基于特征显著性的点云自适应精简

张亦芳，李 立，刘光帅

(西南交通大学 机械工程学院，四川 成都 610031)

0 引 言

点云精简是将密集的点云数据在保留模型特征的前提下进行简化，以提高计算机处理的速度和后续重建曲面的光顺性。目前，常用的点云精简算法为基于传统特征的点云精简算法，例如曲率精简法[1]、法向矢量精简法[2]。该类算法以曲率或法向矢量作为来衡量局部细节特征和复杂度的标准，能够很好保持点云的细节特征。但这类方法通常需要以人工设定阈值参数的方式进行特征识别，所设定的阈值对不同的点云模型难以达到同样的理想精简效果，导致这类算法适用性不广。

与依赖于曲率、法向等底层特征方法不同，模拟人类视觉注意机制的显著性检测能够自动捕捉不同场景中的重要信息。显著性概念被广泛应用于计算机视觉和图形学任务中[3]。受二维显著性检测的启发，三维显著性检测通常基于全局显著性计算，即对全体点云或网格顶点特征聚类成簇，由簇的显著性来计算得到全局显著性。例如，Wu等[4]利用K-means聚类和近似最近邻搜索将顶点分组成簇求解簇的显著性，然后根据簇的显著性插值得到单个顶点的全局显著性。Tasse等[5]利用模糊聚类将点集分解成小簇，将每个簇的唯一性和空间分布定义一个点簇概率矩阵来计算每个点的全局显著性。Ding等[6]利用体素连通性分割算法将点云分解为小簇计算簇的显著性值后，利用随机游走排序法计算簇中的每个点全局显著性。……