CN101877128A - 一种三维场景中不同物体的分割方法 - Google Patents

Abstract

本发明公开一种三维场景中不同物体的分割方法，针对激光扫描获得的室外场景三维点云数据，建立点云数据的邻接关系和空间搜索机制，估计每一点的法向量和残差量；确定将残差量最小的点作为种子点，利用平面一致性约束条件和区域生长策略进行平面聚类，形成三维场景中平面建筑物整体与其它物体的分割状态；对分割出的建筑物整体部分，建立平面建筑物区域的局部连通搜索，利用不同的种子点准则，将同一平面具有连通性的点构成聚类，实现建筑物平面的细节分割；对分割出的其它物体构造基于距离标记的初始聚类分块，建立加权控制约束进行聚类合并，达到树木的最优分割结果；对多个数据集的测试说明本发明可以有效地进行三维场景中树木和建筑物的分割。

Description

一种三维场景中不同物体的分割方法

技术领域

本发明属于模式识别与科学计算可视化相结合的交叉学科技术领域，涉及三维场景中不同物体的分割方法。

背景技术

随着三维激光扫描仪成本的降低和激光扫描测量技术在空间信息获取方面的迅速发展，使得快速获取室外复杂场景的三维点云数据成为可能。在利用复杂场景的激光扫描点云数据进行建模时，有效、快速地选择能够完整的表示一个场景目标的点云子集是一个重要而基本的操作。但是激光扫描技术获取的三维点云数据具有海量的特点，需要对点云数据进行形状特征选取与分割。由于点云数据固有的不完整性和噪声，由激光扫描所得到的三维稀疏点云的、面向场景目标的分割却仍然是一个具有挑战性的问题。

通常我们所获得的三维室外场景都包含不同类型的物体，诸如大型建筑物、树、地面、自行车等，此外还会存在大量由于复杂物体的不规则反射所带来的噪声，因此如何从三维场景中分割或提取出有意义的部分则成为重建过程中最为关键的一步。分割就是将具有相同形状属性或者形状特征的点聚合在一起，或者是将点云数据分解成各个连通的小区域，这些区域必须是有意义的，且每个区域都对应着完整的物体。对于室外场景而言，最具有代表性的物体就是树木和建筑物，因此从三维场景中分割或提取出有意义的部分，基本的问题是需要从复杂场景中分割出这两种具有不同形状特征的物体。

贝斯尔·保罗(Paul J.Besl，1988)提出一种变阶曲面拟合分区方法，利用低阶双变量多项式逼近数据点，估算高斯曲率和平均曲率，首先找到核心区域，然后利用区域生长方法找到所有边；江(Jiang，1996)等提出利用扫描线将数据分成曲线然后再聚类以表示不同的面。前者对噪声敏感，且需要很多参数，即使是在深度图像(range image)上实现都非常的费时。后者虽然在分割质量上和分割速度上都有一定的提高，但是并不适用于点云数据的分割。

沃尔夫冈·冯·汉森(Wolfgang von Hansen，2006)等将点云数据划分为体素数据，在此基础上基于随机抽样一致算法-RandomSample Consensus(RANSAC)将不规则点云数据变换成局部限定的曲面片以降低数据量。进而通过估计平面特征，按照其不同属性对平面信息进行提取。沙哈·巴尼亚(Barnea Shahar，2007)等结合深度信息和图像内容对场景进行分割。将点云数据转换为深度图像，并利用图像处理中均值移动(mean-shift)方法对场景进行分割。雷姆·兹巴克(Zeibak Reem，2009)等利用点云数据的极坐标表示，通过法向量的不连续性分析可以快速提取场景中的物体。这三种方法都需要将点云数据转换为深度图像或者用极坐标表示，即需要将输入的数据转换为2.5维，由于数据量大，噪声多所以该转换的过程非常费时。

道尼戈·彼得(Peter Dorninger，2008)等涉及了建筑物的分割，主要在4维特征空间中利用层次聚类的方法对原始数据进行分割。该方法可以得到简单建筑物的粗糙轮廓，但是细节部分的信息却不能获得。陈杰(Jie Chen，2008)等关于建筑物重建的方法中涉及到建筑物的分割部分，它主要基于置信度(confidence rate)进行平面部分的聚类分割，该方法在删除噪声点的同时也会误删一些关键点，而且此方法不能用于其它类型物体的分割，也不能得到各个物体的细节部分。

发明内容

现有方法不能直接从散乱的、无结构的、复杂场景的点云数据中分割出不同类型的物体，不能完整实现基于三维点云数据的不同类型物体的分割以及平面建筑物的细节信息提取，本发明的目的是分类提取三维场景中不同的物体，主要是以场景中的建筑物和树木为主。对于场景中的建筑物主要基于微分特性及平面一致性约束对平面建筑物区域进行自动检测，将场景分为具有平面性的建筑物整体部分和其它物体，并对平面建筑物整体部分通过不同种子点队列的确定和区域生长过程分割出平面建筑物区域的细节特征。对于单个树木的分割是从获得的其它物体中分割出单个树木，主要利用初始聚类与加权控制策略来实现。为此，本发明提出一种三维场景中不同物体的分割方法。

为了实现本发明的目的，本发明提供的一种三维场景中不同物体的分割方法，该方法包括如下步骤：

步骤S1：采用三维激光扫描仪获取的室外场景的原始三维点坐标称为三维空间的点云数据，将点云数据作为输入模型，分别建立点云数据的邻接关系和空间搜索机制，估计点云数据中每一点的法向量，并计算点云数据中每一点的残差量；

步骤S2：根据局部平面的微分特性确定的点云数据中每一点的残差量，并根据残差量的大小确定种子点，选择残差量最小的点作为种子点；从种子点出发，利用区域生长策略和平面一致性约束条件，查找种子点的k近邻点，比较k近邻点的法向量与种子点的法向量，获得具有相同或者相近法向量的点并进行平面区域的聚类；将k近邻点中残差量小于给定残差阈值的点加入种子点队列，以更新种子点队列，保证种子点队列的完整性，进而得到平面区域的平滑过渡；此过程迭代执行，直到点云数据中的所有点都已经标记为不同的聚类号，这些平面聚类的关系形成了平面建筑物整体与其它物体的分割状态；

步骤S3：利用获得的平面建筑物整体分割结果，选择不同于建筑物整体分割的种子点策略，仅以残差量最小的点为种子点进行局部连通区域搜索；在此种子点的选择不具备传递性，将与种子点距离在设定距离阈值范围内、法向量的夹角小于角度阈值的k近邻点进行局部连通区域的聚类；在剩余点中选择下一个种子点，重复上述过程，直到所有点都已经标记完为止；这样平面建筑物区域的墙面、窗户和门等细节信息被标记为不同类型，从而实现建筑物的细节分割；

步骤S4：基于场景中分割出的其它物体对单个树木进行分割，通过对其它物体部分进行基于距离标记的聚类，构造三维空间的初始聚类分块；然后利用基于距离和法向量加权控制约束的聚类合并，即为初始分块的各个聚类构造权函数以平衡类间距离与类间法向量夹角的影响；进而为所有聚类两两之间建立加权值矩阵，用于寻找加权函数确定最小值时两个聚类的标号；按照聚类的标号实现初始聚类的合并，构造具有完整性和连通性的最优分割结果，获得场景中的单个树木；

步骤S5：分别对分割出的平面建筑物整体、建筑物细节信息以及单个树木的结果进行输出，得到三维场景中不同物体的最终分割结果。

其中，所述的邻接关系和空间搜索机制，是按照点云数据中每个点的坐标进行空间划分，建立k-d树实现三维空间的快速查找与搜索。

其中，所述的基于距离标记的聚类如下步骤：首先在点云数据中选择一个点并建立其空间搜索机制，用来搜索其k近邻点，将与该点距离在设定的距离阈值约束范围内的点归为一类；选择点云数据中的另一个点，判断与该点距离在设定的距离阈值约束范围内的近邻点是否标记，如果全部未标记则赋予这些近邻点一个新的标记，如果近邻点中部分已经标记则需要以出现频率最高的点的标记作为这些近邻点的标记；重复上述过程，直到点云数据中的所有点都标记完为止。

其中，所述的基于距离和法向量加权控制的聚类合并步骤如下：(1)计算点云数据中每一点的法向量，并估算每个聚类中重心点的法向量；(2)计算任意两个聚类之间的距离d_ij，并得到任意两个聚类之间的法向量夹角θ_ij；d_ij表示第i和第j聚类之间的距离，θ_ij表示第i和第j聚类的法向量夹角，i＜j；(3)构造加权控制的公式，建立各个聚类之间的权值存储矩阵，用于查找最小权值，以获取合并聚类所需要的类号；所述加权控制是为了控制和平衡合并过程中类间距离和类间法向量的影响，采用加权控制进行约束，其加权控制条件确定如下：

$f_{i^{*},j^{*}}=\underset{n\≥i>j\≥1}{\min }\{w\·d_{\mathrm{ij}}+(1-w)\·{\mathrm{\θ}}_{\mathrm{ij}}\}$

式中权值w是属于[0，1]区间的一个常数，根据不同数据进行主观确定；由于距离d_ij与法向量夹角θ_ij的度量单位不同，需要统一标准化：

θ_ij＝(θ_ij-θ)/σ_θ，d_ij＝(d_ij-d)/σ_d

$\stackrel{\‾}{\mathrm{\θ}}=\underset{n\≥i>j\≥1}{\mathrm{\Σ}}\left({\mathrm{\θ}}_{\mathrm{ij}}\right)/n,$ $\stackrel{\‾}{d}=\underset{n\≥i>j\≥1}{\mathrm{\Σ}}\left(d_{\mathrm{ij}}\right)/n$

σ_θ表示θ_ij的标准差，σ_d表示d_ij的标准差，θ表示所有θ的均值，d表示所有d的均值；(4)在剩余未合并的类中查找最小加权值所在的类号，得到进一步的合并，此过程重复执行直到获得最优的分割结果。

其中，所述估计法向量的步骤如下：假设P₀是点云数据的一点，搜索点P₀的k近邻点q_i，利用最小二乘法对q_i和P₀拟合平面，构造相关性矩阵：

式中p是重心点，表示如下

通过SVD分解得到矩阵M的特征值λ₁，λ₂，λ₃·，0≤λ₁＜λ₂＜λ₃，将最小特征值对应的特征向量v₁作为点P₀的法向量(n_x，n_y，n_z)，i＝1，2，...k，N表示数据中总的点数。

其中，所述计算点云数据中每一点的残差量的步骤如下：(1)对平面上任意一点p查找其k近邻点q_i＝(x_i，y_i，z_i)，并为点p及其近邻点确定平面表示如下：n_x·(x-x₀)+n_y·(y-y₀)+n_z·(z-z₀)＝0，式中(n_x，n_y，n_z)表示任意一点p与其k近邻点q_i确定的平面的法向量，(x₀，y₀，z₀)表示由任意一点p及其k近邻点q_i所确定的重心点的坐标；(2)所确定的平面一定通过重心点，但是任意一点p不一定在同一个平面上，那么将任意一点p到平面的欧氏距离作为该点的残差量；所以每一点p_i的残差量ε(p_i)用于确定局部平面的平滑性，其可以表示为：

ε(p_i)＝n_x·(x_i-x₀)+n_y·(y_i-y₀)+n_z·(z_i-z₀)。

其中，所述的建筑物整体分割方法中种子点的确定步骤如下：(1)初始的种子点队列的确定标准为：将每一点的残差量进行排序：ε(p₁)≤ε(p₂)≤...≤ε(p_n)，残差量越小的点说明该点的局部平面越光滑，在此将具有最小残差量ε(p₁)的点p₁作为初始种子点；(2)更新的种子点队列的确定标准为：I.在初始种子点扩张或者生长的过程之后，将剩余的未标记的点按照残差量由小到大进行排序，可以将具有最小残差量的点作为下一次生长的种子点；II.与此同时，每次种子点生长过程中残差量小于残差阈值的k近邻点加入种子点的队列，得到更新的种子点队列。

其中，所述的区域生长策略与平面一致性条件分别是：所述的区域生长策略，首先以残差量最小点作为种子点，根据平面一致性条件对种子点的k近邻点进行约束，获得与种子点具有相似性质的一系列点的聚类；其次从种子点出发沿着平面光滑方向进行扩张直到出现方向突变的点；所述平面一致性条件是对平面上的任意两点p和q对应的法向量n_p和法向量n_q之间的夹角进行约束，规定在平面上的点该夹角必须小于设定的角度阈值θ_th。

其中，所述的建筑物细节分割方法中种子点的确定方法是将每个点按照残差量进行排序：ε(p₁)≤ε(p₂)≤...≤ε(p_n)，将具有最小残差量ε(p₁)的点p₁作为初始种子点；种子点进行区域扩充之后，在剩余的没有标记的点中选择残差量最小的点作为下个种子点队列，以此类推。

其中，所述局部连通区域是在搜索近邻点时设定距离阈值，必须搜索在距离阈值范围内的近邻点，通过比较其法向量的一致性来确定连通区域的局部大小，目的是区分墙面与窗户框棱。

本发明的有益效果：本发明应用于真实室外场景中不同形状物体的分割，适用于三维点云数据，且数据中的建筑物应具有一定的平面性。本发明中的分割方法对点云数据中的噪声不敏感，分割速度和准确较高。本发明采用了基于距离标记的聚类与加权控制的聚类合并来检测场景中的单个树木；利用局部平面一致性约束条件和不同种子点选择方案与区域生长策略，消除了建筑物与树木之间的遮挡与连接所产生的问题，有效地将场景中的不同物体分割开。本发明的分割方法可以有效地将噪声点去除，消除了大量噪声对分割结果的影响。对多个数据集的测试说明本发明可以有效地进行三维场景中树木和建筑物的分割。本发明可应用于树木重建、虚拟漫游、城市规划和文化遗产保护等领域。

附图说明

图1示出本发明整体算法的流程图；

图2示出本发明单个树木的分割流程图；

图3a和图3b示出本发明点云数据的残差量表示；

图4a和图4b示出本发明点云数据的法向量表示；

图5a至图5f示出本发明三维场景中不同物体分割的各个过程结果图；

图6a和图6b示出本发明中不同物体分割的结果图；

图7a-7c示出本发明建筑物整体与细节信息的分割结果；

图8a至图8e示出本发明单个树木的分割结果；

图9a至图9f示出本发明不同类型物体的分割及平面细节分割结果；

图10a至图10d示出本发明与Chen的分割算法的比较。

具体实施方式

下面将结合附图对本发明加以详细说明，应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

1.本发明方法概述(overview of approach)

针对三维空间点云数据，本发明提出了一种三维场景中不同物体的分割方法。该方法在分析不同形状物体特征的基础上，对具有散乱点结构的树木进行分割，对具有平面性的建筑物进行整体的提取与细节分割，并用不同的标记分别对不同的物体进行标识。本发明获得的分割结果可以广泛应用于树木的骨架提取、重建，提取的建筑物可应用于城市建模、城市规划、虚拟漫游、文化遗产保护等。

本发明的核心在于基于微分特性和平面一致性约束进行建筑物平面区域提取、基于局部平面连通性不同与种子点确定方案的建筑物细节提取、基于加权控制的单个树木分割。具体算法包括以下五个步骤：

(1)首先，对输入的无规则的、散乱的三维空间点云数据进行空间搜索机制的确定与邻接关系的建立；所述的室外场景的三维空间点云数据(Point Cloud Data)是采用三维激光扫描仪(3D Laser scanning)获得的场景原始三维点的坐标，简称为点云数据；

(2)其次，通过对点云数据中的每一点及其k(k＝30)近邻点进行平面拟合(plane fitting)可以计算出每一点的残差量(residual)，用来衡量局部平面光滑性(smoothness)。根据残差量确定初始种子点(seed point)，利用平面一致性约束和区域生长策略，将与种子点具有相似性质的点聚类，重新更新种子点队列，通过种子点扩张确定与种子点属于同一平面的点，从而得到平面建筑物整体分割，形成平面建筑物整体与其它物体的分割状态；

(3)再其次，在平面建筑物整体分割结果的基础上，利用局部连通性进行区域的搜索，根据细节信息的特殊性确定种子点选择的准则与种子点扩张策略，将建筑物中的细节信息-窗户、门、屋顶等不同类型用不同标记提取出来；

(4)然后，对于分割出的其它物体部分主要包括场景中的树木、地面、人、汽车、自行车等，本发明中仅需要从其它物体部分中提取出单个的树木，具体步骤是根据邻接关系和距离阈值约束构造初始的基于距离标记的聚类分块，对每两个聚类分块分别计算由距离和法向量确定的权值，构造权值存储矩阵，通过最小化权值获得每次合并聚类所需要的类号，以此获得最优的单个树木分割；

(5)最后，分别对分割的建筑物平面区域、建筑物细节信息以及单个树木的结果进行输出，得到三维场景中不同物体的最终分割结果。

请参阅图1示出本发明方法的流程图。

2.建筑物整体与其它目标物体的分割

建筑物整体与其它目标物体的分割涉及到残差量计算，种子点选择以及基于平面一致性约束的区域生长。具体的描述如下：

2.1.1残差量表示(residual representation)

由于建筑物具有平面性(planarity)的特点，因此定义残差量作为一个标准，用来衡量某一点与周围点是否在同一平面上。见图4a和图4b所示的数据1和数据3的残差量表示，越平坦的地方残差量越小，在图中的颜色值也越深。

(1)对任意一点p查找其k近邻点q_i(i＝1，2，…k)，并为p及其近邻点确定平面表示如下：

n_x·(x-x₀)+n_y·(y-y₀)+n_z·(z-z₀)＝0

式中(n_x，n_y，n_z)表示平面的法向量，(x₀，y₀，z₀)表示由点p及其k近邻点q_i确定的重心点的坐标。

(2)由于所有这些点不一定在同一个平面上，将点到平面的欧氏距离作为该点的残差量，该残差量用于确定局部平面的平滑性，其可以表示为：

ε(p_i)＝n_x·(x_i-x₀)+n_y·(y_i-y₀)+n_z·(z_i-z₀)

2.1.2种子点选择

种子点的选择分为两个过程：(1)初始的种子点队列；(2)更新后的种子点队列。

(1)初始的种子点队列的确定标准为：将每个点的残差量进行排序：ε(p₁)≤ε(p₂)≤...≤ε(p_n)，残差量越小的点说明该点的局部平面越光滑，在此将具有最小残差量ε(p₁)的点p₁作为初始种子点；

(2)更新的种子点队列：

I.在初始种子点扩张或者生长的过程之后，将剩余的未标记的点按照残差量由小到大进行排序，每次将具有最小残差量的点作为下一次生长的种子点；

II.与此同时，每次种子点生长过程中将残差量小于残差阈值的k近邻点加入种子点的队列，得到更新的种子点队列。

2.1.3基于平面一致性约束的区域生长

基于平面一致性约束的区域生长过程如下：

I.根据局部平面的微分特性确定点云数据中每一点的残差量ε(p_i)，并根据残差量的大小确定种子点(选择残差量最小的点作为种子点)，即ε(p₁)≤ε(p₂)≤...≤ε(p_n)中，选择p₁作为初始种子点，并加入种子点队列，这个队列记为S_L；

II.从种子点p₁出发，搜索其k近邻点，比较k近邻点的法向量与种子点的法向量n_s之间的夹角，即判断是否满足平面一致性约束条件(n_s·n_p≥θ_T)；如果满足则将该点与种子点归于同一类，记为R_L，实现同一平面点的聚类；

III.为实现平面区域的平滑过渡，保证种子点队列的完整性需要判断与种子点具有相似特性的点加入种子点队列。即如果ε(p_i)≤r_th，则将p_i点加入更新的种子点队列；

IV.此过程迭代执行，直到所有的点都已经标记为不同的聚类号；

V.判断所得到每个聚类R_L的大小来过滤噪声点，如果R_L＜S_t，则需要对这些类进行额外的处理，对这些类中的每个点通过搜索近邻点所在的类号，用出现频率高的类号替代；

VI.返回最终的分割结果，记为R。

利用本发明中提出的建筑物整体与其它目标物体的分割方法，可以形成三维场景中建筑物平面区域与其它物体的分割状态。

3.建筑物的细节分割方案

在提取的建筑物平面区域的基础上，将同一平面具有相互连通性即邻接点距离在一定范围内，法向量的夹角小于给定角度阈值的点构成一个聚类，这样的聚类相当于以初始点为中心，平面一致性条件为约束得到的聚类，在此种子点的选择不具备传递性，这样平面建筑物区域就被分割成以连通性强的点为基本元素的聚类。建筑物细节分割的具体步骤包括：

I.利用建筑物平面的整体分割结果R，将属于同一平面且具有连通性的点进行聚类；

II.以残差量最小的点为种子点进行局部搜索，将符合平面一致性条件的点形成一个新的聚类；

III.在剩余点中选择下一个种子点，重复上述过程，直到所有点都已经标记为止。

4.单个树木的分割

单个树木的分割是从复杂三维室外场景的点云数据中提取出具有树状结构的单个树木。在上述建筑物整体与其它目标物体的分割的基础上，对于非建筑物的其它物体区域进行分割，进一步提取出场景中的树木部分。该方法分为两个步骤，其一是基于距离标记的聚类，其二是权值约束的聚类合并。

4.1基于距离标记的初始聚类

请参阅图2所示的本发明的单个树木分割方法中初始聚类的基本流程图。

设V是所获得三维点云数据的集合，V＝{p_i|i＝1，2，...n}，p_i＝{x_i，y_i，z_i}。对所有点云数据建立k-d树，用于快速搜索其k近邻点(k nearestneighboring point-KNN)，即通过计算p点到其他点的欧氏距离并选择距离最近的k个点作为该点的最近邻点。

假设原始所有数据的标记(label)都为0(表示都未标记过)，基于距离标记的初始聚类方法如下：

(1)选择初始点P₀，利用k-d树搜索其k近邻点，并利用距离阈值D_th控制近邻点的个数，避免噪声点的影响；将这些点标记为Id₁，作为初始的第一个聚类分块；

(2)选择下一个标记为0的点，并搜索其周围在D_th范围内的k近邻点，判断这些的标记是否全部为0；

(3)如果全部为0则赋予这些点一个新的标记Id，形成一个新类，记为S_g；如果不全为0则统计出现频率最高的标记M作为该类中所有点的标记；

(4)重复(2)，(3)，直到所有的点都已经标记完。

4.2加权控制的聚类合并

对经过初始聚类的数据计算每一类的法向量(normal vector)表示，利用主成分分析(PCA，Principle Component Analysis)的方法计算每个聚类中各个点的法向量，将每个聚类各个点的法向量进行平均可以得到每个聚类重心点的法向量，以此表示每个聚类的法向量。如图5a和图5b所示，给出了局部放大的树木、建筑物墙面的法向量特征，可以看出建筑物的法向量分布均匀，但是树木的法向量分布无规律，且比较散乱。

计算任意两个聚类之间的距离d_ij，并得到任意两个聚类之间的法向夹角θ_ij；为了控制和平衡合并过程中距离和法向量的影响，采用加权控制进行约束，构造加权控制的公式，建立各个聚类之间的权值存储矩阵，用于查找最小权值，以获取合并聚类所需要的类号；其加权控制的公式确定如下：

$f_{i^{*},j^{*}}=\underset{n\≥i>j\≥1}{\min }\{w\·d_{\mathrm{ij}}+(1-w)\·{\mathrm{\θ}}_{\mathrm{ij}}\}$

式中权值w是属于[0，1]区间的一个常数，根据不同的数据主观确定。d_ij(i＜j)表示第i和第j聚类之间的距离，θ_ij(i＜j)表示第i和第j聚类的法向量夹角。由于距离d_ij与法向量夹角θ_ij的度量单位不同，需要统一标准化：

θ_ij＝(θ_ij-θ)/σ_θ，d_ij＝(d_ij-d)/σ_d

$\stackrel{\‾}{\mathrm{\θ}}=\underset{n\≥i>j\≥1}{\mathrm{\Σ}}\left({\mathrm{\θ}}_{\mathrm{ij}}\right)/n,$ $\stackrel{\‾}{d}=\underset{n\≥i>j\≥1}{\mathrm{\Σ}}\left(d_{\mathrm{ij}}\right)/n$

σ_θ表示θ_ij的标准差，σ_d表示d_ij的标准差，θ表示所有θ的均值，d表示所有d的均值。

在剩余未合并的类中查找最小加权值所在的类号，得到进一步的合并，此过程重复执行直到获得最优的分割结果。

实验结果与结论

用C++语言实现了本发明所描述的方法，并且在几个不同的数据集上做了实验。所有的实验都是在一台P4 2.4G、1G内存、操作系统为Windows xp的PC机上完成的，显示部分使用了标准的OpenGL图形函数库。

实验中，使用了四组不同的数据来测试算法，数据1和数据3是利用Optech扫描仪获得的室外场景点云数据，数据2和数据4是利用Faro激光扫描仪LS 880 HE40获得的室外场景点云数据。数据1包括401462个采样点，场景中不仅包括建筑物、树木，而且包括地面、汽车、自行车等物体。数据2包括232794个采样点，场景中仅包括地面和建筑物。数据3包括412730个采样点，扫描的场景中包含建筑物、地面一排整齐的灌木丛等。数据4包括127286个点，扫描的场景中包含规则的建筑物部分与灌木丛以及部分小亭子的屋檐。

算法实现过程中，k近邻点搜索中k＝30(如果所采用的数据密度比较稀疏可以适当地增加搜索的个数)。距离阈值D_th主要是取与近邻点距离的最小值(MinDist)乘以一个系数获得。平面一致性条件中涉及的角度阈值θ_T的范围为10°～15°，残差阈值r_th的确定是由该数据中所有点的残差量进行升序排序之后取第95％的残差量作为阈值。噪声过滤时的阈值S_t是根据残差量分布设置的，将残差量比较大的点过滤掉。

表1列出了实验数据的情况，包括原始数据包含的点数，并给出了经过分割后的建筑部分点的个数，其他物体以及去除的噪声点数等。表2给出了分割后的数据3中出现的7个灌木的体积测量结果，说明单个树木的提取在林业测量方面有广泛的应用。

表1：实验数据

模型数据	总点数	建筑物	其他物体	噪声点
					数据1	401462	292136	48065	61234
数据2	232794	203493	22700	6601
					数据3	412730	388003	20162	4565
数据4	127286	104617	19774	2895

表2：树木的测量数据

	点数	宽度	高度	深度	体积(m3)
						树木1	4820	2.103	2.664	1.359	5.980

	点数	宽度	高度	深度	体积(m3)
						树木2	4437	2.169	2.899	1.386	6.847
树木3	2870	1.924	2.346	1.347	4.776
						树木4	2955	2.098	2.531	1.463	6.103
树木5	2106	1.923	2.552	1.330	5.124
						树木6	1432	1.823	2.345	1.203	4.040
树木7	1292	1.720	3.558	1.265	6.080

附图3a和图3b分别给出了数据1和数据3的残差量的表示结果。建立残差量与颜色值之间的映射关系，将残差量用不同的颜色表示出来。

附图4a和图4b分别给出了数据3的法向量估计结果，用图中的黑色表示。图4a是局部放大的树的法向量。图4b是局部建筑物部分的法向量。

附图5a-图5f说明了本发明中的三维场景中不同物体分割过程中的各个不同结果，图5a-图5f分别列出了原始数据1，分割出的建筑物平面区域以及其它物体，建筑物的细节信息分割结果，其它物体部分，经过基于距离标记和加权控制的聚类合并结果以及最终的单个树木分割结果。

附图6a-图6d给出了数据2的建筑物分割结果，由于该数据中不包含树木所以不需要对树木进行提取。图6a是初始数据3经过建筑物整体分割的结果，可以看出蓝色标识的建筑物作为一个整体，绿色表示的草地分割为一个整体；图6b是单独的建筑物部分，图6c是分割出的草地，图6d是建筑物区域的细节分割，将两个相交的墙面分别分割出来并且每个墙面上的窗户玻璃或者空调都可以分割开。

附图7a-图7c给出了数据3的建筑物分割结果，图7a是数据3的三维空间点云数据，图7b是数据中平面区域的分割提取，图7c是对数据中平面区域的细节分割结果，可以看出细节分割可以准确地将建筑的墙面，窗框以及部分玻璃、屋顶分开。

附图8a-图8b分别表示原始数据3以及经过基于距离标记的初始聚类结果。附图8c给出了图7b结果经过加权控制进行的聚类合并后的单个树木的分割结果，并在附图8d-图8e中从三个不同角度对数据3中分割的单个树木进行显示。

附图9a-图9f给出了数据4的分割结果，该图从不同的角度反映了本发明中所提出方法的有效性。图9a是建筑物整体的粗分割结果，图9b是去掉噪声后的数据，图9c获得场景中的树冠部分，图9d是去掉噪声后的建筑物平面区域，经过细节信息分割后的结果如图9e，提取的窗户部分如图9f。可以看出使用本发明中的方法可以有效地将场景中的物体分为建筑部分、树木部分以及其他部分，并可以去掉噪声点，在分割的同时保证了物体的完整性。

附图10a至图10d给出了Chen算法(第二行)和该发明中所提出的方法(第一列)的结果比较图，应用两个不同的数据进行算法的比较。从中可以看出Chen的算法去掉了数据中的一部分点(算法中要去掉一些confidence rate很小的点)，但是也会将一些有效的数据去掉；同时Chen的方法无法给出建筑物的细节分割信息；而我们的方法不仅给出了建筑物中各个细节信息的分割，而且分割方法具有很强的鲁棒性，对噪声不敏感。

本方法的特色和创新在于根据残差量特点、平面一致性约束条件、区域生长策略和种子点队列的更新实现平面区域的平滑扩张与过渡获得具有平面特征的建筑物区域，并利用局部连通区域搜索及种子点扩张标准实现建筑物部分细节特征的分割，利用基于距离标记的初始聚类和加权控制的聚类合并方法提取出场景中的树木，最后将其统一则将整个场景分为符合视觉感知结果的、不同类型的、并具备各自独立形状特征的物体。

在很多树木、建筑物建模和识别软件中，都需要对单个树木或者单个建筑物进行操作，所以场景中单个树木的分割可以有效地将具有树木的结构和形状特征的数据点聚类，为单个树木的骨架提取、重建以及树木测量等提供重要的数据，同时建筑物的分割与提取也为后续进行建筑物的重建(包括细节信息的重建)与识别等提供数据支持。本发明的方法可以通过不同物体的分割算法很方便地得到三维场景中单个树木与建筑物，并产生建模软件所使用的数据。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1.一种三维场景中不同物体的分割方法，其特征在于，该方法包括如下步骤：

步骤S1：采用三维激光扫描仪获取的室外场景的原始三维点坐标称为三维空间的点云数据，将点云数据作为输入模型，分别建立点云数据的邻接关系和空间搜索机制，估计点云数据中每一点的法向量，并计算点云数据中每一点的残差量；

步骤S2：根据局部平面的微分特性确定的点云数据中每一点的残差量，并根据残差量的大小确定种子点，选择残差量最小的点作为种子点；从种子点出发，利用区域生长策略和平面一致性约束条件，查找种子点的k近邻点，比较k近邻点的法向量与种子点的法向量，获得具有相同或者相近法向量的点并进行平面区域的聚类；将k近邻点中残差量小于给定残差阈值的点加入种子点队列，以更新种子点队列，保证种子点队列的完整性，进而得到平面区域的平滑过渡；此过程迭代执行，直到点云数据中的所有点都已经标记为不同的聚类号，这些平面聚类的关系形成了平面建筑物整体与其它物体的分割状态；

步骤S3：利用获得的平面建筑物整体分割结果，选择不同于建筑物整体分割的种子点策略，仅以残差量最小的点为种子点进行局部连通区域搜索；在此种子点的选择不具备传递性，将与种子点距离在设定距离阈值范围内、法向量的夹角小于角度阈值的k近邻点进行局部连通区域的聚类；在剩余点中选择下一个种子点，重复上述过程，直到所有点都已经标记完为止；这样平面建筑物区域的墙面、窗户和门等细节信息被标记为不同类型，从而实现建筑物的细节分割；

步骤S4：基于场景中分割出的其它物体对单个树木进行分割，通过对其它物体部分进行基于距离标记的聚类，构造三维空间的初始聚类分块；然后利用基于距离和法向量加权控制约束的聚类合并，即为初始分块的各个聚类构造权函数以平衡类间距离与类间法向量夹角的影响；进而为所有聚类两两之间建立加权值矩阵，用于寻找加权函数确定最小值时两个聚类的标号；按照聚类的标号实现初始聚类的合并，构造具有完整性和连通性的最优分割结果，获得场景中的单个树木；

步骤S5：分别对分割出的平面建筑物整体、建筑物细节信息以及单个树木的结果进行输出，得到三维场景中不同物体的最终分割结果。

2.如权利要求1所述的三维场景中不同物体的分割方法，其特征在于，所述的邻接关系和空间搜索机制，是按照点云数据中每个点的坐标进行空间划分，建立k-d树实现三维空间的快速查找与搜索。

3.如权利要求1所述的三维场景中不同物体的分割方法，其特征在于，所述的基于距离标记的聚类如下步骤：

首先在点云数据中选择一个点并建立其空间搜索机制，用来搜索其k近邻点，将与该点距离在设定的距离阈值约束范围内的点归为一类；

选择点云数据中的另一个点，判断与该点距离在设定的距离阈值约束范围内的近邻点是否标记，如果全部未标记则赋予这些近邻点一个新的标记，如果近邻点中部分已经标记则需要以出现频率最高的点的标记作为这些近邻点的标记；

重复上述过程，直到点云数据中的所有点都标记完为止。

4.如权利要求1所述的三维场景中不同物体的分割方法，其特征在于，所述的基于距离和法向量加权控制的聚类合并步骤如下：

(1)计算点云数据中每一点的法向量，并估算每个聚类中重心点的法向量；

(2)计算任意两个聚类之间的距离d_ij，并得到任意两个聚类之间的法向量夹角θ_ij；d_ij表示第i和第j聚类之间的距离，θ_ij表示第i和第j聚类的法向量夹角，i＜j；

(3)构造加权控制的公式，建立各个聚类之间的权值存储矩阵，用于查找最小权值，以获取合并聚类所需要的类号；

所述加权控制是为了控制和平衡合并过程中类间距离和类间法向量的影响，采用加权控制进行约束，其加权控制条件确定如下：

$f_{i*,j*}=\underset{n\≥i>j\≥1}{\min }\{w\·d_{\mathrm{ij}}+(1-w)\·{\mathrm{\θ}}_{\mathrm{ij}}\}$

式中权值w是属于[0，1]区间的一个常数，根据不同数据进行主观确定；

由于距离d_ij与法向量夹角θ_ij的度量单位不同，需要统一标准化：

θ_ij＝(θ_ij-θ)/σ_θ，d_ij＝(d_ij-d)/σ_d

$\stackrel{\‾}{\mathrm{\θ}}=\underset{n\≥i>j\≥1}{\mathrm{\Σ}}\left({\mathrm{\θ}}_{\mathrm{ij}}\right)/n,$ $\stackrel{\‾}{d}=\underset{n\≥i>j\≥1}{\mathrm{\Σ}}\left(d_{\mathrm{ij}}\right)/n$

σ_θ表示θ_ij的标准差，σ_d表示d_ij的标准差，θ表示所有θ的均值，d表示所有d的均值；

(4)在剩余未合并的类中查找最小加权值所在的类号，得到进一步的合并，此过程重复执行直到获得最优的分割结果。

5.如权利要求1所述的三维场景中不同物体的分割方法，其特征在于，所述估计法向量的步骤如下：

假设P₀是点云数据的一点，搜索点P₀的k近邻点q_i，利用最小二乘法对q_i和P₀拟合平面，构造相关性矩阵：

式中p是重心点，表示如下

通过SVD分解得到矩阵M的特征值λ₁，λ₂，λ₃.，0≤λ₁＜λ₂＜λ₃，将最小特征值对应的特征向量v₁作为点P₀的法向量(n_x，n_y，n_z)，i＝1，2，...k，N表示数据中总的点数。

6.如权利要求1所述的三维场景中不同物体的分割方法，其特征在于，所述计算点云数据中每一点的残差量的步骤如下：

(1)对平面上任意一点p查找其k近邻点q_i(x_i，y_i，z_i)，并为点p及其近邻点确定平面表示如下：

n_x·(x-x₀)+n_y·(y-y₀)+n_z·(z-z₀)＝0

式中(n_x，n_y，n_z)表示任意一点p与其k近邻点q_i确定的平面的法向量，(x₀，y₀，z₀)表示由任意一点p及其k近邻点q_i所确定的重心点的坐标；

(2)所确定的平面一定通过重心点，但是任意一点p不一定在同一个平面上，那么将任意一点p到平面的欧氏距离作为该点的残差量；所以每一点p_i的残差量ε(p_i)用于确定局部平面的平滑性，其可以表示为：

ε(p_i)＝n_x·(x_i-x₀)+n_y·(y_i-y₀)+n_z·(z_i-z₀)。

7.如权利要求1所述的三维场景中不同物体的分割方法，其特征在于，所述的建筑物整体分割方法中种子点的确定步骤如下：

(1)初始的种子点队列的确定标准为：将每一点的残差量进行排序：ε(p₁)≤ε(p₂)≤...≤ε(p_n)，残差量越小的点说明该点的局部平面越光滑，在此将具有最小残差量ε(p₁)的点p₁作为初始种子点；

(2)更新的种子点队列的确定标准为：

I.在初始种子点扩张或者生长的过程之后，将剩余的未标记的点按照残差量由小到大进行排序，可以将具有最小残差量的点作为下一次生长的种子点；

II.与此同时，每次种子点生长过程中残差量小于残差阈值的k近邻点加入种子点的队列，得到更新的种子点队列。

8.如权利要求1所述的三维场景中不同物体的分割方法，其特征在于，所述的区域生长策略与平面一致性条件分别是：

所述的区域生长策略，首先以残差量最小点作为种子点，根据平面一致性条件对种子点的k近邻点进行约束，获得与种子点具有相似性质的一系列点的聚类；其次从种子点出发沿着平面光滑方向进行扩张直到出现方向突变的点；

所述平面一致性条件是对平面上的任意两点p和q对应的法向量n_p和法向量n_q之间的夹角进行约束，规定在平面上的点该夹角必须小于设定的角度阈值θ_th。

9.如权利要求1所述的三维场景中不同物体的分割方法，其特征在于，所述的建筑物细节分割方法中种子点的确定方法是将每个点按照残差量进行排序：ε(p₁)≤ε(p₂)≤...≤ε(p_n)，将具有最小残差量ε(p₁)的点p₁作为初始种子点；种子点进行区域扩充之后，在剩余的没有标记的点中选择残差量最小的点作为下个种子点队列，以此类推。

10.如权利要求1所述的三维场景中不同物体的分割方法，其特征在于，所述局部连通区域是在搜索近邻点时设定距离阈值，必须搜索在距离阈值范围内的近邻点，通过比较其法向量的一致性来确定连通区域的局部大小，目的是区分墙面与窗户框棱。

Images