謝 洪，胡曉斌，龔 珣

(1. 武漢大學(xué)測(cè)繪學(xué)院，湖北 武漢 430079； 2. 武漢市測(cè)繪研究院博士后創(chuàng)新實(shí)踐基地，湖北 武漢 430022)

一種聯(lián)合瓦片索引的車載海量點(diǎn)云數(shù)據(jù)管理方法

謝 洪1,2，胡曉斌1，龔 珣1

(1. 武漢大學(xué)測(cè)繪學(xué)院，湖北 武漢 430079； 2. 武漢市測(cè)繪研究院博士后創(chuàng)新實(shí)踐基地，湖北 武漢 430022)

為了高效支持大范圍車載移動(dòng)激光掃描海量點(diǎn)云數(shù)據(jù)的可視化及后續(xù)處理，提出了一種聯(lián)合全球統(tǒng)一劃分瓦片索引的車載海量點(diǎn)云管理與調(diào)度方法。在分析車載點(diǎn)云空間分布特性基礎(chǔ)上，有機(jī)聯(lián)合瓦片索引及隨機(jī)采樣八叉樹等空間索引結(jié)構(gòu)，建立了一套面向海量車載移動(dòng)掃描點(diǎn)云的高效管理及調(diào)度機(jī)制。試驗(yàn)證明，該方法能夠高效支持大范圍海量車載點(diǎn)云數(shù)據(jù)的調(diào)度、交互及動(dòng)態(tài)更新等過程，并能夠有效地支撐分割、分類等后處理過程。

車載移動(dòng)掃描；海量點(diǎn)云數(shù)據(jù)；瓦片索引；管理與動(dòng)態(tài)調(diào)度

通過三維激光掃描技術(shù)獲取目標(biāo)高精度、高密度的表面幾何及紋理信息目前已逐漸成為測(cè)繪及相關(guān)領(lǐng)域所廣泛使用的一種技術(shù)手段，而其中車載移動(dòng)激光掃描技術(shù)能夠通過靈活集成激光掃描儀、GPS及IMU等多類型傳感器[1]，快速獲取如公路、隧道、鐵路等大范圍長(zhǎng)距離目標(biāo)及其周邊場(chǎng)景的密集三維點(diǎn)云數(shù)據(jù)，在道路測(cè)量與資產(chǎn)管理[2]、軌道交通[3]、城市模型重建[4]等領(lǐng)域正取得越來(lái)越重要的應(yīng)用。目前，在點(diǎn)云相關(guān)應(yīng)用及研究中，點(diǎn)云分割與分類[5]、興趣目標(biāo)提取識(shí)別[6]及目標(biāo)模型重建[7- 8]是國(guó)內(nèi)外學(xué)者主要研究關(guān)鍵及熱點(diǎn)問題。但需要注意的是，隨著研究區(qū)域及掃描場(chǎng)景的不斷擴(kuò)大、掃描傳感器性能的不斷提升，車載移動(dòng)掃描每千米數(shù)據(jù)達(dá)到GB級(jí)，街區(qū)尺度下的數(shù)據(jù)可達(dá)到數(shù)十至幾百GB級(jí)，給現(xiàn)有處理算法帶來(lái)了數(shù)據(jù)適應(yīng)性和效率問題。因此，為了能夠有效地支持車載點(diǎn)云的后續(xù)處理過程，建立高效的車載海量點(diǎn)云管理和動(dòng)態(tài)調(diào)度機(jī)制用于支撐后處理過程中的查詢及動(dòng)態(tài)更新等過程是首要核心問題。

目前，針對(duì)海量點(diǎn)云數(shù)據(jù)的管理研究，主要集中在針對(duì)機(jī)載及地面靜態(tài)掃描點(diǎn)云數(shù)據(jù)的索引組織及內(nèi)外存調(diào)度策略兩個(gè)方面。文獻(xiàn)[9—12]中利用外存或數(shù)據(jù)庫(kù)提出了幾種不同的點(diǎn)云管理方法，但只針對(duì)數(shù)據(jù)可視化或流數(shù)據(jù)處理方式，難以滿足交互及更新處理需求。文獻(xiàn)[13]針對(duì)機(jī)載點(diǎn)云提出了一種利用順序四叉樹的數(shù)據(jù)組織方法，較好實(shí)現(xiàn)了自適應(yīng)點(diǎn)云繪制問題，但四叉樹不能較好顧及車載點(diǎn)云的三維空間特性。文獻(xiàn)[9]利用關(guān)系數(shù)據(jù)庫(kù)結(jié)合二三維混合索引研究了一種以靜態(tài)掃描各站點(diǎn)云為管理單元的索引方法，難以適用于車載連續(xù)掃描條件下的點(diǎn)云組織管理。文獻(xiàn)[14]利用隨機(jī)八叉樹提出了一種支持點(diǎn)云高效動(dòng)態(tài)更新的方法，能夠解決小區(qū)域高密度海量點(diǎn)云數(shù)據(jù)組織問題，但對(duì)于車載城市尺度下線狀分布的掃描點(diǎn)云數(shù)據(jù)，會(huì)造成索引深度過大或不均衡樹而導(dǎo)致調(diào)度及更新效率仍難以滿足實(shí)際需求。文獻(xiàn)[15]針對(duì)車載點(diǎn)云利用3DOR樹提出了一種多細(xì)節(jié)層次點(diǎn)云數(shù)據(jù)組織方法問題，保證了良好的空間適應(yīng)性和利用率，但R樹結(jié)構(gòu)構(gòu)建過程相對(duì)復(fù)雜，且不利于索引節(jié)點(diǎn)的線性編碼存儲(chǔ)及查詢過程。

分層瓦片索引是目前國(guó)內(nèi)外通用的一種網(wǎng)絡(luò)地圖索引方式，同時(shí)也是TMS、WMTS等國(guó)際通用地圖服務(wù)標(biāo)準(zhǔn)協(xié)議中的核心內(nèi)容，能夠高效支撐區(qū)域級(jí)至全球范圍的多分辨率柵格數(shù)據(jù)的LOD調(diào)度。為有效支撐大范圍海量車載掃描點(diǎn)云的管理與調(diào)度，在車載點(diǎn)云分布特性及處理需求分析基礎(chǔ)上，本文提出一種聯(lián)合瓦片索引及隨機(jī)八叉樹結(jié)構(gòu)的海量點(diǎn)云數(shù)據(jù)管理方法，并設(shè)計(jì)合理的索引結(jié)構(gòu)存儲(chǔ)方法及自適應(yīng)LOD調(diào)度與更新機(jī)制，能夠有效支撐車載海量點(diǎn)云的后續(xù)處理過程。

1 車載海量點(diǎn)云數(shù)據(jù)索引及存儲(chǔ)策略

從車載點(diǎn)云數(shù)據(jù)特征及調(diào)度與處理分析需求來(lái)看：①車載點(diǎn)云數(shù)據(jù)主要包括目標(biāo)表面離散三維坐標(biāo)、強(qiáng)度、時(shí)間等信息，包含豐富高程信息，但平面分布沿軌跡呈線性分布。另外，點(diǎn)云是車載激光掃描的主要輸出數(shù)據(jù)，在平均采樣間隔為3 cm條件下每千米采樣點(diǎn)約為3500萬(wàn)，las格式的文件大小約為1 GB，普通街區(qū)下點(diǎn)云數(shù)據(jù)量可達(dá)幾十GB。②在處理過程中，除了需要支持高效率的海量點(diǎn)云自適應(yīng)LOD調(diào)度外，還需要有效支持基于車載點(diǎn)云的交互測(cè)圖、分割與分類等后處理過程中的交互查詢、原始las調(diào)度、動(dòng)態(tài)更新等過程。

1.1 海量點(diǎn)云索引與組織策略

在深入理解車載點(diǎn)云數(shù)據(jù)可視化及處理需求的基礎(chǔ)上，本文提出的車載點(diǎn)云數(shù)據(jù)索引與組織策略如圖1所示。

圖1 點(diǎn)云索引與組織策略

在圖1的組織結(jié)構(gòu)中，針對(duì)車載點(diǎn)云數(shù)據(jù)的聯(lián)合管理，其核心策略是：以瓦片多級(jí)金字塔為基礎(chǔ)索引，選定某一個(gè)適合的層級(jí)對(duì)掃描點(diǎn)云數(shù)據(jù)進(jìn)行區(qū)塊劃分，并在區(qū)塊內(nèi)對(duì)分段點(diǎn)云構(gòu)建隨機(jī)八叉樹LOD索引[14]。索引構(gòu)建流程如圖2所示。

圖2 點(diǎn)云索引構(gòu)建流程

具體組織方法策略闡述如下：

(1) 全球統(tǒng)一瓦片索引結(jié)構(gòu)：將全球的坐標(biāo)范圍(經(jīng)度-180°～180°，緯度-90°～90°)劃分為不同級(jí)別的瓦片，下一級(jí)瓦片的大小是上一級(jí)的1/4，0級(jí)瓦片大小為9°×9°，n級(jí)瓦片大小為(9/2n)°×(9/2n)°。瓦片數(shù)據(jù)可以通過瓦片坐標(biāo)(瓦片層級(jí)，瓦片行號(hào)，瓦片列號(hào))來(lái)進(jìn)行快速索引。

(2) 車載點(diǎn)云分段與構(gòu)建分段索引：由于車載點(diǎn)云沿車載軌跡連續(xù)線性分布，而且在其解算或后期處理過程中一般需要分段處理。為此，在車載點(diǎn)云索引組織過程中，本文提出并采用一種沿POS軌跡進(jìn)行測(cè)段劃分并針對(duì)每個(gè)測(cè)段進(jìn)行隨機(jī)八叉樹LOD結(jié)構(gòu)構(gòu)建的方法，實(shí)現(xiàn)海量車載點(diǎn)云數(shù)據(jù)的二級(jí)調(diào)度。沿POS軌跡的測(cè)段劃分如圖3所示(內(nèi)部小矩形表示在車載點(diǎn)云處理過程中的按照點(diǎn)數(shù)約束輸出的單個(gè)無(wú)組織點(diǎn)云文件，外部大矩形表示對(duì)POS軌跡按長(zhǎng)度(一般約為1 km)并根據(jù)軌跡尋找其所屬的多個(gè)點(diǎn)云文件的劃分結(jié)果。

圖3 沿POS軌跡的點(diǎn)云測(cè)段劃分

(3) 瓦片索引關(guān)聯(lián)點(diǎn)云分段索引：該過程主要將分段點(diǎn)云索引與某個(gè)固定層級(jí)的某個(gè)瓦片進(jìn)行關(guān)聯(lián)對(duì)應(yīng)，其目的主要是聯(lián)合瓦片索引及點(diǎn)云分段索引形成二級(jí)調(diào)度框架。若軌跡每段長(zhǎng)度近似為1 km，則其對(duì)應(yīng)瓦片層級(jí)為10層，可按式(1)進(jìn)行近似估計(jì)(即該層級(jí)瓦片邊界長(zhǎng)度等于軌跡長(zhǎng)度，Lpos表示軌跡長(zhǎng)度；Nlayer表示瓦片層級(jí)數(shù))

(1)

在確定層級(jí)后，選擇與分段點(diǎn)云的二維外包盒相交面積最大的瓦片作為該點(diǎn)云的索引瓦片，并設(shè)置該瓦片的關(guān)聯(lián)標(biāo)識(shí)為1。通過實(shí)現(xiàn)瓦片與點(diǎn)云索引數(shù)據(jù)的對(duì)應(yīng)，以提高后期索引調(diào)度及處理效率。

1.2 基于多級(jí)文件目錄的索引結(jié)構(gòu)存儲(chǔ)

在設(shè)計(jì)車載移動(dòng)掃描各類型數(shù)據(jù)的索引組織結(jié)構(gòu)基礎(chǔ)上，合理地進(jìn)行索引結(jié)構(gòu)的存儲(chǔ)也是影響數(shù)據(jù)調(diào)度效率及多源數(shù)據(jù)處理過程的關(guān)鍵因素，需要在有效支持調(diào)度的同時(shí)，滿足高效的可視化及后期處理需求。為此，根據(jù)前述設(shè)計(jì)的索引組織結(jié)構(gòu)，提出了一種基于多級(jí)目錄磁盤文件存儲(chǔ)的索引結(jié)構(gòu)存儲(chǔ)方法：由于不同層級(jí)的瓦片具有唯一編碼，因此可以利用多級(jí)目錄結(jié)構(gòu)來(lái)表達(dá)瓦片索引結(jié)構(gòu)，并進(jìn)一步將分段點(diǎn)云索引數(shù)據(jù)存儲(chǔ)于對(duì)應(yīng)層級(jí)的瓦片文件目錄下。多級(jí)文件目錄的索引存儲(chǔ)結(jié)構(gòu)如圖4所示。

圖4 基于多級(jí)文件目錄的索引結(jié)構(gòu)存儲(chǔ)

圖4中，第M層瓦片中編號(hào)為“M-i”表示第M層瓦片中的第i行，“點(diǎn)云M-i-k”中存儲(chǔ)對(duì)應(yīng)第i行與第k列的分段點(diǎn)云索引文件，“索引文件L”至“索引文件Q”表示按文獻(xiàn)[14]的存儲(chǔ)方式進(jìn)行隨機(jī)八叉樹索引文件存儲(chǔ)。

2 動(dòng)態(tài)調(diào)度及處理與更新過程

2.1 基于視點(diǎn)的車載點(diǎn)云LOD調(diào)度

根據(jù)前述設(shè)計(jì)的點(diǎn)云二級(jí)索引及存儲(chǔ)結(jié)構(gòu)，設(shè)計(jì)并采用一種基于視點(diǎn)的車載點(diǎn)云LOD調(diào)度方法的調(diào)度過程如圖5所示。具體調(diào)度過程為：①根據(jù)視點(diǎn)位置、高度及范圍快速計(jì)算當(dāng)前視圖范圍內(nèi)需要顯示的瓦片層級(jí)和瓦片行列號(hào)。②根據(jù)需渲染的瓦片范圍，快速獲取對(duì)應(yīng)于該范圍的分段點(diǎn)云所在瓦片層級(jí)的瓦片行列號(hào)，并判斷對(duì)應(yīng)的存儲(chǔ)目錄下是否存在分段點(diǎn)云索引文件；如果存在，則進(jìn)一步根據(jù)當(dāng)前瓦片的分辨率調(diào)度分段點(diǎn)云隨機(jī)八叉樹索引中與其最接近的索引層節(jié)點(diǎn)進(jìn)行可視條件判斷與調(diào)度渲染；如果最為接近的為根節(jié)點(diǎn)且與瓦片分辨率差異過大，則不進(jìn)行渲染或僅渲染根節(jié)點(diǎn)外包盒。③在視點(diǎn)移動(dòng)過程中，重復(fù)前述①—②過程，同時(shí)將視點(diǎn)范圍外的節(jié)點(diǎn)數(shù)據(jù)加入到緩存隊(duì)列或直接刪除，動(dòng)態(tài)加載前述過程中需要渲染的瓦片數(shù)據(jù)。由于點(diǎn)云分段數(shù)據(jù)調(diào)度過程相互獨(dú)立，因此各自的卸載和加載過程可以利用多線程并行進(jìn)行，以提高數(shù)據(jù)的動(dòng)態(tài)調(diào)度效率。

圖5 基于視點(diǎn)的車載多源索引數(shù)據(jù)聯(lián)合調(diào)度

2.2 處理與更新過程

在車載點(diǎn)云數(shù)據(jù)后續(xù)處理過程中，一般分為局部和整體處理兩種方式：局部處理，可以直接調(diào)度點(diǎn)云分段八叉樹索引節(jié)點(diǎn)進(jìn)行處理；整體處理，由于采用了文件夾式的索引存儲(chǔ)方式，只需要在對(duì)應(yīng)的點(diǎn)云文件夾保存原始的las格式或其他所需格式的點(diǎn)云原始數(shù)據(jù)即能滿足整體處理過程中的數(shù)據(jù)調(diào)度需求。

點(diǎn)云數(shù)據(jù)的更新過程主要指在現(xiàn)有調(diào)度結(jié)構(gòu)中增加新采集的分段點(diǎn)云，由于論文設(shè)計(jì)的管理方法中各分段點(diǎn)云索引構(gòu)建和存儲(chǔ)過程相互獨(dú)立，因此只需要利用前述點(diǎn)云索引策略構(gòu)建點(diǎn)云分段索引并與對(duì)應(yīng)層級(jí)瓦片關(guān)聯(lián)即可。

3 試驗(yàn)與分析

在試驗(yàn)中，基于Visual Studio平臺(tái)采用C++實(shí)現(xiàn)了本文方法，算法運(yùn)行平臺(tái)為Windows7 64位系統(tǒng)，主要硬件配置為Intel Core I7及8 GB內(nèi)存，顯卡為Nvidia GeForce GTX 550 Ti，渲染和調(diào)度過程分別采用單獨(dú)線程進(jìn)行處理。

3.1 試驗(yàn)數(shù)據(jù)

為了驗(yàn)證本文方法對(duì)點(diǎn)云數(shù)據(jù)量的適應(yīng)性和調(diào)度的有效性，采用不同點(diǎn)云數(shù)據(jù)量的兩組數(shù)據(jù)作為試驗(yàn)數(shù)據(jù)，分別記為試驗(yàn)數(shù)據(jù)A及B。數(shù)據(jù)A為某高速道路掃描點(diǎn)云，采集軌跡長(zhǎng)度約為18 km，點(diǎn)云平均采樣間隔為4 cm，平均每段點(diǎn)云數(shù)據(jù)約為1600萬(wàn)(500 m/段)，點(diǎn)云數(shù)據(jù)量約為5.4億；數(shù)據(jù)B中軌跡長(zhǎng)度為66 km，點(diǎn)云平均采樣間隔為6 cm，平均每段點(diǎn)云數(shù)據(jù)約為1100萬(wàn)(500 m/段)，點(diǎn)云數(shù)據(jù)量約為15億。

3.2 試驗(yàn)結(jié)果與分析

根據(jù)式(1)計(jì)算得到點(diǎn)云分段隨機(jī)索引八叉樹的存儲(chǔ)層為11層，分段點(diǎn)云數(shù)據(jù)采用隨機(jī)八叉樹構(gòu)建索引(葉節(jié)點(diǎn)中點(diǎn)個(gè)數(shù)閾值設(shè)置為50 000)，并設(shè)置當(dāng)點(diǎn)云隨機(jī)索引八叉樹根節(jié)點(diǎn)與瓦片分辨率差異大于5倍時(shí)，僅渲染根節(jié)點(diǎn)及外包盒。試驗(yàn)效果如圖6所示。

圖6 調(diào)度與查詢更新及處理結(jié)果

從兩組車載海量多源試驗(yàn)數(shù)據(jù)的調(diào)度結(jié)果來(lái)看，本文所提方法能夠有效支持多源數(shù)據(jù)的動(dòng)態(tài)調(diào)度與渲染過程(圖6(a)、(b)、(c)、(g)、(h)、(i))。同時(shí)，該結(jié)構(gòu)能夠有效支撐基于海量車載點(diǎn)云的點(diǎn)查詢、線面繪制等交互(圖6(d)、(j))、后續(xù)分割與分類處理(圖6(e)、(k))及動(dòng)態(tài)更新(圖6(f)、(l))。

為了驗(yàn)證算法的優(yōu)勢(shì)，分別統(tǒng)計(jì)了兩組點(diǎn)云的索引構(gòu)建時(shí)間(單線程處理)、在不同視點(diǎn)及視點(diǎn)變換下的動(dòng)態(tài)調(diào)度時(shí)間及渲染點(diǎn)數(shù)、調(diào)度中最小最大幀率、分段點(diǎn)云更新耗時(shí)等重要指標(biāo)，其中視點(diǎn)分別依次取區(qū)域正視條件下離區(qū)域中心高度1000 m、300 m、100 m、30 m、5 m的5個(gè)視點(diǎn)，動(dòng)態(tài)調(diào)度時(shí)間是指依次從遠(yuǎn)到近的5個(gè)視點(diǎn)間進(jìn)行變換時(shí)完成數(shù)據(jù)動(dòng)態(tài)調(diào)度過程所耗時(shí)間，變換過程中最小最大幀率是指視點(diǎn)變化時(shí)動(dòng)態(tài)調(diào)度開始和結(jié)束時(shí)的渲染幀率，分段點(diǎn)云更新時(shí)間是指將新采集的某一分段點(diǎn)云數(shù)據(jù)(las格式，分段長(zhǎng)度與各數(shù)據(jù)的分段長(zhǎng)度一致)增加到現(xiàn)有組織索引數(shù)據(jù)中的耗時(shí)。統(tǒng)計(jì)結(jié)果見表1。

表1 渲染與調(diào)度的相關(guān)指標(biāo)統(tǒng)計(jì)

從表1可以看出，針對(duì)不同密度不同大小的兩組數(shù)據(jù)，本文方法在動(dòng)態(tài)調(diào)度過程中最小幀率保持在20以上，最大幀率保持在35以上，表明結(jié)合多線程調(diào)度能夠保證流暢的海量數(shù)據(jù)調(diào)度與渲染效率。從動(dòng)態(tài)調(diào)度時(shí)間比較來(lái)看，兩組數(shù)據(jù)都具有類似且高效的調(diào)度過程，表明本文方法具有良好的數(shù)據(jù)量適應(yīng)性，但需要注意的是，盡管數(shù)據(jù)A的整體數(shù)據(jù)量相對(duì)較少，但其動(dòng)態(tài)調(diào)度時(shí)間卻相對(duì)較長(zhǎng)，其原因主要在于數(shù)據(jù)A的分段數(shù)據(jù)量密度較大導(dǎo)致分段索引樹結(jié)構(gòu)深度相對(duì)較大。另外，從索引構(gòu)建耗時(shí)和分段點(diǎn)云更新耗時(shí)來(lái)看，本文方法能夠高效率地支撐索引構(gòu)建及更新過程，且整體構(gòu)建耗時(shí)近似等于單段索引更新時(shí)間與段數(shù)乘積，其原因主要在于各分段數(shù)據(jù)的索引構(gòu)建過程和調(diào)度過程相互獨(dú)立，均只與瓦片索引相關(guān)聯(lián)，因此其構(gòu)建耗時(shí)和更新耗時(shí)僅與單段數(shù)據(jù)的大小及分段數(shù)目相關(guān)。而且本文方法支持分段點(diǎn)云的多線程并行進(jìn)行索引構(gòu)建和更新處理，可進(jìn)一步的提高效率。

4 結(jié) 語(yǔ)

為了高效支持車載海量點(diǎn)云數(shù)據(jù)的可視化與后續(xù)處理，聯(lián)合瓦片索引及隨機(jī)采樣八叉樹等空間索引結(jié)構(gòu)，本文提出了一種新的組織管理與二級(jí)調(diào)度方法，并設(shè)計(jì)了一種多級(jí)目錄磁盤文件存儲(chǔ)的索引結(jié)構(gòu)存儲(chǔ)方式。試驗(yàn)證明，該方法能夠高效率支持大范圍海量車載多源數(shù)據(jù)的高效調(diào)度、交互及動(dòng)態(tài)更新等過程。下一步的工作主要是基于該統(tǒng)一框架下的車載多源異構(gòu)數(shù)據(jù)的聯(lián)合組織管理方法的研究。

[1] 董震,楊必勝.車載激光掃描數(shù)據(jù)中多類目標(biāo)的層次化提取方法[J].測(cè)繪學(xué)報(bào),2015,44(9):980- 987.

[2] GUAN H,LI J, YU Y, et al. Using Mobile LiDAR Data for Rapidly Updating Road Markings[J]. IEEE Transactions on Intelligent Transportation Systems, 2015,16(5):2457- 2466.

[3] ARASTOUNIA M. Automated Recognition of Railroad Infrastructure in Rural Areas from LiDAR Data[J]. Remote Sensing,2015, 7(11):14916- 14938.

[4] 樊琦,姚頑強(qiáng),陳鵬.基于 Cyclone 的三維建模研究[J].測(cè)繪通報(bào),2015(5):76- 79.

[5] YANG B S,DONG Z,ZHAO G,et al. Hierarchical Extraction of Urban Objects from Mobile Laser Scanning Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2015(99)：45- 57.

[6] 楊莎莎,李永強(qiáng),李框宇.基于車載LiDAR數(shù)據(jù)的單株樹提取[J].測(cè)繪工程,2014,23(8):23- 27.

[7] NAN L L,SHARF A,ZHANG H,et al. SmartBoxes for Interactive Urban Reconstruction[J]. ACM Transactions on Graphics,2010,29(4):1- 10.

[8] 戴彬,鐘若飛,胡競(jìng).基于車載激光掃描數(shù)據(jù)的城市地物三維重建研究[J].首都師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,32(3):89- 96.

[9] 王晏民,郭明.大規(guī)模點(diǎn)云數(shù)據(jù)的二維與三維混合索引方法[J].測(cè)繪學(xué)報(bào),2012,41(4):605- 612.

[10] KLEIN J,KROKOWSKI J,FISCHER M,et al.The Randomized Sample Tree:A Data Structure for Interactive Walkthroughs in Externally Stored Virtual Environments[J].Presence:Teleoperators and Virtual Environments,2004,13(6):617- 637.

[11] BOUBEKEUR T,SCHLICK C.Interactive Out- of- core Texturing with Point- Sampled Textures[C]∥Eurographics Symposium on Point- Based Graphics. AirelaVille: Eurographics Association,2006.

[12] WAND M,BERNER A,BOKELOH M,et al.Processing and Interactive Editing of Huge Point Clouds from 3D Scanners[J].Computers&Graphics,2008, 32(2):204- 220.

[13] 黃先鋒,陶闖,江萬(wàn)壽,等.機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)的實(shí)時(shí)渲染[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)， 2005,30(11):975- 978.

[14] 謝洪,吳博義,趙展.一種新的海量點(diǎn)云數(shù)據(jù)管理方法研究[J].遙感信息,2013,28(6):26- 32.

[15] 龔俊,柯勝男,朱慶.一種八叉樹和三維R樹集成的激光點(diǎn)云數(shù)據(jù)管理方法[J].測(cè)繪學(xué)報(bào),2012, 41(4):597- 604.

An Organization Method of Vehicle- borne Massive Point Cloud DataUsing Tile Indexing

XIE Hong1,2,HU Xiaobin1,GONG Xun1

(1. School of Geodesy and Geomatics of Wuhan University, Wuhan 430079，China; 2. Postdoctors Innovation and Practice Base of WuhanGeomatics Institute, Wuhan 430022，China)

To improve the efficiency of visualization and processing for vehicle- borne mobile scanning point cloud data,combined with the global tile indexing, a novel organization and swapping approach is presented.Based on the spatial distribution analysis of concerning data,a novel mechanism is established to manage the massive data effectively,integrating the tile indexing and random sampling octree appropriately. The implemented experiments show it performs well in the process of data swapping,inquiring,dynamic updating for massive urban- block data,as well as the extended post- processing progress including segmentation,classification,et al.

vehicle- borne mobile scanning;massive point cloud data;tile indexing; organization and dynamic swapping

2016- 07- 05;

2017- 02- 03

國(guó)家自然科學(xué)基金(41401527)；測(cè)繪地理信息公益性行業(yè)科研專項(xiàng)(201512008)；武漢市測(cè)繪研究院博士后創(chuàng)新實(shí)踐基地科研項(xiàng)目(WGF2016001)

謝 洪(1987—)，男，博士，講師，研究方向?yàn)槿S激光測(cè)量。E- mail: hxie@sgg.whu.edu.cn

謝洪，胡曉斌，龔珣.一種聯(lián)合瓦片索引的車載海量點(diǎn)云數(shù)據(jù)管理方法[J].測(cè)繪通報(bào)，2017(3)：17- 21.

10.13474/j.cnki.11- 2246.2017.0075

P234.4

A

0494- 0911(2017)03- 0017- 05