基于實體模型索引的海量激光點云分塊存儲研究與應用

宋　楊,李長輝,宋　爽

(1.廣州市城市規劃勘測設計研究院,廣東 廣州 510060;2.武漢大學 測繪遙感信息工程國家重點實驗室,湖北 武漢 430079)

?

基于實體模型索引的海量激光點云分塊存儲研究與應用

宋楊1,李長輝1,宋爽2

(1.廣州市城市規劃勘測設計研究院,廣東 廣州 510060;2.武漢大學 測繪遙感信息工程國家重點實驗室,湖北 武漢 430079)

摘要：三維激光掃描技術的日益進步推動了點云數據量級的不斷攀升，給海量點云的高效管理及優化處理帶來新的挑戰。文中針對在大范圍點云場景中快速調度局部詳細點云的實際應用需求,借鑒空間格網結構的數據組織思路，優化并提出可變長度的海量點云分層分條帶存儲的工作機制，結合數據庫管理,實現了基于實體模型索引的激光點云及三維模型的快速調度及聯動顯示。基于研發的點云專家科研系統實踐，推動了海量點云數據集約化管理水平，具有一定的科研及實用價值。

關鍵詞：點云；分層分塊；實體模型；快速調度；空間格網

三維激光掃描技術是一種新興的數據采集技術,起源于20世紀80年代,經過近10年飛速發展已經在電力、公路、地形圖測繪、古建筑保護、工業制造等廣泛的行業領域都得到應用。隨著三維激光掃描技術的日臻成熟,其有效掃描距離、精度和分辨率的不斷提高,所獲取的三維激光點云數據量也極具增大。如何高效存儲、管理、顯示及分析海量點云數據，對其進行特征提取、場景分割、模式識別及三維重構存在諸多技術瓶頸有待突破。

索引機制的建立可實現將空間散亂分布的海量點云數據進行結構化的管理，也是點云數據優化處理中的有效措施，目前流行的點云索引方式包括八叉樹結構、 空間格網結構；存儲方法包括基于外存文件、數據庫、以及云存儲等模式。本文針對古建筑三維激光掃描測量形成的海量點云數據的集約化管理及快速調度的應用需求，借鑒并優化空間格網結構的思路，建立了海量激光點云分層、變長分塊存儲工作機制，結合數據庫的索引表，實現了對目標對象三維激光點云及三維模型的快速調度及聯動顯示。

1海量激光點云分層分塊存儲機制

1.1八叉樹結構及空間格網結構

目前，代表性的點云數據索引方式八叉樹結構和空間格網結構的適用性包括：

1)八叉樹結構：適合大型場景的漫游、多分辨率模型LOD動態調度；適合點云大場景漫游、宏觀展示。八叉樹索引通常只保留數據地址而數據本身仍是混雜的，非結構化的，因此在數據讀取過程中文件指針需不停地跳轉，對于海量點云數據，磁盤跳轉尋道的時間開銷將大大降低數據訪問的效率。

2)空間格網結構：適合點云小場景的顯示和快速加載，與數據本身無序的八叉樹結構相比，空間格網結構對網格化劃分的過程中完成了數據的結構化整理，更利于點云數據庫擴充或多時相點云數據的疊加。

1.2基于點云分層分塊的索引存儲

對于從大范圍場景的點云數據中提取、顯示其中某一局部區域點云，為滿足細部點云查看形象性及準確性要求,要求點云分塊需具備較小的粒度。常規的空間格網結構存儲機制將點云規則大小分塊，并直接將分塊點云存儲在一個個文件中,勢必產生大量分散的分塊文件，極大降低了點云數據索引的效率。以一組文件大小為116 G的點云實驗,其數據空間體積約為65 370 m3,如按1 m×1 m×1 m的空間格網分塊，將產生65 000余個分塊文件,每個文件大小介于1～2 048 MB之間。由于分塊文件數量巨大，尤其當涉及多個分塊文件需要同時讀取時，磁頭跳轉到MFT主文件表再跳轉回對應分塊文件所產生的時間開銷將是不容忽視的。

圖1　點云塊分割

為避免基于大量分塊文件進行點云數據索引而產生的性能損失，本文研究提出：對點云數據整體首先按點云數據的高程信息進行分層，并將分層結果存儲于不同文件，每個分層文件內部再按條帶劃分。如圖1所示，對一個點云區域按照如0.1 m的高程間隔、1 m的北方向間隔分割為點云條塊，將每一個點云條塊存儲為一個二進制文件，并將其條塊索引寫入SQL數據庫。

如圖2所示,每個分層文件內部的點云空間劃分為寬高一定的立方條帶，一般選擇點云覆蓋區域的短邊作為條帶方向的，以避免條帶內包含過多數據分塊。當點云區域范圍較大時，也可采用整體分塊的方法，對現有點云條帶按其垂直方向拆分如圖2所示的虛線分割區域A和B，是否分割與分割數量的多少與點云區域寬度、點云密度、機器性能均有關，可根據實際情況調節，實現由整體到局部，分層分塊的點云存儲機制。

圖2　分層分塊的點云存儲機制

本文算法選擇按“條帶”存儲的而不采用傳統的規則單元網格存儲的一個重要原因在于,“條帶”相當于可變分塊，更有利于多時相點云數據的疊加與查詢。如圖3所示,黃色部分為部分更新的點云數據,條帶存儲優勢在于可靈活的切割和組合多時相的數據,一定程度上減小了數據融合產生的空隙,這也是八叉樹結構存儲方式所無法比擬的。

圖3　多時相點云數據融合

經過條塊處理后的點云分塊，利用兩個表存儲其索引信息，以實現數據庫有序管理,需要存儲于數據表內的信息包括時相庫信息與分塊信息，如表1、表2所示。

表1　PCDDATE表結構

表2　PCDINDEX表結構

2基于實體模型索引的點云調度

基于海量激光點云分層分塊存儲機制以及索引信息的表格化管理，已實現點云數據庫的構建。應用程序直接向點云數據庫管理系統發送包含坐標范圍、時相標記和最大點云上限信息的請求并接受經過抽稀處理的點云顯示在窗口中，以完成面向實體對象的點云數據的快速讀取及調度，具體調度過程如圖4所示。

圖4　點云數據庫管理系統工作示意圖

點云數據庫管理系統接收到應用程序請求的坐標范圍與允許最大點云數量，以坐標范圍和勾選的時相庫為查詢條件從索引數據庫中提取分塊信息，經過時相分塊融合、調整，從分塊指向的數據塊地址從點云數據庫中提取坐標數據。在此過程中，應用動態抽稀技術，即在讀取過程中判斷數據大小，壓縮已讀入的數據并根據新的抽稀級別繼續讀取。最后，點云數據庫管理系統負責將抽稀后的坐標數組與實際使用的抽稀級別返回給調用程序。

以三維激光掃描技術應用于古建筑園林數字保護領域為例，原始掃描的點云是最重要的數字記憶檔案成果，除此之外其它成果形式還包括如圖5所示的基于點云測制的古建筑現狀測繪圖，以及圖6所示的在古建筑現狀測繪圖上進一步制作的具有可量測精度的三維實體模型。與一般三維仿真模型不同,圖5所示的古建筑三維模型與其對應的三維激光掃描點云配準于同一坐標系下,并且模型經過了粒度細化處理，模型的每個部件為一個獨立對象Object，有助于分部件的數據調度分析以及古建筑結構的拆分模擬、查看。

圖5　古建筑現狀測繪圖

圖6　實體模型

本文研究基于Qt及OpenGL開發“古建筑園林三維激光專家科研系統”，在模型視圖中用戶可以選擇一組模型部件，根據選擇部件的包圍盒的坐標，在表1 PCDINDEX塊索引數據表中檢索到對應點云所在的點文件，根據表中記錄的起始偏移量OFFSET快速找到點云，并在點云視圖中加載顯示,如圖7所示。

圖7　基于實體模型索引快速調度點云

3實驗與結論

本文研究基于上述海量激光點云分塊存儲及實體模型索引，自主研發了“古建筑園林三維激光專家科研系統”，實現海量點云數據的有序管理與快速調度。系統在Qt 4.8.4(MinGW)編譯環境下結合OpenGL研發實現，主要硬件配置條件為Intel Core2 P8600 2.40 GHz CPU,4 G內存,500 GB機械硬盤,Nvidia Quadro NVS 160 M顯卡。

實驗點云數據由奧地利RIEGL VZ-400長距離脈沖式激光掃描儀采集，掃描對象為廣東清代四大名園之一的東莞市可園博物館古建筑群。掃描面積約2 200 m2，掃描設站738個，利用GDCORS-RTK布設控制點11個、測量站心點135個和特征點216個。入庫點云總點數為52億，總容量為116 G。

隨機選擇了10組基于實體模型的點云數據樣本，進行快速調度的效率測試，測試結果如表3所示。

表3　點云調度效率測試結果

根據表3測試結果，本文提出的基于實體模型索引的海量激光點云分塊存儲工作機制在所研發的“古建筑園林三維激光專家科研系統”的點云調度中具有良好表現，其簡潔的數據結構有助于點云調度時省去了構建復雜搜索樹的過程，尤其對于小范圍、高密度的點云調度任務表現極佳。

三維激光掃描技術的日益進步帶動了點云數據量級的不斷攀升，也給點云數據管理及優化處理不斷帶來新的挑戰。本文研究提出了針對海量激光點云數據的分層存儲與塊索引的數據庫管理方法，基于研發的點云專家科研系統的實踐，推動了古建筑園林海量點云數據集約化管理水平，具有一定的科研及實用價值。

參考文獻：

[1]張毅,閆利.地面激光點云強度噪聲的三維擴散濾波方法[J].測繪學報,2013,42(4):568-580.

[2]王晏民，郭明.大規模點云數據的二維與三維混合索引方法[J].測繪學報,2012,41(4):605-612.

[3]龔俊，柯勝男，朱慶，等.一種八叉樹和三維R樹集成的激光點云數據管理方法[J].測繪學報,2012,41(4):597-604.

[4]龔俊，朱慶，張葉廷，等.顧及多細節層次的三維樹索引擴展方法[J].測繪學報,2011,40(2):249-255.

[5]吳靜，靳奉祥，王健.基于三維激光掃描數據的建筑物三維建模[J].測繪工程，2007，16(10)：57-60.

[6]劉旭春，丁延輝.三維激光掃描技術在古建筑保護中的應用[J].測繪工程，2006，15(1):48-49.

[7]張芯，李廣云，王力，等.基于HDFS的海量激光點云數據分塊存儲方法研究[J].測繪通報,2014(3):21-24.

[8]曹啟華，鄧雪清.基于金字塔模型的規則格網數據可視化交互編輯[J].測繪科學技術學報,2007,24(6):427-431.

[9]張巧英,陳浩,朱爽.密度聚類算法在連續分布點云去噪中的應用[J].地理空間信息,2011,9(6):101-104.

[10] 曹彤，劉臻.用于建立三維的八叉樹編碼壓縮算法[J].中國圖象圖形學報,2002,7(1):50-54.

[11] 路明月，何永健.三維海量點云數據的組織與索引方法[J].地球信息科學,2008,10(2):190-194.

[12] 謝洪，吳博義，趙展.一種新的海量點云數據管理方法研究[J].遙感信息,2013,28(6):26-32．

[責任編輯：劉文霞]

On the big data laser point cloud block storage based on object model index

SONG Yang1，LI Changhui1,SONG Shuang2

(1.Guangzhou Urban Planning Design and Survey Research Institute，Guangzhou 510060,China;2.State Key Laboratory of Information Engineering in Surveying,Mapping and Remote Sensing,Wuhan University,Wuhan 430079,China)

Abstract：Three-dimensional laser scanning technology has become more progressive,bringing new challenges to efficiently handle massive point cloud.In this paper,how to quickly dispatch point cloud from the big scene,by referencing the idea of space grid structure,it proposes a massive point cloud stratification variable length,slitting tape storage mechanism,achieving a rapid scheduling model based on entity indexes laser point clouds and three-dimensional model.

Key words：point cloud；layered；object model；quick dispatch；space grid

中圖分類號：TP391.41

文獻標識碼：A

文章編號：1006-7949(2016)04-0007-04

作者簡介：宋楊(1979-),女，高級工程師，注冊測繪師，博士.

基金項目：廣州市測繪與地理信息重點工程技術研究開發中心(11G0041)

收稿日期：2015-03-13;修回日期：2015-04-21