CN111582391A - 基于模块化设计的三维点云离群点检测方法和装置 - Google Patents

Abstract

本发明涉及一种基于模块化设计的三维点云离群点检测方法和装置，属于计算机图形学领域。包括：1)建立三维点云S^raw的搜索树；2)基于搜索树获取三维点云S^raw的邻近度集合；3)基于搜索树获取三维点云S^raw的可信区域集合；4)将步骤2)得到的邻近度集合与步骤3)得到的可信区域集合的数据进行融合，得到离群点集合。采用模块化的思想，利用两种特征提取模块来提取需要的信息，并建立统一的数据处理和融合模块来对提取的信息进行处理，提高了离群点检测结果的可靠性。

Description

基于模块化设计的三维点云离群点检测方法和装置

技术领域

本发明涉及计算机图形学领域，具体地说，涉及一种基于模块化设计的三维点云离群点检测方法和装置。

背景技术

在计算机三维重建领域，由于从激光扫描仪或基于立体视觉的三维重建算法中获得的三维点云数据受光照、计算误差、设备误差等因素影响通常包含大量离群点，与噪声点不同这些离群点不能够被用来获取真实的表面，且这些离群点将极大地影响后续点云处理的精度，因此在进行后续点云数据处理之前需要首先对点云数据中的离群点进行检测并剔除。离群值被定义为某些对象与其他对象有极大差异以至被怀疑它们是由不同的机制产生的数据。

在计算机图形学领域，离群点检测方法按原理可分为基于分布、基于深度、基于聚类、基于距离、基于密度和基于学习的六类方法。另外三维点云中存在不同类型的离群点，根据离群点的特性可将其分为稠密-分离型、稀疏-分离型和非分离型三种。在离群点检测研究的前期，大部分方法并没有对离群点进行分类只利用单一的特征进行离群点的检测，例如Schall等人提出的一种基于核密度估计的方法和Kriegel等人提出的LoOP方法，这些方法无法检测出某些类型的离群点如稠密-分离型离群点。近几年复合型的离群点检测方法成为主要趋势，该种方法首先对离群点进行了分类，再依据不同类型的离群点特点采用不同的方法进行处理，例如S.Sotoodeh提出了一种基于聚类的层次化离群点检测方法和Wang等人提出的基于多数投票的离群点检测算法，然而这些方法算法复杂度较高，很难处理百万级以上三维点云数据。除此之外，Rakotosaona等人在深度学习的基础上提出了一种基于PCPNet的离群点检测方法，然而该种方法需要训练所用的标签数据，并且当所处理的数据离群点特性与训练数据相差较大时效果并不理想。

发明内容

本发明的目的是提供一种基于模块化设计的三维点云离群点检测方法和装置，能够提高离群点检测结果的可靠性。

为了实现上述目的，第一方面，本发明基于模块化设计的三维点云离群点检测方法包括以下步骤：

1)建立原始三维点云S^raw的搜索树；

2)基于搜索树获取原始三维点云S^raw的邻近度集合；

3)基于搜索树获取原始三维点云S^raw的可信区域集合；

4)将步骤2)得到的邻近度集合与步骤3)得到的可信区域集合的数据进行融合，得到离群点集合。

第二方面，本发明基于模块化设计的三维点云离群点检测装置包括：

离群点检测模块，用于获取原始三维点云S^raw的邻近度集合；

可信区域检测模块，用于获取原始三维点云S^raw的可信区域集合；

数据处理和融合模块，用于对邻近度集合和可信区域集合的数据进行预处理和融合，并得到离群点集合。

与现有技术相比，本发明的有益之处在于：

本发明的基于模块化设计的三维点云离群点检测方法和装置采用模块化的思想，利用两种特征提取模块(基于奇异值分解的特征提取模块、基于邻近度的特征提取模块)来提取需要的信息，并建立统一的数据处理和融合模块来对提取的信息进行处理，提高了离群点检测结果的可靠性。与现有的复合型离群点检测算法相比，本发明所示算法时间复杂度低，能够处理百万级点云数据，具有重要的工程使用价值。

附图说明

图1为本发明实施例中关于稠密-分离型离群点、稀疏-分离型离群点和非分离型离群点的示意图；

图2为本发明实施例中基于模块化设计的三维点云离群点检测方法的流程图；

图3为实施本发明实施例的方法与传统方法得到的效果对比图，其中(a)为原始三维点云(2990368个点)，(b)为LoOP算法得到的效果图，(c)为本实施例的方法得到的效果图；

图4为实施本发明实施例的方法与传统方法得到的效果对比图，其中(a)为原始三维点云(3279989个点)，(b)为LoOP算法得到的效果图，(c)为本实施例的方法得到的效果图；

图5为实施本发明实施例的方法与传统方法得到的效果对比图，其中(a)为原始三维点云(2731197个点)，(b)为LoOP算法得到的效果图，(c)为本实施例的方法得到的效果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合实施例及其附图对本发明作进一步说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。

实施例

本实施例中基于模块化设计的三维点云离群点检测装置包括：基于邻近度的离群点检测模块，基于奇异值分解的可信区域检测模块，和数据处理和融合模块。

参见图2，基于以上装置，本实施例的三维点云离群点检测方法包括以下步骤：

S100，建立原始三维点云S^raw的搜索树，例如空间八叉树或k-d树。

S200，基于邻近度的离群点检测模块，计算原始三维点云中所有三维点与其k邻域内其余点的邻近度值，该步骤能够有效检测图1中描述的三种离群点，其具体包括如下步骤：

S201，计算三维点云S^raw中点p_i与k个邻近点之间的距离，记该距离集合为D_i＝{d₁,…,d_k}；

S202，根据距离集合D_i计算点p_i所对应的邻近度K_i，并将邻近度加入集合S_p，为了计算邻近度，定义矩阵X_i和Y_i如下所示：

X_i＝[1 … k]^T (1)

Y_i＝[d₁ … d_k]^T (2)

其中，k为点p_i附近参与计算的邻近点个数，则将邻近度K_i定义如下：

S203，判断是否遍历原始三维点云S^raw中的所有点，否则跳转到S201步骤继续上述操作，是则继续下一步操作。

S300，基于奇异值分解的可信区域检测模块，依据三维点云局部邻域内符合薄片分布的假设来确定三维点云的可信区域，其具体包括如下步骤：

S301，获取原始三维点云S^raw中点p_i与k个邻近点所组成的局部点云S_i；

S302、根据局部点云S_i组成矩阵Ψ_i，并计算矩阵Ψ_i的协方差矩阵cov(Ψ_i,Ψ_i)，假设点p_j∈S_i，并且x_j,y_j,z_j是点p_j对应的坐标值，则由局部点云S_i组成矩阵Ψ_i为：

定义矩阵Ψ_i对应的协方差矩阵cov(Ψ_i,Ψ_i)如下所示：

S303，由于协方差矩阵cov(Ψ_i,Ψ_i)是三维实对称矩阵，因此协方差矩阵的三个特征值必为非负实数，利用奇异值分解方法便能够计算协方差矩阵cov(Ψ_i,Ψ_i)对应的三个非负实数特征值，并将其中最小特征值

加入集合S_λ，由于特征值反映了所对应特征向量方向三维点的离散程度，则利用最小特征值就能够判断该局部点云是否符合薄片型分布；

S304，判断是否遍历三维点云S^raw中的所有点，否则跳转到S301步骤继续上述操作，是则继续下一步操作；

S400，处理步骤S200和S300中得到的数据集合，并将结果进行融合，具体包括如下步骤：

S401，对输入数据γ进行预处理得到处理后数据

假设γ_mean、γ_var分别是数据γ的平均值和样本标准差，γ_i是数据γ的第i个数据，

是数据

的第i个数据，则预处理公式如下所示：

S402，将处理完的数据

中超出阈值T所对应的点加入新集合，其中阈值T可通过如下公式确定：

其中α为常数，并且α∈{1,2,3}。其中基于邻近度的离群点检测模块得到的集合S_p经过数据处理模块处理后得到的集合S_u，该模块的作用是根据邻近度度量中的异常值获取离群点点集，此时α设置的值越大则对距离的限制就越松。而基于奇异值分解的可信区域检测模块得到的集合S_λ经过数据预处理模块后即得到可信区域点集合S_b，其目的是为了保留三维点云成薄片分布的点云，此时设置的α值越大则越厚的点云将被视为符合薄片分布的点云。

S403，将S402中得到的新集合进行融合，即将异常点集合S_u和可信区域集合S_b做差得到差集S_o，则差集S_o为最终的离群点集合，其具体公式如下所示：

S_o＝S_u-(S_u∩S_b) (10)

图3、4、5将本实施例的检测方法与LoOP算法进行对比，可以看出本实施例的效果显著。

Claims (8)

1.一种基于模块化设计的三维点云离群点检测方法，其特征在于，包括以下步骤：

1)建立原始三维点云S^raw的搜索树；

2)基于搜索树获取原始三维点云S^raw的邻近度集合；

3)基于搜索树获取原始三维点云S^raw的可信区域集合；

4)将步骤2)得到的邻近度集合与步骤3)得到的可信区域集合的数据进行融合，得到离群点集合。

2.根据权利要求1所述的基于模块化设计的三维点云离群点检测方法，其特征在于，步骤2)包括：

2-1)获取原始三维点云S^raw中点p_i与其k个邻近点所组成的局部点云S_i；

2-2)计算原始三维点云S^raw中点p_i与局部点云S_i中其余各点之间的距离，并记该距离集合为D_i；

2-3)根据距离集合D_i计算点p_i所对应的邻近度K_i，将邻近度K_i加入集合S_p，即邻近度集合；

2-4)判断是否遍历原始三维点云S^raw中所有的点，否则跳转到步骤2-2)，是则进行下一步操作。

3.根据权利要求2所述的基于模块化设计的三维点云离群点检测方法，其特征在于，步骤2-3)中邻近度K_i的计算方法为：

定义矩阵X_i和Y_i，X_i＝[1 … k]^T，Y_i＝[d₁ … d_k]^T，其中k为点p_i附近参与计算的邻近点个数，d₁…d_k为点p_i与附近k个点之间的欧氏距离，则邻近度K_i为

4.根据权利要求1所述的基于模块化设计的三维点云离群点检测方法，其特征在于，步骤3)包括：

3-1)获取原始三维点云S^raw中点p_i与其k个邻近点所组成的局部点云S_i；

3-2)利用局部点云S_i组成矩阵Ψ_i，并计算矩阵Ψ_i的协方差矩阵cov(Ψ_i,Ψ_i)；

3-3)利用奇异值分解计算协方差矩阵cov(Ψ_i,Ψ_i)所对应的三个特征值，并将三个特征值中最小特征值λ_i ^min加入集合S_λ，即可信区域集合；

3-4)判断是否遍历原始三维点云S^raw中所有的点，否则跳转到步骤3-1)，是则进行下一步操作。

5.根据权利要求1所述的基于模块化设计的三维点云离群点检测方法，其特征在于，步骤4)包括：

4-1)对输入的数据进行预处理得到处理后数据；

4-2)将处理后数据中超出指定阈值的点加入新集合；

4-3)根据步骤2)和步骤3)得到的数据集合之间的逻辑关系，对步骤4-2)中得到的新集合的数据进行融合，得到离群点集合。

6.根据权利要求5所述的基于模块化设计的三维点云离群点检测方法，其特征在于，假设γ_mean、γ_var分别是数据γ的平均值和样本标准差，γ_i是数据γ的第i个数据，

是数据

的第i个数据，则步骤4-1)中预处理的公式如下：

步骤4-2)中阈值的选取通过如下公式确定：

其中，α为常数，并且α∈{1,2,3}。

7.根据权利要求1所述的基于模块化设计的三维点云离群点检测方法，其特征在于，所述的搜索树为空间八叉树或k-d树。

8.一种基于模块化设计的三维点云离群点检测装置，其特征在于，所述装置包括：

离群点检测模块，用于获取原始三维点云S^raw的邻近度集合；

可信区域检测模块，用于获取原始三维点云S^raw的可信区域集合；

数据处理和融合模块，用于对邻近度集合和可信区域集合的数据进行预处理和融合，并得到离群点集合。

Images