机器视觉

常规的特征保持点云精简方法需计算全部点云的微分信息，但直接计算高密度或含噪点云的微分信息存在一定偏差，导致点云精简效果不佳。为此本文提出一种基于栅格动态划分的点云精简方法。首先对模型进行空间栅格初划分，利用RANSAC法剔除栅格内的干扰点，后采用最小二乘法对剩余点进行平面拟合并计算平整度值，根据平整度值判别该栅格是否细分，实现将平坦区域压入大间距栅格内，特征丰富区域划分为小栅格中。针对小栅格内的点引入高斯函数降低远距离点对特征识别贡献的权重，综合曲面变化度和邻域法向量夹角信息共同识别特征点并保留，大栅格内的点根据栅格间距大小采用不同的采样率采样。通过试验对比随机采样法、包围盒法、曲率法，该算法能较好地保持模型细微特征且避免孔洞的出现，精简后模型的最大偏差为1.502mm，远小于其他三种方法；随着噪声强度的增加，本文精简误差相对较小且变化平缓，在35dB噪声下，平均偏差仅为随机采样法和栅格法的40%，为曲率精简的50%。

傅思勇, 吴禄慎, 陈华伟. 空间栅格动态划分的点云精简[J]. 光学学报, 2017, 37(11): 7.  复制并引用该论文