AB或者

用公式(1)对集合C_A∪B中所有的点进行划分操作，实现对重叠区域的点云的提取。

(2)基于分组随机精简法

传统包围盒精简算法是一种均匀的精简方法，它将点云空间均匀划分成等大小的子包围盒，每个子包围盒仅保留一个中心点并去除子包围盒领域内的其他点。但是，KinectV2采集到建模物体的点云并不是均匀分布在空间内的，有些区域的点非常稠密，而有些区域的点比较稀疏。并且已知三维模型本质上就是一层“皮”，里面是中空的。因此采集到的点云是集中在某些特定区域。因此，使用传统包围盒点云精简算法会把点云空间均匀划分成等大小的子包围盒，这会导致在每个区域内的点数量分布不一致，点会大量集中在某几个子包围盒内，其它子包围盒只有少量点甚至没有点；造成有些地方精简过多，有些地方精简过少，使得精简效果不好。针对这些缺点，本发明提出了基于分组随机精简方法。首先，对点云按一定的规则(例如从小到大或者从大到小)进行排序，然后按等点数量进行均匀分组，对每个分组精简同样数量的点。该方法能克服信息精简分布不一致的问题，较好的保留点云的细节，具体描述如下。

在Kinect V2的世界坐标中，建模对象的宽度维度为x轴，深度维度为z轴，高度维度为y轴。为保留建模对象的细节，本发明采用在y轴上的点以y坐标值从高到低排序方式，让无序点云变成有序点云。

设点云D为要进行精简的点云，点云D中有N个点。设以w个点为一组，每组要精简到v个点，则整个点云分为N/w＝n个分组。对每一分组分别随机去除(w-v)个点，这样每个分组只保留v个点，整个点云最后剩下

个点。

由于是均匀分组，保证每一组点云精简的数量是一定的。合适大小的分组能确保在随机去除点的情况下，不会造成在某一区域过度精简而导致空洞的出现，能最大程度的保留建模对象的点云细节和特征。

(3)多视角点云精简方法流程

对有局部重叠区域的多视角点云精简的总体思路是：对0°到180°内的多视角点云配准后，对两个邻接点云采用步骤(2)提出的精简方法进行精简，得到的新点云在和邻接的点云继续采用步骤(2)提出的精简方法进行精简。重复直到所有的点云都精简。然后在对整体点云进行在一次精简，以达到要求的精简率。形式化描述如下：

对多个有局部重叠区域的有序多视角点云序列经过配准后，记为E_i，0≤i<n,n为点云个数，且n>1。设相邻的两个点云E_j和E_j+1，0≤j<n-1，重叠区域点云记为F_j,j+1，非重叠区域点云记为

精简后整体点云记为D＝{}，多视角点云精简方法如下：

/*多视角点云精简方法*/

BEGIN

步骤一:

For(j＝0；j<n-1；j++)

{

(1)用步骤(1)方法从E_j和E_j+1中提取重叠区域点云记为F_j,j+1和非重叠区域点云记为

(2)E_j＝E_j-F_j,j+1，E_j+1＝E_j+1-F_j,j+1/*将重叠区域中的点云去掉*/

(3)用步骤(2)提出的分组随机精简方法对F_j,j+1进行精简得到精简点云

(4)

}

步骤二：D＝D∪E_j；/*将最后的点云归到整体点云中*/

步骤三：用步骤(2)提出的分组随机精简方法对整体D进行精简，使精简率到达预设要求。

END//方法结束

方法相关说明如下：

(1)方法第(2)步：等式E_j＝E_j-F_j,j+1，E_j+1＝E_j+1-F_j,j+1将重叠区域中的点云去掉，在下一轮中参与操作的E_j+1要将已经精简过的部分排除出去，目的是防止在下一轮精简时不在对已经精简过的部分再次精简，避免过度精简，保持整体点云精简率的一致性。

(2)方法第(4)中排除了重叠区域点云的E_j和经过精简的

一起并入整体点云中；

(3)步骤三中等式D＝D∪E_j是将排除了重叠区域点云的最后点云E_j并入整体中。

多视角点云精简方法的计算过程可用图2进行示例说明。图2(9)是待精简的三个有重叠区域的多视角点云。在方法的循环第一轮，首先对E1和E2进行处理，第(1)和(2)步首先将E1和E2点云分割为三个区域：重叠区域点云F2和非重叠区域点云点云F1和F3。对重叠区域点云F2进行精简得D2，将F1和D2并到整体点云中。在方法的循环第二轮，对F3和E3同样处理，得到F4、D5、F6点云，将他们并到整体点云中，最后形成了精简后的整体点云(图2(8))。

本发明方法仅适用于视觉差不超过180°的点云序列，原因是本发明在进行区域分割是在x,z二维配准后上进行，无法区分y轴的不同。对于超过视觉差超过180°的点云序列。可以把这些点云系列分成若干个视觉不超过180°的子点云序列，分别精简后再合成一个总体。

实验结果与分析

数据采集与预处理

使用Kinect V2作为深度数据采集的设备，Kinect V2的深度摄像头适用于室内弱光的环境下，本发明所以本发明选择在白天关闭照明的室内进行深度信息采集。在程序实现时，本发明采用VS2015作为编译环境，并且使用PCL点云库和OpenCV作为第三方编程库。所有程序代码在PCL点云库基础上进行算法改进，采用C++实现，运行于Window 10 64位系统，Inter(R)Core(TM)i7-7700HQ CPU@2.80GHZ处理器、8G内存的笔记本电脑上。图3为本发明Kinect拍摄场景和采集对象水果篮子。

图3中，本发明使用高3厘米、直径10厘米的圆盒。Kinect V2放置在高6厘米上的矩形石块上，圆盒距离Kinect V2 23厘米。水果篮子高5厘米、长轴15厘米、短轴11厘米。

本发明使用Kinect V2对建模物体分别从正面、左侧60°、右侧60°三个视角进行采集，图4中的A、B、C为Kinect V2采集到原始点云。随后要对原始点云进行预处理，去除离群点。本发明采用PCL点云库中RadiusOutlierRemoval滤波器对点云进行去除离群点。图4中的D、E、F，在原始点云预处理之后，使用ICP算法(Bemardini F,Mittleman J,Rnshmeier H,et al.The ball-pivoting algorithm for surface reconstruction[J].Visualizationand Computer Graphics,IEEE Transactions on.1999,5(4):349-359.)把正面、左侧60°、右侧60°的3片点云配准成一个整体后除去下面的圆盒点云。图4中的G、H、I为对D、E、F进行ICP配准之后的点云。具体地，G、H、I为配准成一个整体点云的正面、左侧、右侧视图。

分别使用传统包围盒精简算法和本发明提出的精简方法对原始点云在75％、50％、25％精简率的实验条件下进行对比实验。结果如图5所示。从图5我们可以看到：

(1)在75％精简率下，包围盒精简算法效果图的正面视图跟本发明方法正面视图相比，可以明显看到包围盒精简算法让原始点云的表面变得平滑，并且达到正面视图25％左右的面积。在相同的位置下原始点云图片可以明显看到纹理细节的起伏，而本发明的方法相比原始点云而言，只是点云整体变“薄“了，但纹理起伏还是非常明显的。

(2)在50％精简率下，包围盒精简算法正面视图将近一半的面积变得平滑，而本发明的方法还能看到更多的纹理细节，仅比精简率75％的点云厚度更加“薄”一些。在左侧视图中，包围盒精简算法中，视图中间部分的“空洞”开始被填补上，“空洞”已经变小。而相同的位置，本发明的方法还能明显看到“空洞”的存在。

(3)在25％的精简率下，包围盒精简算法中的平滑部分已经扩散到整个点云，从正面视图、右侧视图，左侧视图中已经完全看不到任何纹理细节，并且由于包围盒设置过大，导致点与点之间的空隙非常大。本发明的方法由于缺少足够点云的支撑，也开始慢慢出现空洞，但是从正面视图还可以看到纹理细节起伏。

综述所述，可以看到：(1)传统的包围盒精简算法对分布不均匀的点云，尤其是由多个多视角点云配准而成的组合点云，无法有效的保持纹理和轮廓等细节，因为该算法在精简过程中不考虑点云的分布情况，而本发明提出的方法对这种类型的点云能有效的保持纹理和轮廓等细节，因为该方法通过排序和分组，在一定程度上按点云分布进行精简，点云密集的地方多删一些，分布少的地方少删一些。(2)从纵向来看，精简率越低，保留下来的点云数量就也少，占用的存储空间也就也少，能节省大量曲面重建的时间和计算资源，但是细节丢失的也多。

本发明提出了一种面向局部重叠区域的多点云序列的多视角点云精简方法。本发明使用包围盒方法提取多点云序列中两个相邻点云的重叠区域内的点云，将它们分割成重叠区域点云和非重叠区域点云；用一个分组随机精简方法对重叠区域内的点云进行精简。对所有的重叠区域点云精简之后，与非重叠区域点云再合并成一个整体点云，根据精简率的要求在对整体点云一次精简。我们对本发明提出的精简方法和基于包围盒的精简法进行实验对比。实验结果表明在相同的精简率下，本发明提出的点云精简方法比传统的包围盒精简算法更能减少对目标物体点云的细节破坏，最大程度上保留目标物体的点云细节和特征。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种用区域分割和分组随机精简法精简多视角点云的方法，其特征在于，所述方法包括：

(1)对多个有局部重叠区域的有序多视角点云序列经过配准后，记为E_i，0≤i<n，n为点云的个数，且n>1；设相邻的两个点云E_j和E_j+1，0≤j<n-1，重叠区域点云记为F_j,j+1，非重叠区域点云记为

精简后整体点云记为D＝{}；

(2)令j＝0，进行如下处理，包括：

(2.1)如果j<n-1，转步骤(2.2)；否则转步骤(3)；

(2.4)用分组随机精简方法对F_j,j+1进行精简得到精简点云

(2.5)计算

(2.6)令j＝j+1，转步骤(2.1)；

(3)计算D＝D∪E_j，将最后的点云归到整体点云中；

2.如权利要求1所述的用区域分割和分组随机精简法精简多视角点云的方法，其特征在于，所述分组随机精简方法为：对待精简的点云按预设的规则进行排序，然后按等点数量进行均匀分组，对每个分组精简同样数量的点。

3.如权利要求2所述的用区域分割和分组随机精简法精简多视角点云的方法，其特征在于，在Kinect V2的世界坐标中，建模对象的宽度维度为x轴，深度维度为z轴，高度维度为y轴，为保留建模对象的细节，采用在y轴上的点以y坐标值从高到低排序方式，让无序点云变成有序点云；设点云D为要进行精简的点云，点云D中有N个点；设以w个点为一组，每组要精简到v个点，则整个点云分为N/w＝n个分组；对每一分组分别随机去除(w-v)个点，这样每个分组只保留v个点，整个点云最后剩下

个点。

4.如权利要求1或2所述的用区域分割和分组随机精简法精简多视角点云的方法，其特征在于，所述利用基于包围盒的重叠区域点云的提取方法具体包括：

设C_AB为专门保存重叠区域点云点的向量集合，设

点云B有m个点

设集合

对集合C_A∪B中的任意一点(x,z)，(x,z)∈C_A∪B，按照：

将点(x,z)∈C_A∪B划分到C_AB或者

5.如权利要求1或2所述的用区域分割和分组随机精简法精简多视角点云的方法，其特征在于，所述多个有局部重叠区域的有序多视角点云为视觉差不超过180°的点云序列。

6.如权利要求1或2所述的用区域分割和分组随机精简法精简多视角点云的方法，其特征在于，对于超过视觉差超过180°的点云序列，把这些点云系列分成若干个视觉不超过180°的子点云序列，分别精简后再合成一个总体。