PCL库点云统计去噪算法的应用研究

罗方燕

（广东职业技术学院信息工程系，佛山　528041）

PCL库点云统计去噪算法的应用研究

罗方燕

（广东职业技术学院信息工程系，佛山528041）

去噪是点云数据处理中的重要过程，PCL中常用的点距离统计去噪算法涉及邻域规模K和方差倍数m两个参数，不同的取值对去噪结果的影响比较大。在统计去噪原理的基础上，根据正态分布的概率密度函数和3σ准则，对m进行理论分析。其中K值的大小主要影响去噪细节。实验中采用遥感数据进行验证，并通过不同参数组合进行比较。实验结果显示，如果当m大于2时，概率密度比较大，去噪作用比较小；K值对去噪结果的影响不明显。该统计去噪算法可以根据不同的参数值进行不同程度的去噪。

点云去噪；距离统计；3σ准则；PCL

0　引言

随着三维扫描技术的发展和广泛应用，特别是微软的低价Kinect体感器的发行，使普通的民众可以方便地获取三维点云数据。在拍摄过程中，由于工作环境、光线等因素，在点云数据中附带有一定量的噪声和外点。在点云数据处理过程中，将这部分非真实的数据，特别是外点需要进行预先处理。目前点云去噪算法主要分成四类［1-2］：一是数学形态学滤波算法；二是逐渐加密的滤波算法；三是基于表面的方法；四是基于分割的方法。

Nurunnabi［2］提出采用稳健局部加权回归算法，将三维数据转换为二维的x-z和y-z关系数据，分别在这两个二维数据上进行回归运算，直至误差达到阈值。如果两次运算实际点都比求取值还小，则认为该点为地面点云。Zeng使用深度数据差的熵信息对点云进行分类，根据阈值，将点云分为地面点云的物体点云［3］。Rodriguez-Caballero［4］使用形态过滤算法和光谱信息相关结合，在过滤过程中将点云的细节进行保存。Hu［5］提出可适应表面过滤器，对点云数据进行分类。Rusu于2008年提出K邻近点距离统计［6］算法，首先计算出该点到周边最近K点集的距离，然后计算出距离均值和标准方差，根据均值和方差设定阈值，用于判断点是否为外点。

1　PCL库简介

PCL（Point Cloud Library）［7］是最近几年创建的主要用于处理三维处理的开源库，库中包含了最新有关点云的滤波、特征估计、表面重建、配准、模型匹配和表面分割等算法。该库大部分有关数学算法实现是基于OpenMP、TBB、FLANN等进行实现的，PCL库可以被编译运行在不同的平台，包括：Windows、MacOS、Linux和Android。该库遵循BSD开源协议，使用者可以任意对源代码进行修改和二次开，并可以无偿用于商业，例如目前PCL已完全集成在Robot Operation System（ROS）机器人操作系统中，根据体感器获取的点云数据对机器人周边的环境进行识别。目前PCL库在官方网可以下载已经编译好的安装文件，亦可从github中下载源代码进行编译安装。如果自行编译安装，可以选择需要的模块进行安装。采用PCL可以进行点云数据的近似实时的处理［8］。

2　K邻近点距离统计

在该算法中，主要有两个参数需要使用者进行设置，一是K邻近点集的规模值K，如果K值越大，去噪之后边缘缺失将比较严重，但可以有效去除背景等噪点。另外一个是标准方差的倍数。

图1　K邻近点距离统计算法流程图

根据3σ准则，当D～N（（μ，σ2）时，

根据该原则，如果变量在（μ-3σ，μ+3σ）范围之外，已经不再认为是随机噪声，而是粗大噪声。

表1　正态分布对于不同m的密度理论值

3　实验及结果分析

本文中的实验采用PCL中的K邻近点距离算法，对一组来自国际摄影测量与遥感学会（ISPRS）的遥感数据进行去噪和分析，主要检测在不同K值的情况下，标准方差倍数对结果的影响。如图2为一城市的遥感数据，点云数量为243400，主要包括有建筑物、道路和树木的物体。为了进一步对数据进行处理，需要对其进行去噪。

在实验中，当K为30、40和50时，分别取m值为0.5、1、1.5、2、2.5和3，去噪后的分布密度如表2所示。从该表中可发现不同规模的邻近域中，方差倍数的影响的相似的，如图3所示。

在图3中，实践的测量值，当方差倍数值小于2时，其概率密度比理论值偏大，即在计算时，将理论上属于正常值的点被认为是噪声。当方差倍数值大于等于2是，与理论值想接近，但因其概率密度为97%，在应用中实际的影响作用不大。如图4所示，当K值相同是，图4（a）和（c）m=0.5时的过滤结果，与原始遥感数据相比，过滤的范围比较大，而图4（b）和（d）m=3，与原始遥感数据相差不大，没有达到过滤作用。当m值相同时，不同K值的结果大体相同，但也存在差别。

表2　真实概率密度值

图3　曲线图

通过上述的实验，K邻近点距离统计去噪方法对点云数据进行处理时，K值虽影响不大，但缺影响运行速度和去噪程度。K值的大小表示距离的参考范围，点的距离会随着K值的增大而增加，特别当该点是离群点时，其距离增加更加明显，可以更好地去噪。例如当m值小于2时，由表2和图3实验结果显示，概率密度值随K值的增加而减小。方差倍数值m是主要影响去噪程度的参数，更加正态分布的3σ准则，如果当m值大于2时，概率密度大于97%，可以将比较明显的噪声基本去除，但对于其他噪声比较隐蔽的噪声无法去除，如图4中，图（b）和（d）中与图（a）和（b）相比较，明显存在有边缘的离群点团。

4　结语

本文就PCL库中的K邻近点距离统计点云去噪算法，邻域规模大小K和方差倍数m对去噪的影响进行应用研究。K值对去噪的效果影响比m值小。由正态分布的3σ准则可知m值大于2时，去噪效果不明显，但如果m值比较小，则会将数据的细节点被当作噪声被去除。在应用中可以根据点云数据受干扰的情况，合理选择m值。在此仅采用PCL的点云统计去噪进行初步的应用研究，在后续工作过程中，将继续进行该项工作。

图4　去噪结果

［1］Li，Z.，J.Chen，E.Baltsavias.Advances in Photogrammetry，Remote Sensing and Spatial Information Sciences：2008 ISPRS Congress Book［M］.Vol.7.2008：CRC Press.

［2］Nurunnabi，A.，G.West，D.Belton.Robust Locally Weighted Regression Techniques for Ground Surface Points Filtering in Mobile Laser Scanning Three Dimensional Point Cloud Data［J］.IEEE Transactions on Geoscience and Remote Sensing，2016，54（4）：2181-2193.

［3］Zeng，Z.，J.Wan，H.Liu.An Entropy-Based Filtering Approach for Airborne Laser Scanning Data［J］.Infrared Physics&Technology，2016，117（2016）：141-146.

［4］Rodríguez-Caballero，E.，A.Afana，S.Chamizo，et al.A New Adaptive Method to Filter Terrestrial Laser Scanner Point Clouds Using Morphological Filters and Spectral Information to Conserve Surface Micro-topography［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2016，117：141-148.

［5］Hu，H.，Y.Ding，Q.Zhu，et al.An Adaptive Surface Filter for Airborne Laser Scanning Point Clouds by Means of Regularization and Bending Energy［J］.Isprs Journal of Photogrammetry and Remote Sensing，2014，92：98-111.

［6］Rusu，R.B.，Z.C.Marton，N.Blodow，et al.Towards 3D Point Cloud Based Object Maps for Household Environments［J］.Robotics and Autonomous Systems，2008，56（11）：927-941.

［7］Rusu，R.B.，S.Cousins.3d is here：Point Cloud Library（PCL）［C］.in Robotics and Automation（ICRA），2011 IEEE International Conference on.Shanghai，China：IEEE.2011：1-4.

［8］Miknis，M.，R.Davies，P.Plassmann，et al.Near Real-Time Point Cloud Processing Using the PCL［C］.in Systems，Signals and Image Processing（IWSSIP），2015 International Conference on.IEEE.2015：153-156.

Research on the Application of Point Cloud Statistical Removal of PCL

LUO Fang-yan
（Department of Information Engineering，Guangdong Polytechnic，Foshan 528041）

Denoising is an important part in point cloud data processing.The point neighborhood statistics filter in Point Cloud Library is a common algorithm，which involves two parameters the neighborhood size K and the variance multiplier m.Both of the values influence the denoising results.Based on statistical denoising principle，carries out an analysis on the m，according to the probability density function of normal distribution and 3σ criterion.Uses the K value decide the details.Remote sensing data in experiments，and makes the comparison under different parameters.The results show that if when m is greater than 2，the probability density is larger，the denoising effect will be small，but K's effect is not obvious.The point neighborhood statistics filter can be used for different levels of denoising under different parameter values.

Point Cloud Denoising；Statistical Distance；3σ Criterion；Point Cloud Library

1007-1423（2016）26-0063-04DOI：10.3969/j.issn.1007-1423.2016.26.015

罗方燕（1981-），女，广东梅州人，硕士，研究方向为三维数据处理

2016-06-14

2016-09-05