一种基于Mesh的点云去噪方法、装置及应用

本发明涉及点云去噪，尤其是指一种基于mesh的点云去噪方法、装置及应用。

背景技术：

1、随着激光雷达、双目相机、深度相机等三维传感设备的普及，从现实场景中获取点云数据的过程变得更加方便。由于点云信息丰富，点云广泛应用于自动驾驶、机器人、建图等领域。但是，三维传感设备实际采集的点云通常包含噪声。噪声使得点云数据精度下降，有时还会对下游任务造成干扰。因此，点云去噪是一项基本的任务。该任务在许多应用中都发挥着重要的作用，例如：在三维传感设备的升级改造中，点云是三维数据的常用格式，点云去噪可作为采集设备数据输出前的最后步骤；在多模态数据融合时，点云与其他类型的数据(例如图像数据)的特征相互补充，提升系统的精度；在3d建模与场景重建的逆向工程中，去噪后的点云数据可以生成更精确的3d模型；模型开发时为了解决点云处理中的各种挑战，研究人员正在不断开发新的算法和模型，点云去噪提高了模型的质量和分析的准确性。同时，点云去噪技术正在被应用于越来越多的领域，包括地形测绘、环境监测、医学图像分析、结构监测等。

2、目前，从方法的角度来看，点云去噪分为基于深度学习的方法和基于模型优化的方法。基于深度学习的方法通过神经网络提取底层特征，有监督的学习通常需要不包含噪声的点云数据作为真值参与训练；但是，在实际场景中，无法获取不含噪声的点云数据作为真值。为了解决这个问题，无监督学习的方法在点云去噪任务中得到了广泛而深入的研究。当样本数量足够时，无监督学习的方法可以从含噪声的点云中直接学习底层特征以完成去噪工作；但是，当点云数据的噪声等级过高时，可能会形成异常的收缩。从结果的角度来看，点云去噪的方法可以分为移除噪声点和获得平滑表面。平滑的方法通过估计物体表面形态，移动点的位置，可以获取近似物体真实形态的光滑曲面；但是，该方法容易造成过平滑而丢失关键的梯度信息；且点的位移是对原始数据的重采样，重采样的过程可能造成新的精度损失，这可能会影响下游任务，特别是在多模态数据融合的任务中，点的坐标变化导致依靠相机和激光雷达标定的外参矩阵不再适用。

3、因此，为解决前述样本难以获取以及平滑导致关键梯度信息丢失问题，现多采用基于移除噪点的点云去噪方法；移除噪声的方法是精度损失相对较小的方法；统计滤波、半径滤波等滤波方法是常用的移除噪声点的方法，但这类方法的性能通常依赖于点云去噪阈值选择，并且固定的参数难以适应不同形态的点云，且构建的特征无法从几何层面描述点云特征。操作者根据经验选择阈值，导致去噪性能与操作者的水平相关，不同的去噪阈值的选择导致不同的点云去噪结果，存在有效点被去除、噪声点被保留的情况，无法实现精准去噪。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有技术中基于移除噪点的点云去噪方法，由于去噪阈值需要人为选择，导致去噪不准确的问题。

2、为解决上述技术问题，本发明提供了一种基于mesh的点云去噪方法，包括：

3、获取待去噪点云集合，基于待去噪点云集合中所有点云的拓扑关系，构建由多个三角形网格组成的mesh结构；

4、分别计算所有三角形网格的法向量，修正所有三角形网格的法向量，使得所有三角形网格的法向量方向相同；

5、对于每个三角形网格，计算该三角形网格修正后的法向量与其k近邻三角形网格修正后的法向量的平均方位角变化，构建每个三角形网格的第一纹理特征向量；

6、对每个三角形网格的尺寸进行归一化，将归一化后的三角形网格进行反褶平移，构建每个三角形网格的第二纹理特征向量；

7、将每个三角形网格的第一纹理特征向量与第二纹理特征向量融合，获取每个三角形网格的统一特征向量；

8、基于所有三角形网格的统一特征向量的特征值，进行高次拟合，获取拟合函数；以拟合函数中第一次斜率突变处所对应的特征值，作为去噪阈值；

9、选取特征值大于去噪阈值的三角形网格，将选取出的所有三角形网格的顶点，组成去噪后的点云集合。

10、优选地，利用改进的贪婪投影三角化法，基于待去噪点云集合中所有点云的拓扑关系，构建由多个三角形网格组成的mesh结构，包括：

11、基于待去噪点云集合中所有点云之间的拓扑关系，获取不同点云之间的连接关系；

12、将待去噪点云集合中所有点云投影到平面上，根据不同点云之间的连接关系进行三角化，生成多个三角形网格，组成mesh结构；

13、若存在未接入mesh结构的点云，则在mesh结构中所有三角形网格的顶点中搜索该点云的两个近邻点云；将该点云与其两个近邻点云组成一个新的三角形网格，加入mesh结构，直至所有的点云均加入mesh结构，完成mesh结构的构建。

14、优选地，三角形网格的法向量，表示为：

15、

16、其中，fn'表示第n个三角形网格的法向量；a、b、c为组成三角形网格的三个顶点，a的坐标为(x1,y1,z1)，b的坐标为(x2,y2,z2)，c的坐标为(x3,y3,z3)。

17、优选地，三角形网格的第一纹理特征向量，表示为：

18、

19、其中，表示第一纹理特征向量，k表示k近邻三角形网格的总个数；fi表示第i个三角形网格修正后的法向量，||fi||表示第i个三角形网格修正后的法向量fi的模长；fik表示第i个三角形网格修正后的法向量的第k个近邻三角形网格修正后的法向量，||fik||表示向量fik的模长。

20、优选地，三角形网格的第二纹理特征向量，表示为：

21、

22、其中，为第二纹理特征向量，表示第i个三角形网格归一化后的网格尺寸，表达式为p表示为a、b、c分别表示三角形网格三条边的边长；d表示反褶平移操作。

23、优选地，所述基于所有三角形网格的统一特征向量的特征值，进行高次拟合，获取拟合函数，表示为：

24、y＝akxk+ak-1xk-1+…+a1x+a0；

25、其中，y表示拟合特征值，k表示多项式的最高次数，ak表示拟合后第k次项的系数，xk表示特征值的k次幂。

26、优选地，基于mesh结构的最小外接矩形框与每个三角形网格法向量终点的关系，修正所有三角形网格的法向量，使得所有三角形网格的法向量方向相同，包括：

27、比较mesh结构的最小外接矩形框与每个三角形网格的法向量终点，直至完成对mesh结构中所有三角形网格的法向量的判断，完成对所有三角形网格法向量方向的修正，包括：

28、若法向量终点位于最小外接矩形框外，则保留该法向量；

29、若法向量终点位于最小外接矩形内，则计算该法向量终点到最小外接矩形框的最小距离，作为第一距离；计算与该法向量方向相反的法向量的终点到最小外接矩形框的最小距离，作为第二距离；比较第一距离与第二距离，保留第一距离与第二距离中距离值较小的所对应的法向量。

30、优选地，基于每个三角形网格法向量与深度方向单位向量的方向一致性关系，修正所有三角形网格的法向量，使得所有三角形网格的法向量方向相同，包括：

31、基于雷达坐标系，以x轴为深度方向，建立每个三角形网格的法向量的深度方向向量；

32、获取深度方向单位向量，与每个三角形网格的法向量的深度方向向量进行方向一致性判断，保留与深度方向单位向量朝向一致的深度方向向量所表示的法向量，完成对所有三角形网格法向量方向的修正。

33、本发明实施例还提供了一种基于mesh的点云去噪装置，包括：

34、mesh结构构建模块，用于获取待去噪点云集合，基于待去噪点云集合中所有点云的拓扑关系，构建由多个三角形网格组成的mesh结构；

35、法向量修正模块，用于分别计算所有三角形网格的法向量，修正所有三角形网格的法向量，使得所有三角形网格的法向量方向相同；

36、特征向量构建模块，用于对于每个三角形网格，计算该三角形网格修正后的法向量与其k近邻三角形网格修正后的法向量的平均方位角变化，构建每个三角形网格的第一纹理特征向量；对每个三角形网格的尺寸进行归一化，将归一化后的三角形网格进行反褶平移，构建每个三角形网格的第二纹理特征向量；将每个三角形网格的第一纹理特征向量与第二纹理特征向量融合，获取每个三角形网格的统一特征向量；

37、拟合去噪模块，用于基于所有三角形网格的统一特征向量的特征值，进行高次拟合，获取拟合函数；以拟合函数中第一次斜率突变处所对应的特征值，作为去噪阈值；选取特征值大于去噪阈值的三角形网格，将选取出的所有三角形网格的顶点，组成去噪后的点云集合。

38、本发明实施例还提供了一种如上述任一项所述的基于mesh的点云去噪方法在三维建模领域的应用。

39、本发明的上述技术方案相比现有技术具有以下有益效果：

40、本发明所述的基于mesh的点云去噪方法，将待去噪点云集合转换为mesh结构，噪声是使得物体表面局部曲率发生突变的点，在不包含噪声的情况下，邻域内法向量方位角指向相似；包含噪声的法向量方位角与其邻近不含噪声的法向量方向角差异明显；本发明基于三角形网格的法向量与其k近邻三角形网格的法向量的平均方位角变化，构建第一纹理特征向量，准确表征了mesh结构中的几何细节；将归一化的三角形网格尺寸的值反褶平移，构建第二纹理特征向量，准确表征了待去噪点云集合中点云的离散程度；两个纹理特征向量融合得到统一特征向量；基于所有统一特征向量的特征值，进行函数拟合，获取拟合函数，以拟合函数中斜率突变时所对应的特征值，作为去噪阈值，对待去噪点云集合进行去噪，保留所有特征值大于去噪阈值的三角形网格的三个顶点，获取去噪结果。本发明基于突变斜率作为去噪阈值的去噪方法，实现对去噪阈值的自动化选择，能够简单鲁棒的实现对噪声点的识别，在去噪的同时，能够尽可能保留有效点云，降低了对正确点云的影响，提高了点云去噪精度。