海量车载激光扫描点云数据的快速可视化方法

海量车载激光扫描点云数据的快速可视化方法

激光扫描系统能够直接获取被测目标表面的三维空间坐标，具有采样密度高、点云分

布密集等特点，正逐渐成为三维空间信息快速获取的主要手段之一，被广泛应用于文物保护、三维重建、数字地面模型生产、城市规划等领域[1]。现代车载激光扫描系统，通常

安装多个激光扫描头采集三维点云数据，如Optech公司的LYNX系统，Riegl公司的VMX-450系统。车载激光扫描系统沿着某一轨迹采集数据，多个高频采样激光头数据相互叠加，产生海量三维点云数据，其数据量随着轨迹的延长而线性增加。例如，VMX-450系统在约

一个小时内，可获取40 km左右长度的点云数据，数据量高达1 TB。对于车载激光扫描系统采集的海量三维点云数据，单在数据量方面即对后续数据处理(如点云滤波、分割，目

标识别，三维重建和可视化等)带来巨大的挑战。为实现海量点云数据的空间分析及可视化，需要实时、高效地完成点云数据的调度和查询工作。空间数据的调度，关键在于数据

的索引与检索，索引的性能优劣直接影响到系统的效率和分析能力。因此，如何建立合理

的空间索引机制，是解决海量空间数据组织和快速调度的关键问题。许多标志性索引方法

已被广泛应用于空间数据的检索、查询、存储以及管理，如四叉树[2]、R树[3, 4]、R*

树[5]和八叉树[6]等。

在地理信息系统中，支持二维空间数据的索引方法已非常成熟。但是，随着三维点云

数据的广泛应用，迫切需要在虚拟地理环境下可视化全部三维点云数据。在三维点云数据

可用性不断增强的驱动下，出现了一些具有可视化和三维点云数据管理功能的商业软件[7, 8]。然而，Quick Terrain Reader、Point Tools等商业点云处理软件对载入点云数据量有严格限制，不支持车载海量激光点云数据的实时三维可视化，从而引发了完善三维

激光点云数据空间索引方法的热潮。

R树或R*树的每个子块包含一个对象，这些子块可以彼此重叠。文献[9]提出利用三

维 R 树结构管理虚拟环境下的三维建筑物。文献[10]提出使用三维 R 树结构快速索引激

光点云数据。但是，如何有效解决R 树子块重叠是三维点云数据管理尚未解决的问题。四叉树索引是一种基于树的空间索引，它按照一定的规则，将已知范围的空间递归地均分成

4个部分，直到每个子块满足条件为止[11]。文献[12]提出了一种基于四叉树的三维点云

渲染方法，此方法在假设连续点属于同一条扫描线的前提下，只存储每个叶子节点内的点

的位置以节省存储空间。但是，这种方法无法对多扫描仪获取的无序点云建立索引。八叉

树作为四叉树的3D扩展亦被广泛应用于三维数据索引。文献[13]提出了基于八叉树的三

维点云数据的多尺度可视化方法。文献[14]提出了一种开源的八叉树点云数据索引标准数

据格式，并测试其在海量点云特征提取算法方面的适用性。文献[15]通过哈希表数据结构

优化八叉树结构，实现三维点云数据的快速检索。文献[16]设计了一种基于外存的多分辨

率数据结构，实现了海量点云数据的实时可视化与交互编辑。一般情况下，基于八叉树

的树结构比较适合处理三维点云数据，并且该方法有现行开源标准数据格式[14]。但是，

对车载激光扫描系统采集的三维数据使用八叉树索引具有分布不均等缺点，会出现大量空

的叶节点。这直接造成了点云存储空间的低利用率，并且增加了空间数据查询的复杂度。

相比四叉树结构，八叉树结构需要更多的存储空间，更难实现。快速检索算法通常需要耗

费较大的存储空间，在时间和空间之间不能保持一个合理的平衡。KD树索引在邻域查找效率方面优于八叉树、四叉树以及R 树、R*树索引结构，常被用于单个激光点相邻区域点云数据查找，但对于海量点云数据存储管理与实时可视化，其邻域关系的重建将耗费大量的

计算资源，整体效率低于八叉树索引结构[14, 17]。

本文提出了一种基于内外存调度的海量三维点云数据管理与实时可视化方法，用户在

台式计算机或网络环境下可以流畅地检索和可视化三维点云。由于区域四叉树是最重要、

应用最广泛的四叉树表示法[18]，对几何空间的划分没有重叠，通过特定的编码可以快速

查找几何区域所在的行列，同时还可以根据空间对象的稠密程度来确定空间数据的分辨率。因此，本文在解决海量三维激光点云数据的可视化时，采用双层区域四叉树方法对数据建

立索引，实现海量激光点云数据的管理与动态调度。

1 内外存调度的海量点云可视化区域四叉树是将有边界的几何空间划分为连续的4个

相同大小的区域，递归划分该区域为4个相同大小的较小的区域，直到得到的区域仅包含

一个几何对象(见图 1)。若被划分区域根据相应的判别条件被判别为最小划分单元，那么

该区域将不再继续划分。

图 1 四叉树平面分割及其结构图Fig. 1 Quad-Tree Plane Segmentation and its Structure Diagram

图选项

激光扫描点云数据处理的首要步骤就是三维点云数据的检索和可视化。海量点云数据

处理的一个难点是如何克服台式计算机有限的内存存储空间。为实现三维点云数据的快速

可视化，本文提出的方案满足以下条件：

1) 利用高效的数据索引快速检索点云数据；

2) 将点云数据从外部磁盘动态加载到计算机的主存储器中；

3) 多细节层次(levels of detail,LoD)可视化三维点云。

1.1 三维点云的双层四叉树索引方法车载激光扫描系统采集的三维点云一般存储在

LAS文件中[19]，该文件记录每个激光点的坐标和强度。存储千万点级别的LAS文件可能

达到GB级。车载激光扫描系统通常沿着某一轨迹(街道、高速公路等)采集三维点云。获

得的三维点云可能覆盖了一个较大的范围区域，而其中仅有一小部分区域包含点云数据

(见图 2)。

图 2 车载激光扫描系统采集的激光点云Fig. 2 A Snapshot of MMS Collecting Point Clouds

图选项