CN119850836A - 一种多线结构光三维重建帧点云实时去堆叠与融合方法 - Google Patents

Abstract

本发明提供了一种多线结构光三维重建帧点云实时去堆叠与融合方法，涉及线结构光三维重建技术领域。利用点云空间位置的分布特点，通过三维重建时多视角帧点云的位置建立全局网格结构，并对每一帧点云求解其对应的领域点集，根据邻域点的分布特点进行法线特征估计。根据全局网格结构检测点云重叠情况，对重叠的帧点云建立圆柱体邻域结构，通过对目标点与融合邻域点集的点云矢量方向加权和法向量特征实现点云融合。该算法能够满足三维重建中的系统稳定需求，提高了最终点云模型的质量，使得多线结构光三维重建的复杂环境测量适应性大大提高，有效提高了多线结构光三维重建精度。

Description

一种多线结构光三维重建帧点云实时去堆叠与融合方法

技术领域

本发明涉及线结构光三维重建技术领域，特别是涉及一种多线结构光三维重建帧点云实时去堆叠与融合方法。

背景技术

基于立体视觉原理的结构光扫描系统是获取物体三维表面数据的有效方法之一，广泛运用于逆向工程、生物医学、文物保护等领域，是实现工件尺寸测量、缺陷检测的重要途径。多线结构光扫描仪与其他三维扫描设备一样，虽然能够快速重建出物体表面，但由于其扫描视野有限，需要从不同视角采集物体的图像才能重建出完整的物体三维表面模型。因此，在扫描过程中需要将不同视角重建的点云与全局坐标系下的点云进行配准。为了使重建的模型更加完整，在重建时会对某个位置进行多次扫描，最终得到的激光点云模型不可避免地存在堆叠、冗余、分布不均匀等问题。并且在扫描测量大尺寸物体时，多视角点云数据的配准精度会随着配准次数的增加而降低，由于配准精度不足会导致点云模型存在局部分层线现象，如果直接把得到的点云构造面片化模型会造成模型表面存在较多的冗余面片，表面过于粗糙，且拼接痕迹明显。为了避免对同一个位置多次扫描拼接的点云影响，得到均一、光滑的点云模型，需要对点云模型进行融合处理。点云融合是三维重建的基础，不仅能将多层点云融合为单层点云数据来减少点云数据冗余，也能去除噪声干扰，得到特征不变、表面光顺的模型。

点云融合从处理方式上，可以分为多视角帧点云融合处理和整体点云模型后处理。整体点云模型后处理是在整个被测物体的扫描重建完成后，对整个点云模型进行融合得到均一、单层的点云模型。后处理方式难以考虑重建过程中的表面点云偏差，对表面厚度分布不均云的点云处理较困难，无法对点云表面进行有效且准确的补偿。

发明内容

为了克服现有技术的不足，本发明的目的是提供一种多线结构光三维重建帧点云实时去堆叠与融合方法。

为实现上述目的，本发明提供了如下方案：

一种多线结构光三维重建帧点云实时去堆叠与融合方法，包括：

获取待重建目标的激光点云数据并进行预处理，得到预处理后的激光点云数据；

根据所述激光点云数据中首帧点云三维坐标建立初始网络结构；

利用所述激光点云数据中后续帧点云在所述初始网络结构上进行点云归类和网络结构拓展得到最终网络结构并根据所述最终网络结构确定公共网格和公共网格中帧点云与总点云的索引；

根据所述公共网络中的目标点建立对应的领域网络结构；

基于所述对应的领域网络结构，搜索目标点所在中心网格及其在x、y、z轴方向上的八邻域网格点云，形成目标点的邻域点集；

根据邻域点集和主成分分析法对根据所述目标点进行法向估计并进行法线二向性消除得到优化后的法向量；

根据所述优化后的法向量确定目标点的冗余点并进行冗余点剔除，得到剔除后的激光点云数据；

根据所述剔除后的激光点云数据建立目标点的圆柱体邻域；

根据所述圆柱体领域对所述目标点进行优化迭代，得到融合点云。

优选地，所述根据所述激光点云数据中首帧点云三维坐标建立初始网络结构，包括：

根据首帧点云的三维坐标，计算所述首帧点云的最大坐标和最小坐标，得到首帧点云的空间包围盒；

计算点云的平均点间距；

根据所述平均点间距计算网格边长；

根据伸缩式网格边长和所述空间包围盒跟对中心坐标进行编号，得到初始网络结构。

优选地，所述利用所述激光点云数据中后续帧点云在所述初始网络结构上进行点云归类和网络结构拓展得到最终网络结构并根据所述最终网络结构确定公共网格，包括：

计算后续帧点云到所述初始网络结构的中心点欧氏最小距离；

根据所述中心点欧氏最小距离判断所述后续帧点云是否超出所述初始网络结构的范围，得到判断结果，若所述判断结果为是，则对当前对应的点云进行存储，若所述判断结果为否，则对当前的点云进行网络结构的拓展，以得到公共网络。

优选地，所述根据邻域点集和主成分分析法对根据所述目标点进行法向估计并进行法线二向性消除得到优化后的法向量，包括：

根据所述目标点计算所述领域点集中预设点的质心；

根据所述质心与所述领域点集中的预设点构建对应的协方差矩阵；

采用奇异值对所述协方差矩阵进行分解得到特征值和特征向量；

根据所述特征值和特征向量得到所述目标点的法向量；

对所述目标点的法向量进行二向性消除，得到优化后的法向量。

优选地，所述根据所述优化后的法向量确定目标点的冗余点并进行冗余点剔除，得到剔除后的激光点云数据，包括：

根据所述优化后法向量和领域点集中预设点对应的法向量计算得到对应的方向矢量；

计算得到方向矢量和所述优化后法向量及其预设点对应的法向量的夹角，得到第一夹角和第二夹角；

根据所述第一夹角和所述第二夹角的角度差确定冗余点并进行剔除得到剔除后的激光点云数据。

优选地，所述根据所述剔除后的激光点云数据建立目标点的圆柱体邻域，包括：

利用领域点集对应的冗余点集对所述剔除后的激光点云数据中目标点的法向量进行修正，得到修正法向量；

计算所述目标点沿着近似修正法向量在正、负方向上的投影点，确定圆柱体上下表面的圆心坐标；

根据预设的圆柱体参数和所述圆心坐标确定圆柱体邻域。

优选地，所述根据所述圆柱体领域对所述目标点进行优化迭代，得到融合点云，包括：

确定冗余参考点；

根据所述冗余参考点对所述目标点进行优化迭代，得到融合点位置；

根据所述融合点位置得到所述融合点云。

优选地，所述冗余参考点的表达式为：

其中，p_i为目标点、p_j为邻域点、v_ij为方向矢量，d_i与d_j分别为v_ij在p_i和p_j法线方向上的前向投影长度，p_c为冗余参考点。

本发明公开了以下技术效果：

本发明提供了一种多线结构光三维重建帧点云实时去堆叠与融合方法，包括：获取待重建目标的激光点云数据并进行预处理，得到预处理后的激光点云数据；根据所述激光点云数据中首帧点云三维坐标建立初始网络结构；利用所述激光点云数据中后续帧点云在所述初始网络结构上进行点云归类和网络结构拓展得到最终网络结构并根据所述最终网络结构确定公共网格和公共网格中帧点云与总点云的索引；根据所述公共网络中的目标点建立对应的领域网络结构；基于所述对应的领域网络结构，搜索目标点所在中心网格及其在x、y、z轴方向上的八邻域网格点云，形成目标点的邻域点集；根据邻域点集和主成分分析法对根据所述目标点进行法向估计并进行法线二向性消除得到优化后的法向量；根据所述优化后的法向量确定目标点的冗余点并进行冗余点剔除，得到剔除后的激光点云数据；根据所述剔除后的激光点云数据建立目标点的圆柱体邻域；根据所述圆柱体领域对所述目标点进行优化迭代，得到融合点云。本发明根据点云的空间分布特点，建立了全局网格化结构和圆柱体融合领域，提出一种基于法线约束和点云方向矢量加权的多线结构光三维重建多视图帧点云实时融合算法。该算法实现了对多线结构光点云进行去噪与分类预处理，根据首帧点云空间包围盒建立空间全局网格结构，后续帧点云以点云的欧式距离在第一帧点云的空间结构上进行点云网格归类和网格结构拓展。根据全局网格结构获取每帧点云在累计重建的全局点云中的相对位置，将单帧点云中归类到已存在点云的网格内的点进行融合处理。在融合过程中建立了3×3×3网格结构，获取公共网格内的当前帧点云和累计重建的全局点云，将得到的全局点云作为待融合点的特征估计邻域点集。最后在领域点集内建立待融合点的空间圆柱体结构，在圆柱邻域内实现基于点云方向矢量引导的点云法向融合。本发明有效减少了点云融合算法的资源消耗，提高融合效率。能够使重建得到物体点云模型点云分布均匀，对整体点云密度具有良好的调整效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种多线结构光三维重建帧点云实时去堆叠与融合方法流程图；

图2为本发明的中心网格3×3×3结构邻域点云搜索示意图；

图3为本发明的目标点冗余点集确定与圆柱体邻域建立示意图；

图4为本发明的文物扫描重建融时合前后点云效果示意图；

图5为本发明的圆柱扫描重建时融合前后点云效果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供了一种多线结构光三维重建帧点云实时去堆叠与融合方法，包括：

步骤100：获取待重建目标的激光点云数据并进行预处理，得到预处理后的激光点云数据；

具体的，利用双目多线结构光三维重建系统进行重建获取激光数据，并对多线结构光点云进行去噪与分类预处理：

点云预处理包括对扫描得到对多线结构光点云进行去噪与分类预处理；针对提取出的激光线点云排列不规则，单条激光线中存在少量孤点和低点数点云簇的问题，采用欧式聚类算法去除点云簇中点数过低的点云，保留连续性较高的点云。

步骤200：根据所述激光点云数据中首帧点云三维坐标建立初始网络结构；

步骤300：利用所述激光点云数据中后续帧点云在所述初始网络结构上进行点云归类和网络结构拓展得到最终网络结构并根据所述最终网络结构确定公共网格和公共网格中帧点云与总点云的索引；

步骤400：根据所述公共网络中的目标点建立对应的领域网络结构；

步骤500：基于所述对应的领域网络结构，搜索目标点所在中心网格及其在x、y、z轴方向上的八邻域网格点云，形成目标点的邻域点集；

步骤600：根据邻域点集和主成分分析法对根据所述目标点进行法向估计并进行法线二向性消除得到优化后的法向量；

步骤700：根据所述优化后的法向量确定目标点的冗余点并进行冗余点剔除，得到剔除后的激光点云数据；

步骤800：根据所述剔除后的激光点云数据建立目标点的圆柱体邻域；

步骤900：根据所述圆柱体领域对所述目标点进行优化迭代，得到融合点云。

进一步的，如图2所示，所述根据所述激光点云数据中首帧点云三维坐标建立初始网络结构，包括：

根据首帧点云的三维坐标，计算所述首帧点云的最大坐标和最小坐标，得到首帧点云的空间包围盒；

计算点云的平均点间距；

根据所述平均点间距计算网格边长；

根据伸缩式网格边长和所述空间包围盒跟对中心坐标进行编号，得到初始网络结构。

具体的，根据首帧点云的空间位置求解包围盒，并建立空间全局网格结构；

后续帧点云以点云的欧式距离在第一帧点云的空间结构上进行点云网格归类和网格结构拓展。

对首帧点云建立全局网格结构的方法具体为：

根据首帧点云的三维坐标，计算出点云的最大坐标和最小坐标，得到点云的空间包围盒：

V＝{(x_min,y_min,y_min),(x_max,y_max,y_max)}；

根据点云中相邻点的平均距离设定网格边长、点云总点数、坐标等参数计算平均距离d_avg，取d_avg的整数倍k作为网格边长；

根据确定的点云边长L，确定点云在空间上x轴、y轴、z轴方向上的，最小包围盒以网格中心坐标进行编号为V(v_i,v_j,v_k)。

进一步的，所述利用所述激光点云数据中后续帧点云在所述初始网络结构上进行点云归类和网络结构拓展得到最终网络结构并根据所述最终网络结构确定公共网格，包括：

计算后续帧点云到所述初始网络结构的中心点欧氏最小距离；

根据所述中心点欧氏最小距离判断所述后续帧点云是否超出所述初始网络结构的范围，得到判断结果，若所述判断结果为是，则对当前对应的点云进行存储，若所述判断结果为否，则对当前的点云进行网络结构的拓展，以得到公共网络。

具体的，判断该当前帧点云中各个三维点p_i(x_i,y_i,z_i)与全局网格结构中心坐标(v_i,v_j,v_k)的欧式距离最小距离d_i，对帧点云内距离满足d_i＜L的点归类到网格中心坐标为(v_i,v_j,v_k)的网格索引中；

遍历所有已存在点云的网格，对不满足所有网格中心距离约束的点进行网格结构拓展和存储；设第一帧的空间包围盒坐标为后续帧的空间包围盒坐标为为保证空间网格结构的连续性、统一性，将以第一帧包围盒最小坐标为空间网格起始基点。

进一步的，所述根据邻域点集和主成分分析法对根据所述目标点进行法向估计并进行法线二向性消除得到优化后的法向量，包括：

根据所述目标点计算所述领域点集中预设点的质心；

根据所述质心与所述领域点集中的预设点构建对应的协方差矩阵；

采用奇异值对所述协方差矩阵进行分解得到特征值和特征向量；

根据所述特征值和特征向量得到所述目标点的法向量；

对所述目标点的法向量进行二向性消除，得到优化后的法向量。

具体的，根据全局网格结构获取每帧点云在累计重建的全局点云中的相对位置，获取具有重叠点云的网格以及重叠网格的邻域网格点云；

根据单帧点云的目标点所在领域点集估计邻域点云的法向量，并进行法向量的二向性消除。

获取当前帧点云在累计重建的全局点云中的相对位置以及邻域点云的方法具体为：当前网格在某一帧点云数据添加进来后，如果后续帧点云也归并到该网格，则该网格可能有冗余点云产生，视为待融合区域；以待融合区域的网格为中心，建立中心网格的3×3×3结构；从中心网格开始，在x轴、y轴、z轴的正、负方向上逐层查找八邻域网格组成最邻近的体素网格结构，以3×3×3网格内的总点云作为目标点p_i(x_i,y_i,z_i)的邻域法向特征估计点云集合

标记全局网格结构和中心网格邻域搜索结果，第i帧点云集合为帧点云中属于已存在点云的公共网格内的点云集合为帧点云中属于新增的点云集合为

三维重建累计的总点云集合为S_global，邻域搜索时确定公共网格内帧点云的目标点p_i(x_i,y_i,z_i)对应的位于同一网格内的总点云点集且根据中心网格3×3×3结构得到的点云集合，并满足关系

对目标点所在领域点云的法向特征估计与法向量二向性消除的具体办法为：

利用主成分分析法(PCA)估计目标点p_i(x_i,y_i,z_i)所在邻域点集的法向量特征，确定中各个点的法线；首先以目标点p_i(x_i,y_i,z_i)为中心，计算其k邻域内点p_j(x_j,y_j,z_j)的质心点然后根据邻域点与质心点构建k邻域内的协方差矩阵M，且协方差矩阵M为对称阵；最后采用奇异值分解求得M的特征值λ_r和特征向量v_r，矩阵M最小特征值λ₀对应的特征向量v₀即为p_i的法向量；

对初始估计得到的法向进行二向性消除，在多线结构光三维重建过程中，被重建物体始终正对扫描设备，由激光图像提取出的每一帧激光点云在相机坐标系下始终沿着相机的光心方向；因此得到的激光点云坐标与被测物体表面点云法向量的夹角β只有大于90°、小于90°和等于90°三种情况；对目标点p_i(x_i,y_i,z_i)对应的法向量为n_i(x_i,y_i,z_i)进行矫正；规定点云法向量n_i满足的β≥90°，当β＜90°时，令n_i＝-n_i，从而实现法向量的快速全局重定向。

进一步的，所述根据所述优化后的法向量确定目标点的冗余点并进行冗余点剔除，得到剔除后的激光点云数据，包括：

根据所述优化后法向量和领域点集中预设点对应的法向量计算得到对应的方向矢量；

计算得到方向矢量和所述优化后法向量及其预设点对应的法向量的夹角，得到第一夹角和第二夹角；

根据所述第一夹角和所述第二夹角的角度差确定冗余点并进行剔除得到剔除后的激光点云数据。

具体的，根据点云法向量对点云冗余情况进行估计，采用空间内目标点和近邻点的方向矢量与近邻点法向量在垂直方向上的投影确定目标点云的冗余点；根据目标点的近似法线方向求解目标点的圆柱体邻域结构。

进一步的，如图3-5所示，所述根据所述剔除后的激光点云数据建立目标点的圆柱体邻域，包括：

利用领域点集对应的冗余点集对所述剔除后的激光点云数据中目标点的法向量进行修正，得到修正法向量；

计算所述目标点沿着近似修正法向量在正、负方向上的投影点，确定圆柱体上下表面的圆心坐标；

根据预设的圆柱体参数和所述圆心坐标确定圆柱体邻域。

根据邻域点集的法向量特征和点云欧式距离加权求解目标点云的近似法线方向的方法具体为：

将PCA算法估计得到目标点的法向量n_i和邻域点p_j的法向量n_j；计算每个邻域点p_j和p_i的方向矢量v_j，分别求出v_j与n_i和n_j的夹角θ和α，并将角度差满足一定阈值的点均视为p_i的冗余点，判定准则如下。

根据邻域点集的法向量特征进行冗余点集圆域估计的方法具体为：

根据点云冗余邻域内的点集对目标点p_i的法向量n_i进行修正；

计算目标点沿着近似法线在正、负方向上的投影点，首先对目标点的法线方向向量进行单位化，根据圆柱体的高H计算出投影距离，可得到圆柱体上下表面的圆心坐标；

根据圆柱体的建立参数寻找点云集合位于圆柱体内的点集目标点位于圆柱体的质心位置，且上、下表面的圆形与目标点具有相同的法向量计算中每个点与目标点的方向矢量与集合距离d_j，和d_j，然后求方向矢量与目标点法向量的夹角θ，根据设定的圆柱体半径R和高H，当满足点云距离在目标点法向和切向的长度分别小于R和H时，判定为圆柱体内的点，其判定公式如下。

进一步的，所述根据所述圆柱体领域对所述目标点进行优化迭代，得到融合点云，包括：

确定冗余参考点；

根据所述冗余参考点对所述目标点进行优化迭代，得到融合点位置；

根据所述融合点位置得到所述融合点云。

具体的，确定邻域中的冗余参考点，计算圆柱体邻域点集中各点与目标点的方向矢量，并求出方向矢量与目标点法向量的夹角，角度最小时的邻域点作为目标点在对应邻域中的冗余参考点；

在目标点与参考点的方向上进行滑动迭代，求解冗余点迭代累计误差最小的点作为融合点。

确定邻域中的冗余参考点的方法具体为：

确定目标点在冗余邻域内的最近参考点，计算目标点p_i与邻域点p_j的方向矢量v_ij，求出v_ij在p_i和p_j法线方向上的前向投影长度d_i与d_j，|d_i-d_j|最小时的邻域点即为目标点的参考点p_c；

其中，p_i为目标点、p_j为邻域点、v_ij为方向矢量，d_i与d_j分别为v_ij在p_i和p_j法线方向上的前向投影长度，p_c为冗余参考点。

求参考点与目标点的方向矢量，将目标点在方向矢量上进行滑动迭代，当冗余点集与邻域内的非冗余点之间的向量角度差之和最小时，表示当前迭代位置与邻域位置具有相似的空间分布特征，将该点的位置作为融合后的新点。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种多线结构光三维重建帧点云实时去堆叠与融合方法，其特征在于，包括：

获取待重建目标的激光点云数据并进行预处理，得到预处理后的激光点云数据；

根据所述激光点云数据中首帧点云三维坐标建立初始网络结构；

利用所述激光点云数据中后续帧点云在所述初始网络结构上进行点云归类和网络结构拓展得到最终网络结构并根据所述最终网络结构确定公共网格和公共网格中帧点云与总点云的索引；

根据所述公共网络中的目标点建立对应的领域网络结构；

基于所述对应的领域网络结构，搜索目标点所在中心网格及其在x、y、z轴方向上的八邻域网格点云，形成目标点的邻域点集；

根据邻域点集和主成分分析法对根据所述目标点进行法向估计并进行法线二向性消除得到优化后的法向量；

根据所述优化后的法向量确定目标点的冗余点并进行冗余点剔除，得到剔除后的激光点云数据；

根据所述剔除后的激光点云数据建立目标点的圆柱体邻域；

根据所述圆柱体领域对所述目标点进行优化迭代，得到融合点云。

2.根据权利要求1所述的一种多线结构光三维重建帧点云实时去堆叠与融合方法，其特征在于，所述根据所述激光点云数据中首帧点云三维坐标建立初始网络结构，包括：

根据首帧点云的三维坐标，计算所述首帧点云的最大坐标和最小坐标，得到首帧点云的空间包围盒；

计算点云的平均点间距；

根据所述平均点间距计算网格边长；

根据伸缩式网格边长和所述空间包围盒跟对中心坐标进行编号，得到初始网络结构。

3.根据权利要求1所述的一种多线结构光三维重建帧点云实时去堆叠与融合方法，其特征在于，所述利用所述激光点云数据中后续帧点云在所述初始网络结构上进行点云归类和网络结构拓展得到最终网络结构并根据所述最终网络结构确定公共网格，包括：

计算后续帧点云到所述初始网络结构的中心点欧氏最小距离；

根据所述中心点欧氏最小距离判断所述后续帧点云是否超出所述初始网络结构的范围，得到判断结果，若所述判断结果为是，则对当前对应的点云进行存储，若所述判断结果为否，则对当前的点云进行网络结构的拓展，以得到公共网络。

4.根据权利要求1所述的一种多线结构光三维重建帧点云实时去堆叠与融合方法，其特征在于，所述根据邻域点集和主成分分析法对根据所述目标点进行法向估计并进行法线二向性消除得到优化后的法向量，包括：

根据所述目标点计算所述领域点集中预设点的质心；

根据所述质心与所述领域点集中的预设点构建对应的协方差矩阵；

采用奇异值对所述协方差矩阵进行分解得到特征值和特征向量；

根据所述特征值和特征向量得到所述目标点的法向量；

对所述目标点的法向量进行二向性消除，得到优化后的法向量。

5.根据权利要求1所述的一种多线结构光三维重建帧点云实时去堆叠与融合方法，其特征在于，所述根据所述优化后的法向量确定目标点的冗余点并进行冗余点剔除，得到剔除后的激光点云数据，包括：

根据所述优化后法向量和领域点集中预设点对应的法向量计算得到对应的方向矢量；

计算得到方向矢量和所述优化后法向量及其预设点对应的法向量的夹角，得到第一夹角和第二夹角；

根据所述第一夹角和所述第二夹角的角度差确定冗余点并进行剔除得到剔除后的激光点云数据。

6.根据权利要求1所述的一种多线结构光三维重建帧点云实时去堆叠与融合方法，其特征在于，所述根据所述剔除后的激光点云数据建立目标点的圆柱体邻域，包括：

利用领域点集对应的冗余点集对所述剔除后的激光点云数据中目标点的法向量进行修正，得到修正法向量；

计算所述目标点沿着近似修正法向量在正、负方向上的投影点，确定圆柱体上下表面的圆心坐标；

根据预设的圆柱体参数和所述圆心坐标确定圆柱体邻域。

7.根据权利要求1所述的一种多线结构光三维重建帧点云实时去堆叠与融合方法，其特征在于，所述根据所述圆柱体领域对所述目标点进行优化迭代，得到融合点云，包括：

确定冗余参考点；

根据所述冗余参考点对所述目标点进行优化迭代，得到融合点位置；

根据所述融合点位置得到所述融合点云。

8.根据权利要求7所述的一种多线结构光三维重建帧点云实时去堆叠与融合方法，其特征在于，所述冗余参考点的表达式为：

其中，p_i为目标点、p_j为邻域点、v_ij为方向矢量，d_i与d_j分别为v_ij在p_i和p_j法线方向上的前向投影长度，p_c为冗余参考点。