[发明专利]一种基于超体素的点云数据分割方法

说明书

本发明公开了一种基于超体素的点云数据分割方法，通过考虑点云数据的三维几何关系和区域连通性，利用聚类的方法将点云数据进行过分割，得到依附于目标边界的超体素；计算超体素数据平面拟合的残差值，依该值对其进行排序和筛选得到有效的种子超体素，并利用法线分布直方图、测地距离和欧式距离的差值进行区域增长，最终实现对点云数据的分割处理。以室内局部场景的点云数据作为输入，通过利用超体素和区域增长算法实现点云数据的精确分割。本发明与传统的点云分割方法相比，在保证分割效率的前提下，避免了直接处理点云数据所导致的欠分割和过分割问题，得到具有精确边界信息的分割结果，而且分割方法对点云数据的采样密度和噪音是健壮的。

技术领域

本发明属于3D打印和场景理解的技术领域，尤其涉及一种基于超体素的点云数据分割方法。

背景技术

随着三维扫描设备的广泛应用，特别是激光雷达扫描仪(LIDAR)和微软Kinect设备的普及，三维点云数据很容易获取并被广泛应用到各个领域。点云分割是三维点云处理的基础步骤，其分割结果有助于准确的定位和识别目标，在三维重建、场景理解和3D打印等领域都有重要的应用。由于扫描获得的点云数据是室内局部场景的点云数据，包含各种不同类型的物体，在进行3D打印的建模之前，需要将不同类型物体对应的点云数据分割开，便于对各个独立的物体分别进行建模并打印。近几年点云分割的算法主要分为以下几类：基于属性的分割算法、基于模型的分割算法、基于区域增长的分割算法、基于图的分割算法和混合点云分割算法。基于属性和模型的点云分割算法以数学原理或模型为基础，算法速度快，对异常点不敏感。但是其主要限制为只适合处理规则几何形状的人造物体，无法处理大规模复杂场景。基于图的分割算法和混合点云分割算法适用于处理复杂场景的点云数据，对噪声和采样密度不均匀点云数据分割效果好，但是这类算法通常不能实时运行，有些情况下参数需要用机器学习的方法训练得到。相比基于属性和模型的点云分割算法，区域增长算法的分割效果精确、适用场景更广，具有更大的发展优势。相比基于图的点云分割算法和混合点云分割算法，区域增长算法的复杂度较低，处理速度快，更加适合室内场景下点云数据的分割。正是由于这些优点，众多学者选择利用区域增长的算法进行点云分割。但是由于单纯地采用一种策略的分割算法，都有其各自的优缺点和适用条件，在稳健性、唯一性和快速性等方面都存在不足。导致现阶段基于区域增长的点云分割算法对采样密度和噪声点敏感，分割结果较为粗糙，常常局限为场景中平面物体的分割，复杂场景中较大物体的分割识别等；而且分割算法直接在点云数据上进行处理，容易导致欠分割和过分割等问题，无法得到精确的分割结果，容易导致3D打印模型部分缺失或失真。

综上所述，传统点云分割算法存在分割结果较为粗糙，无法提取准确的分割边界等问题。

发明内容

本发明的目的在于提供一种基于超体素的点云数据分割方法，旨在解决传统点云分割算法分割结果较为粗糙，无法提取准确的分割边界的问题。

本发明是这样实现的，一种基于超体素的点云数据分割方法，所述基于超体素的点云数据分割方法通过考虑点云数据的三维几何关系和区域连通性，利用聚类的方法将点云数据进行过分割，得到依附于目标边界的超体素；计算超体素数据平面拟合的残差值，依该值对其进行排序和筛选得到有效的种子超体素，并利用法线分布直方图、测地距离和欧式距离的差值进行区域增长，最终实现对点云数据的分割处理。

进一步，所述超体素的获取方法包括：

从初始种子体素开始，向外遍历邻近的体素；利用公式：

λ、μ和δ分别对应颜色、空间距离和几何特征的影响因子，D_c是CIELab空间的欧式距离值，D_s是三维空间内体素的欧式距离值，D_hik是体素法向量分布直方图的交叉和。计算邻域内体素到种子体素的距离，将距离最近的体素进行标记，并根据邻接图将邻接体素加入到搜索列表中；迭代直至到达每个体素的搜索边界；搜索完成条件是：邻接图中的所有叶节点均得到遍历，过分割得到超体素。