点云技术和自动路径规划技术的研究现状

1.2点云技术和自动路径规划技术的研究现状

1.2.1点云精简算法的研究现状

喷涂机器人点云技术涉及诸多学科如几何计算、传感器、图形学、计算机学、模式识别、人工智能等，在机器人学、计算机辅助设计及制造、逆向工程、机器视觉、激光遥感测量、立体3D影像、人机交互、虚拟现实等诸多领域有着广泛的应用。在点云技术出现的早期，由于点云测量或扫描设备价格昂贵，严重阻碍了点云技术在各个行业上的应用推广，也因为地域先后发展的限制造成国内关于点云技术的理论性研究较少和工具书的医乏。在2010年，以微软的Kinect为主要代表的普通消费级低成本点云获取即RGBD设备大量出现在市场，此外还有三星、华硕等多家公司也开发出并生产此类产品，点云库PCL就是在RGBD设备的春天下应运而生。PCL是在大量吸收前人关于点云的相关研究的基础上经过总结而建立的跨平台开源库，并且封装了常用的数据结构类和大量的通用算法，其算法涉及点云数据的获取、可视化、滤波去噪、分割、精简、曲面重建、配准、特征提取等基础的通用模块以及人体骨骼关节的识别和提取、动作识别与跟踪等前沿的应用，此外随着点云技术的不断推广，还会有其他新的应用正在大量出现。

本文采用 Kinect 2.0作为三维扫描设备，并使用了由微软公司开发的3D scan软件对工件的三维信息进行获取，一般获取的点云数据分布十分密集，所以会存在着大量的冗余数据，如果直接用原始的点云数据进行曲面重建将带来巨大的计算量，使得点云曲面重建效率低下，因此点云数据处理最为重要的一步就是对原始的海量数据进行精简得到较少数量的点云来逼近原始点云模型，并且保证原始点云数据的形状、尺寸等几何特征不变。

国外学者很早便开始了点云精简技术的研究，Alexa等首先降低点云数据的冗余度，然后对点云数据进行重采样从而保证点云分布均匀，不足之处就是会涉及到复杂的非线性优化求解问题。Filip等采用包围盒算法对无序的散乱点云进行精简，对每个包围盒中的散乱点云使用同一方法完成精简，具有不错的运算速度，但是只适用于分布均匀的点云数据。Chen.Y H等通过减少三角网格数量的方法达到减少点云数据点的目的，但是这种方法首先要进行繁琐的三角网格构造。Pauly等分别应用聚类法、迭代法和粒子仿真法进行网格精简，并综合比较了各自的优缺点，其中聚类法误差较大但是处理速度快;迭代法需要对点云进行复杂的预处理，计算误差较小;而粒子仿真法虽然能够很好地控制点云采样点密度，但是运算速度却非常慢。Kuldeep等基于边界的特征实现了点云精简。Hao Song等对非边界点使用迭代的方法进行精简，这样虽然保留了边界特征，但迭代速度较慢且在非边界点的精简中容易产生空洞。

喷涂机器人国内的研究人员关于点云精简技术的研究相对较晚，张艳丽等基于Riemann图遍历数据点之间的邻近关系，提出了根据精简后的数据点个数、密度阂值和法向误差的阂值对点云进行精简，这种算法过于依赖邻近点个数的选取，选取合适的临近点个数能够大大提高计算效率和数据精简效果。Xia0等基于kd-tree数据结构构建点云数据包围球实现了对散乱点云的精简。王仁芳等结合随机采样算法和基于几何图像的精简算法，实现了快速点云精简，但对于特征比较尖锐的模型，会由于某些特征的丢失而产生“空洞”的现象。此外还有混合精简算法，它通过聚类分析和迭代的方法进行精简。