本發(fā)明涉及機載激光點云數據處理技術領域，具體涉及一種機載高密度激光點云的壓縮方法、存儲設備及激光雷達。

背景技術：

隨著激光雷達技術的發(fā)展，其獲取的點云數據密度越來越大。

機載激光雷達（lidar）是一種主動式對地觀測系統，它集成激光測距技術、計算機技術、慣性測量單元(imu)/dgps差分定位技術于一體，該技術在三維空間信息的實時獲取方面產生了重大突破，為獲取高時空分辨率地球空間信息提供了一種全新的技術手段，具有自動化程度高、受天氣影響小、數據生產周期短、精度高等特點。但隨著硬件獲取技術的不斷更新，采樣點的精度不斷提高（已經可以達到亞毫米級），采樣點數據量也急劇增大，使用這些數據點來進行曲面重建及后續(xù)處理工作將會消耗大量的時間和空間。因此，在確保能為一定精度要求的模型重建提供必需信息的前提下，簡化原始的點云數據變得十分必要。

點云數據是由物體表面三維采樣點組成的點的集合，這種數據在空間上沒有任何可用的拓撲信息，而對點云數據的各種處理一般都建立在數據點間的相互關系之上，所以在進行點云數據處理前都需要通過如空間柵格、八叉樹、kd樹等方法，建立點云數據之間的空間關系（如鄰域關系）。在點云數據的局部曲面特征描述方面，已有點密度、離散度、法向量及曲率等離散點集指標，為點云的處理提供理論依據。當前可用的點云不均勻下采樣方法有基于聚類的方法、迭代刪除法和曲率采樣法（粒子模擬法）等。通過對一般方法增加一些附加條件可以解決實際點云壓縮問題，如保留邊界的散亂點云簡化方法、基于特征點約束的點云簡化算法、及以局部采樣密度、曲率和估計精度三者綜合評價決定的簡化方法等。

針對大范圍，高密度的地形點云數據，聚類壓縮方法能夠快速的壓縮密集點云數據并保持良好的精度?；诒砻婢垲惖暮喕椒ㄖ饕峭ㄟ^某種劃分方法在原數據集上產生多個子簇，對于每個子簇用一個或幾個點來代替簇中所有的點，用這些代表點組成的集合作為簡化后的點集。在聚類方式上可分為增量式的聚類和分層式的聚類。增量式聚類即區(qū)域增長法，是從原始點集中隨機地取一個點作為起始點形成一類，并不斷地將與其相鄰的點加入到類中，直到滿足條件完成該類，如此往復形成一個類群。分層式聚類即層次分割法，是一種自頂向下的數據分割法，通過不斷地細分點云集合，直到每個分塊滿足終止條件才完成聚類，生成一個類群。但是這樣的壓縮方法比較復雜。

由于獲取的點云數據密度大，現有技術無法對三維激光點云數據的進行高效壓縮。

因此，現有技術還有待于改進和發(fā)展。

技術實現要素：

本發(fā)明要解決的技術問題在于，針對現有技術的上述缺陷，提供一種機載高密度激光點云的壓縮方法、存儲設備及激光雷達，旨在通過采用高效的層次分割算法，使用保留邊界點的策略對大量密集點云進行快速壓縮，實現了保持地形特征的高密度三維激光點云數據的快速高效壓縮。

本發(fā)明解決技術問題所采用的技術方案如下：

一種機載高密度激光點云的壓縮方法，其中，包括以下步驟：

步驟a：通過預設的索引方式將離散分布的點云數據建立空間索引，用于快速訪問與三維點或二維點的鄰域點集；

步驟b：通過離散曲面的相關理論獲取特定區(qū)域點云的空間分布特性，計算激光點云的局部曲面特征，用于判斷所述特定區(qū)域內的點云數據是否需要進一步壓縮；

步驟c：根據具體應用所需的數據特征，提取并保留包含所述數據特征的一定數量的點云作為全局特征，所述全局特征用于先驗知識輸入和作為重要信息的原始數據進行保留；

步驟d：在普遍適用的離散數據下采樣算法中篩出匹配應用需求的壓縮算法并改進，使其應用于密集點云數據的壓縮；

步驟e：通過點云壓縮算法評估，分析壓縮算法的數據量、壓縮率、執(zhí)行速率和精度損失的關系評估算法的效率，指導壓縮算法的選擇與設計。

所述的機載高密度激光點云的壓縮方法，其中，所述預設的索引方式包括：規(guī)則格網索引、kd樹空間索引、r樹空間索引。

所述的機載高密度激光點云的壓縮方法，其中，所述步驟a具體包括：

步驟a1：預先判斷點云數據大小和坐標范圍；

步驟a2：將點云數據規(guī)則地分割成多個子塊，避免一次性處理過大的數據量；

步驟a3：通過規(guī)則格網、kd樹空間索引，r樹空間索引為點云建立空間索引，實現點云k鄰域的快速獲取；

步驟a4：進行點云的空間插值快速獲取二維空間中的最鄰近點。

所述的機載高密度激光點云的壓縮方法，其中，所述步驟b中的局部曲面特征包括：

局部點密度，用于表示特定區(qū)域內采樣點分布的密集程度；

局部表面曲率和法向量，用于表示局部表面的變化程度和變化方向，通過點集的特征值和特征向量獲得；

局部離散程度或誤差，用于表示采樣點分布的一致程度，通過最小二乘擬合獲取。

所述的機載高密度激光點云的壓縮方法，其中，全局特征保留的存在形式包括：

事先提取地形特征用于指導確定密集點云不均勻下采樣的算法；

通過局部點密度、局部表面曲率和法向量、局部離散程度或誤差的判別同步保留全局特征；

將全局特征加入壓縮后的點云數據中。

所述的機載高密度激光點云的壓縮方法，其中，所述步驟c具體包括：

步驟c1：提取山脊線和山谷線作為所需的數據特征；

步驟c2：在原始數據上提取處于峰頂和峰谷的特征點，再使用最小生成樹算法跟蹤生成特征線，保留一定長度的線作為谷脊線；

步驟c3：將谷脊線的各項局部特征指標作為步驟d的閾值，并將所述谷脊線加入到壓縮后的點云中。

所述的機載高密度激光點云的壓縮方法，其中，所述采樣算法包括：

迭代刪減法，迭代地從點云中刪除一個信息量最小的采樣點，直到滿足壓縮要求，精確控制壓縮比率和精度損失；

聚類替代法，按照局部特征對點云進行聚類分割，再用一個或幾個點代替一個點簇，快速壓縮大數據量的密集點云；

粒子模擬法，通過原始數據獲得目標的表面特征，然后隨機生成粒子，通過模擬粒子間的相互作用獲得粒子的最佳分布，實現點云數據的壓縮。

所述的機載高密度激光點云的壓縮方法，其中，所述點云壓縮算法評估包括：

算法可控性，評價算法是否需要針對具體數據的先驗知識，壓縮結果的壓縮率和精度損失是否能夠在執(zhí)行前獲得；

算法壓縮率與精度損失的關系，在一定的精度損失范圍內提高壓縮率，針對不同的數據特征使用不同的壓縮策略；

算法壓縮執(zhí)行速率與數據量的關系，判斷壓縮算法的時間復雜度，針對數據量級選擇合適算法或對數據進行分割并行處理。

一種存儲設備，其中存儲有多條指令，所述指令適于由處理器加載并執(zhí)行所述機載高密度激光點云的壓縮方法的步驟。

一種激光雷達，包括處理器，適于實現各指令；以及存儲設備，用于存儲多條指令，所述指令用于由處理器加載并執(zhí)行所述機載高密度激光點云的壓縮方法的步驟。

本發(fā)明公開了一種機載高密度激光點云的壓縮方法、存儲設備及激光雷達，所述方法包括：通過預設的索引方式將離散分布的點云數據建立空間索引，用于快速訪問與三維點或二維點的鄰域點集；通過離散曲面的相關理論獲取特定區(qū)域點云的空間分布特性，計算激光點云的局部曲面特征，用于判斷所述特定區(qū)域內的點云數據是否需要進一步壓縮；根據具體應用所需的數據特征，提取并保留包含所述數據特征的一定數量的點云作為全局特征，所述全局特征用于先驗知識輸入和作為重要信息的原始數據進行保留；在普遍適用的離散數據下采樣算法中篩出匹配應用需求的壓縮算法并改進，使其應用于密集點云數據的壓縮；通過點云壓縮算法評估，分析壓縮算法的數據量、壓縮率、執(zhí)行速率和精度損失的關系評估算法的效率，指導壓縮算法的選擇與設計。本發(fā)明通過采用高效的層次分割算法，使用保留邊界點的策略對大量密集點云進行快速壓縮，實現了保持地形特征的高密度三維激光點云數據的快速高效壓縮。

附圖說明

圖1是本發(fā)明機載高密度激光點云的壓縮方法的較佳實施例的流程圖。

圖2是本發(fā)明機載高密度激光點云的壓縮方法中層次聚類的原理示意圖。

圖3是本發(fā)明存儲設備的處理裝置結構框圖。

具體實施方式

為使本發(fā)明的目的、技術方案及優(yōu)點更加清楚、明確，以下參照附圖并舉實施例對本發(fā)明進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明較佳實施例所述的機載高密度激光點云的壓縮方法，如圖1所示，所述方法包括以下步驟：

步驟s100：通過預設的索引方式將離散分布的點云數據建立空間索引，用于快速訪問與三維點或二維點的鄰域點集。

進一步地，所述步驟s100具體包括：

s101，預先判斷點云數據大小和坐標范圍；

s102，將點云數據規(guī)則地分割成多個子塊，避免一次性處理過大的數據量；

s103，通過規(guī)則格網、kd樹空間索引，r樹空間索引為點云建立空間索引，實現點云k鄰域的快速獲??；

s104，進行點云的空間插值快速獲取二維空間中的最鄰近點。

具體地，所述預設的索引方式包括：規(guī)則格網索引（規(guī)則格網索引是地理信息系統的一項關鍵技術，其性能優(yōu)劣直接影響空間數據庫的整體性能，一方面，建立規(guī)則格網索引是用于提高數據庫搜索效率的有效工具；另一方面，由于空間關系的運算比較復雜，將空間關系的推理和查詢范圍縮小，就可以提高空間關系的詢問效率）、kd樹（是一種分割k維數據空間的數據結構，主要應用于多維空間關鍵數據的搜索（如：范圍搜索和最近鄰搜索），kd樹是二進制空間分割樹的特殊的情況）空間索引、r樹（r樹是最早支持有序擴展的對象存取方法之一，也是目前應用最為廣泛的一種空間索引結構）空間索引。

本發(fā)明具體實施時要高效地組織離散點云數據，主要是為后續(xù)點云處理提供高效的空間查詢服務。首先，判斷數據大小和坐標范圍，在必要的情況下可把點云數據規(guī)則地分割成多個子塊，避免一次性處理過大的數據量；然后使用kd樹，r樹等空間索引方法為點云建立空間索引，實現點云k鄰域的快速獲取；最后，進行點云的空間插值需要快速地獲取二維空間中的最鄰近點，所以使用規(guī)則格網或四叉樹等方法為點云建立二維空間索引也十分必要。

步驟s200、通過離散曲面的相關理論獲取特定區(qū)域點云的空間分布特性，計算激光點云的局部曲面特征，用于判斷所述特定區(qū)域內的點云數據是否需要進一步壓縮。

進一步地，所述步驟s200中的局部曲面特征包括：

局部點密度，用于表示特定區(qū)域內采樣點分布的密集程度；

局部表面曲率和法向量，用于表示局部表面的變化程度和變化方向，通過點集的特征值和特征向量獲得；

局部離散程度或誤差，用于表示采樣點分布的一致程度，通過最小二乘擬合獲取。

具體地，獲得離散點集局部曲面特征，該過程使用的特征指標有：

局部點密度，實例獲得采樣點k=18的鄰域，通過鄰域半徑獲得鄰域面積，從而計算局部點的密度。

局部表面曲率和法向量，實例獲得采樣點k=18的鄰域，通過將鄰域內18個采樣點與鄰域質心間的位置關系組成協方差矩陣，計算該矩陣的特征值和特征向量，該點法向量為最大特征值對應的特征向量，并把最小特征值與三個特征值之和的比值視為表面曲率。

局部離散程度或誤差，實例首先通過最小二乘為k=18的鄰域擬合出一個二次曲面，然后計算鄰域點到該曲面的距離，將各距離的絕對值和作為局部數據誤差。

步驟s300、根據具體應用所需的數據特征，提取并保留包含所述數據特征的一定數量的點云作為全局特征，所述全局特征用于先驗知識輸入和作為重要信息的原始數據進行保留。

進一步地，所述步驟s300具體包括：

s301，提取山脊線和山谷線作為所需的數據特征；

s302，在原始數據上提取處于峰頂和峰谷的特征點，再使用最小生成樹算法跟蹤生成特征線，保留一定長度的線作為谷脊線；

s303，將谷脊線的各項局部特征指標作為步驟d的閾值，并將所述谷脊線加入到壓縮后的點云中。

具體地，全局特征保留的存在形式包括：

事先提取地形特征用于指導確定密集點云不均勻下采樣的算法；

通過局部點密度、局部表面曲率和法向量、局部離散程度或誤差的判別同步保留全局特征；

將全局特征加入壓縮后的點云數據中。

具體地，全局特征保留策略，該步驟針對地形數據，提取了山脊線和山谷線作為重要特征，首先在原始數據上提取處于峰頂和峰谷的特征點，再使用最小生成樹等算法跟蹤生成特征線，保留一定長度的線作為谷脊線，然后將谷脊線的各項局部特征指標作為步驟s400的閾值，并將這些谷脊線加入到壓縮后的點云中。

步驟s400、在普遍適用的離散數據下采樣算法中篩出匹配應用需求的壓縮算法并改進，使其應用于密集點云數據的壓縮。

具體地，所述采樣算法包括：

迭代刪減法，迭代地從點云中刪除一個信息量最小的采樣點，直到滿足壓縮要求，精確控制壓縮比率和精度損失；

聚類替代法，按照局部特征對點云進行聚類分割，再用一個或幾個點代替一個點簇，快速壓縮大數據量的密集點云；

粒子模擬法，通過原始數據獲得目標的表面特征，然后隨機生成粒子，通過模擬粒子間的相互作用獲得粒子的最佳分布，實現點云數據的壓縮。

具體地，確定點云不均勻下采樣算法，該過程使用了自頂向下的層次聚類算法，圖2為該算法的原理圖，該算法具有快速的壓縮大量密集點云的能力，能很好地壓縮機載激光雷達采集的地形數據。

步驟s500、通過點云壓縮算法評估，分析壓縮算法的數據量、壓縮率、執(zhí)行速率和精度損失的關系評估算法的效率，指導壓縮算法的選擇與設計。

具體地，所述點云壓縮算法評估包括：

算法可控性，評價算法是否需要針對具體數據的先驗知識，壓縮結果的壓縮率和精度損失是否能夠在執(zhí)行前獲得；

算法壓縮率與精度損失的關系，在一定的精度損失范圍內提高壓縮率，針對不同的數據特征使用不同的壓縮策略；

算法壓縮執(zhí)行速率與數據量的關系，判斷壓縮算法的時間復雜度，針對數據量級選擇合適算法或對數據進行分割并行處理。

具體地，點云壓縮算法評估，該步驟首先確定算法的可控性，尤其是壓縮后點云能否滿足后續(xù)工作所需的數據精度。實例采用對比壓縮前后點云生成的數字數字高程模型dem、地面表面復雜度、縱斷面面積等指標來確定精度損失。然后分析算法是否需要先驗知識的輸入，對不同類型數據的魯棒性（表示在異常和危險情況下系統生存的關鍵，比如說，計算機軟件在輸入錯誤、磁盤故障、網絡過載或有意攻擊情況下，能否不死機、不崩潰，就是該軟件的魯棒性，所謂“魯棒性”，是指控制系統在一定（結構，大?。┑膮禂z動下，維持其它某些性能的特性），和對數據量大小的敏感性等方面進行了評估。

本發(fā)明通過機載激光雷達獲取的地面高密度三維激光點云數據，對其進行特征保留的非均勻下采樣，實現保持地形的三維激光點云數據的高效壓縮。

本發(fā)明帶來了如下技術效果：

1．本發(fā)明提出了保持地形的機載高密度激光點云的壓縮算法的一般流程，通過梳理點云數據組織、離散曲面特征描述、不均勻下采樣算法設計、及點云壓縮效率與精度損失評估等關鍵技術，提出了點云數據壓縮的一般研究流程，為點云數據壓縮工作提供了基本研究參考。

2．本發(fā)明從算法可控性，數據量與執(zhí)行速率，壓縮率與精度損失等方面全面的分析點云壓縮算法的效率，為點云數據壓縮算法提供了評價方法，有助于使用者針對具體應用需求選擇和設計合適的點云壓縮方法。

3．本發(fā)明針對機載激光獲取的地面點云數據，提出了以曲面變分為依據，采用高效的層次分割算法，并使用保留邊界點的策略實現對大量密集點云進行快速壓縮的方法，實現了地形點云數據的快速壓縮，為后續(xù)其他點云數據處理提供了冗余較小的簡化數據。

進一步地，圖3是本發(fā)明存儲設備的處理裝置結構框圖，如圖3所示，所述存儲設備包括：處理器(processor)10、存儲器(memory)20、通信接口(communicationsinterface)30和總線40；其中，

所述處理器10、存儲器20、通信接口30通過所述總線40完成相互間的通信；

所述通信接口30用于所述存儲設備的通信設備之間的信息傳輸；

所述處理器10用于調用所述存儲器20中的計算機程序，以執(zhí)行上述各方法實施例所提供的方法，例如包括：通過預設的索引方式將離散分布的點云數據建立空間索引，用于快速訪問與三維點或二維點的鄰域點集；通過離散曲面的相關理論獲取特定區(qū)域點云的空間分布特性，計算激光點云的局部曲面特征，用于判斷所述特定區(qū)域內的點云數據是否需要進一步壓縮；根據具體應用所需的數據特征，提取并保留包含所述數據特征的一定數量的點云作為全局特征，所述全局特征用于先驗知識輸入和作為重要信息的原始數據進行保留；在普遍適用的離散數據下采樣算法中篩出匹配應用需求的壓縮算法并改進，使其應用于密集點云數據的壓縮；通過點云壓縮算法評估，分析壓縮算法的數據量、壓縮率、執(zhí)行速率和精度損失的關系評估算法的效率，指導壓縮算法的選擇與設計。

本發(fā)明還提供一種激光雷達，包括處理器，適于實現各指令；以及存儲設備，用于存儲多條指令，所述指令用于由處理器加載并執(zhí)行所述機載高密度激光點云的壓縮方法的步驟；例如包括：通過預設的索引方式將離散分布的點云數據建立空間索引，用于快速訪問與三維點或二維點的鄰域點集；通過離散曲面的相關理論獲取特定區(qū)域點云的空間分布特性，計算激光點云的局部曲面特征，用于判斷所述特定區(qū)域內的點云數據是否需要進一步壓縮；根據具體應用所需的數據特征，提取并保留包含所述數據特征的一定數量的點云作為全局特征，所述全局特征用于先驗知識輸入和作為重要信息的原始數據進行保留；在普遍適用的離散數據下采樣算法中篩出匹配應用需求的壓縮算法并改進，使其應用于密集點云數據的壓縮；通過點云壓縮算法評估，分析壓縮算法的數據量、壓縮率、執(zhí)行速率和精度損失的關系評估算法的效率，指導壓縮算法的選擇與設計。

綜上所述，本發(fā)明提供了一種降低輻射值的方法、系統、移動終端及可讀存儲介質，所述方法包括：通過移動終端中的距離傳感器檢測用戶的移動終端與用戶耳朵的距離，從而判斷移動終端是否正處于通話狀態(tài)；當移動終端處于通話狀態(tài)時保持射頻傳導功率不變，當移動終端未處于通話狀態(tài)時，通過無線收發(fā)器發(fā)送控制信號到功率放大器；當功率放大器接收到所述控制信號后放大處理，降低功率放大器的發(fā)射功率從而降低射頻傳導功率，控制輻射值低于預定輻射值。本發(fā)明通過檢測到用戶的移動終端處于手中或者放置于口袋的狀態(tài)時，通過降低射頻傳導功率來降低輻射值，減少輻射對身體的傷害。

當然，本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關硬件（如處理器，控制器等）來完成，所述的程序可存儲于一計算機可讀取的存儲介質中，該程序在執(zhí)行時可包括如上述各方法實施例的流程。其中所述的存儲介質可為存儲器、磁碟、光盤等。

應當理解的是，本發(fā)明的應用不限于上述的舉例，對本領域普通技術人員來說，可以根據上述說明加以改進或變換，所有這些改進和變換都應屬于本發(fā)明所附權利要求的保護范圍。