采用八叉树和OSG分页结点的海量点云三维可视化

采用八叉树和OSG分页结点的海量点云三维可视化李彩林; 陈文贺; 胡善明; 袁斌【期刊名称】《《计算机工程与应用》》【年(卷),期】2019(055)021【总页数】6页(P233-238)【关键词】八叉树; 均匀采样; OSG分页结点; 海量点云; 快速可视化【作者】李彩林; 陈文贺; 胡善明; 袁斌【作者单位】山东理工大学建筑工程学院山东淄博 255000【正文语种】中文【中图分类】TP3911 引言海量三维点云的可视化技术对于理解和传达空间信息以及分析和模拟结果至关重要[1-2]。

随着目标场景的不断增大和场景复杂度的不断升高，获得的数据量也不断增长，这对传统点云管理与可视化算法提出了挑战。

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管理和调度工作。

空间数据的管理，关键在于数据的索引。

目前，实现海量点云数据快速显示的有效方法是构建空间索引，常用的空间索引主要包括R树[3]、K-D树[4]、四叉树[5]和八叉树[6]等。

文献[7]针对高效海量点云数据的要求，提出一种基于Hilbert码和R树的二级索引方法，索引建立较为高效。

文献[8]针对海量机载LiDAR点云数据管理与可视化效率不高的问题，提出了一种四叉树和局部K-D树相结合的混合空间索引结构以及内外存结合的数据调度模式。

文献[9]建立了一种“非空”规则立方体网格和K-D 树相结合的双层次数据结构用于LiDAR点云组织管理，降低了结构冗余和提高索引效率。

上述方法一定程度上实现了海量点云高效索引的建立，但针对具有不同分辨率、分布和密度的三维点云，适用性不强，而八叉树结构的索引建立能力适用性较强[10]。

文献[11]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[12]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，但在内存占用方面需要进一步优化。

文献[13]通过数据分块降低海量数据的复杂性，并建立数据块的多分辨率结构，内存占用较小，但是建立八叉树索引时间较长。

文献[14]提出基于3D网格与哈希表的车载LiDAR 点云八叉树索引算法，建立索引时间较快，但需要把点云一次读入内存，对于海量数据，此方法显然并不适用。

针对以上问题，本文采用八叉树对海量点云进行划分，建立各层八叉树结点数据结构，然后研究一种点云分块处理、逐结点保存的文件映射机制将采样点云写到外存文件（八叉树结点文件），有效降低了内存的占用，同时提出一种从上往下的逐层均匀采样策略较好解决了文献[15-17]中因随机采样导致结果点云集出现空洞或不均匀问题以及该采样方法需要对数据结构（四叉树、K-D树、八叉树等）索引进行二次遍历导致的效率低问题。

在可视化阶段，针对八叉树结点文件结构与OSG 结构不兼容，对结点文件结构进行了重组织，然后利用基于OSG分页结点的实时调度技术，对海量点云进行高质量可视化。

本文算法总体流程图如图1所示。

图1 算法总体流程图2 海量点云的八叉树索引构建与文件组织采用八叉树索引结构对海量点云进行数据组织，然后利用基于多层3D网格的均匀采样方法建立各层级的八叉树结点点云数据。

同时为减小内存消耗，以内存中原始点云数量1 000万为分块依据，超过1 000万就将采样点云以文件映射的方式逐结点写到外存文件中。

点云八叉树构建与文件组织算法描述如下，具体算法流程如图2所示。

图2 点云八叉树划分与八叉树结点文件生成流程图输入：点云数据集。

输出：八叉树结点点云文件。

步骤1自动计算原始点云数据集合的最小外包围盒大小，得长、宽、高分别为X、Y、Z，同时确定八叉树最大深度Depth max=log8 N，N为点云总数。

步骤2根据原始点云最小外包盒大小计算最小采样距离，后续在每一层把最小采样距离依次减半；在实际使用中取经验公式minD=，λ为系数值，根据计算机硬件条件能够一次性加载并渲染的点云数量来确定，本文λ取值200。

步骤3遍历输入点云中所有点，根据2.1节介绍的均匀采样策略，获得一个点云子集，使得所有选定点之间的距离大于minD；将所选点保存在结点中，剩余点进入下一层。

步骤4将剩余点所在区域分割为8个子区域，并对每个子区域重复上述步骤2、步骤3（需要说明在步骤3中，遍历的输入点云是采样处理后的剩余点云），当内存中点云到达分块阈值时，采样点云就以文件映射的方式存入磁盘（见2.2节），直到八叉树深度大于Depth max时，八叉树索引建立结束。

为描述方便，本文采用八叉树划分二维简化图对上述点云数据划分进行图解，如图3所示。

2.1 均匀采样为解决随机采样策略容易导致结果点云集出现空洞和不均匀问题，本文提出一种均匀采样策略，采用虚拟3D网格结构结合点云距离判断能够保证八叉树每一层所选点分布比较均匀。

八叉树根结点采样过程描述如下：图3 八叉树划分二维简化图（1）确定虚拟3D网格（立方体）的单元边长。

取（最小采样距离）作为虚拟3D网格的单元边长。

（2）计算每个点对应的虚拟3D网格单元索引。

设原始点云中一点为P(X P,Y P,Z P)，其在网格中的三维索引为n X P,nY P,n Z P外包围盒的最小三维坐标分别为X min,Y min,Z min则索引计算公式为：（3）对原始点云进行均匀采样。

①根据步骤（2）确定当前点P对应的网格单元索引；②判断是否需存储点P：若P所在的网格单元cell0及其所有相邻的26个网格单元都没有包含点，则将P存储在cell0中；若P所在的网格单元cell0及相邻的26个网格单元中存储有点，则计算P i的距离li，仅当每个li均大于网格单元边长l0时，则P存入cell0，否则舍弃。

图4 采样点选择二维简化图如图4所示，P1,P2,P3对应的网格索引单元分别为cell1,cell2,cell3。

假定cell1及其周围网格单元初始都为空，将P1点存入cell1。

计算P1和P2的距离l12，图中l12>l0，则P2点存入cell2。

加入 P3时，计算P1和 P3的距离l13，图中l13＜l0，则P3点被舍弃。

对八叉树每一层子结点采样时，除上述过程外，还需要进行两点操作：（1）需把父结点使用的网格单元边长减半作为该层子结点的新3D虚拟网格单元边长；（2）需要在该层网格中额外加入父结点保存的点云进行距离判断，以确保采样可靠性，但父结点点云并不会保存到子结点中，以避免保存结果冗余。

实验数据为老鹰点云数据（如图5（a）所示），点个数为796 825，图5（b）和图5（c）分别为随机采样和均匀采样效果图，点数均为80 000。

由图5（b）和图5（c）对比可得出本文提出的均匀采样方法很好地解决了随机采样方法出现的结果点云数据出现的不均匀和空洞问题，且较好地保留了物体的轮廓。

图5 老鹰雕像点云及其采样方法比较在采样效率方面，文献[15-17]需先对点云构建索引，后根据索引以叶子结点内的点云为起点向上逐层随机采样，即该方式需要两次遍历索引，而本文方法则直接在构建八叉树索引的过程中以根结点为起点，采用由上向下的顺序对点云进行逐层均匀采样，仅需对索引的遍历一次提升了采样效率。

2.2 点云分块处理、逐结点保存在点云八叉树构建过程中，若直接将点云特别是海量点云一次性载入内存，会导致内存占用过高甚至超出内存容量以至于无法处理。

为此，本文研究一种点云分块处理、逐结点保存的文件映射机制有效减少了内存消耗。

（1）读入原始点云同时进行八叉树的构建，分配点云到八叉树各层结点，当处理到1 000万点云时，以此为分块阈值将采样点云逐结点以文件映射的方式写入磁盘临时文件夹temp，以结点名称作为文件名，如第一层八叉树结点，以r为文件名，第二层以r0，r1，……，第三层以r01，r02，……，依次类推。

（2）当结果点云写入磁盘后释放内存，继续读入原始点云，到1 000万时，再次输出保存，如果结果点云属于之前建立的某层八叉树结点文件，则直接将其保存至该结点文件，如果不属于之前建立的所有结点文件，则新建结点文件保存。

（3）当所有点云处理完毕，将temp文件夹中的八叉树结点文件统一转化为OSG 支持的多分辨率点云文件。

3 基于OSG分页结点的实时动态调度OpenSceneGraph（简称OSG）是一个基于工程图形标准OpenGL的高层次开发API接口，具备商业级别渲染能力的实时三维渲染引擎，在点云三维可视化中应用广泛。

本文利用OSG Paged LOD（Paged Level of Detail，分页细节层次结点，为描述方便，下文通称为分页结点）技术对基于OSG的多分辨率点云文件进行动态调度，取得较好的点云可视化效果。

3.1 支持OSG分页结点技术的多分辨率点云文件结构设计分页结点的基本思想是对一个物体根据不同场景的需要采用不同的精细程度进行描述，其主要有三种类型：离散分页结点、连续分页结点和层次分页结点[18]。

基于连续分页结点配合使用层次分页结点的方法是OSG点云可视化的基本方法。

在构建八叉树索引后，在输出的各层八叉树结点文件中，每个文件的结构是相同的，即每一行内容都对应每个点云的三维坐标和对应属性信息。

这种结构是不能直接提供给OSG渲染引擎使用的，因此需要转为适用于OSG支持的、格式为ive的多分辨率点云文件。

本文对八叉树结点文件结构进行重组织，八叉树结点文件数据结构形式和对应转化的基于OSG分页结点设计的多分辨率点云文件数据结构形式如图6所示。

图6 多分辨率点云文件数据结构重组织该数据结构以分页结点为主体分层组成，其组（Group）结点为初始结点；组结点和每个分页结点包含一个Geode结点用于存储几何（Geometry）结点；几何结点又分为两部分，原始集（PrimitiveSet）对象和顶点数组（VertexArray）对象，前者用于存储点云属性信息（如数量、颜色），后者用于存储实际的点云坐标数据。

3.2 数据动态调度流程在OSG中，采用OSGDB：：DatabasePager类来管理场景结点的动态调度，可满足海量点云数据动态调度的需要。

在不同的视域下，分页结点动态读取不同LOD的结点模型，实现分页LOD显示。

OSG中数据的动态调度过程可以分解为4个环节：删除过期场景数据、获取新的数据加载请求、编译加载的数据、将加载数据合并至场景图形。

数据动态调度流程如图7所示，具体内容请参考文献[19]。

图7 数据动态调度流程图4 实验与分析本文利用C++结合OSG实现了海量点云数据的索引快速建立与动态调度，并实现了场景绘制。

实验数据为山东某地形1.8亿激光扫描数据点。

实验环境为Intel Xeon（至强）E3-1220 v5（3.00 GHz）处理器、8 GB内存。

为验证算法性能，将本文方法与当前比较流行的点云数据处理软件LiDAR360和开源软件CloudCompare在索引建立和数据浏览两方面进行对比分析。