活立木点云数据中特征点的计算开题报告

1. 研究目的与意义

为了有效地多分辨率简化点云模型，通过首先采用均匀栅格法建立点云模型的拓扑关系，计算每个数据点的k 邻域；然后通过建立点云模型中数据点的协方差矩阵求得这些点的法向量，并且进行法向重定向，使所有法向量的方向都指向点云模型的外部; 最后，通过衡量数据点对Laplace-Beltrami 算子特征值频谱的影响，得到与数据点k 邻域及其法向量相关的量化该点重要性的度量公式，随后调节控制因子的取值，实现点云模型的多分辨率简化的方法进行计算。

实验结果表明，该算法具有简化率高、保留点云模型的微小细节特征信息、简化速度快、稳定性强的特点。

2. 国内外研究现状分析

柯映林，陈曦[1]为了高效处理大规模点云数据，提出了一种新的曲率估算方法．该方法基于空间六面体栅格分割点云，针对每个栅格中的测量点逼近局部二次抛物面，通过计算并检查抛物面的最小采样密度和自适应划分栅格来构建符合给定允差的局部曲面，使用步进法对曲面进行采样，利用坐标转换法计算每个采样点的曲率、插值采样点的坐标和曲率来构造全局4d shepard曲面，并快速计算点云中每个测量点的曲率．结果表明，该方法通过shepard曲面插值点的简单线性组合估算曲率，无需构建三角网格，具有复杂度低，实用性强的特点．应用该方法能够快速、准确地获取大规模离散数据的曲率值。

皇甫中民，闫雒恒，刘雪梅[2] 针对目前常用估算方法ct法的缺点进行改进，提出以传统ct法估算的法矢为初值，通过迭代的过程提高计算精度。

实验结果表明，所提出的改进算法不但简单可行，而且能够大大提高计算精度。

3. 研究的基本内容与计划

通过首先采用均匀栅格法建立点云模型的拓扑关系，计算每个数据点的k 邻域；然后通过建立点云模型中数据点的协方差矩阵求得这些点的法向量，并且进行法向重定向，使所有法向量的方向都指向点云模型的外部; 最后，通过衡量数据点对laplace-beltrami 算子特征值频谱的影响，得到与数据点k 邻域及其法向量相关的量化该点重要性的度量公式，随后调节控制因子的取值，实现点云模型的多分辨率简化的方法进行计算。

2013年3月 收集相关书籍及其文章，学习点云数据的相关知识，了解国内外的相关技术及其研究报告，总结相关内容 2013年4月 使用计算机图形学，matlab深入研究活立木点云数据中特征点的计算，并对相关结果进行研究修改。

2013年5月 对自己的相关论文内容进行总结，向老师提交相关程序和论文，在老师指导下对相关内容进行修正。

4. 研究创新点

提出一种全新的算法。

该算法需要计算机图形学，matlab方面的技能。

具有简化率高、保留点云模型的微小细节特征信息、简化速度快、稳定性强的特点。