CN106600622A - 一种基于超体素的点云数据分割方法 - Google Patents

Abstract

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。

Description

一种基于超体素的点云数据分割方法

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。

进一步，所述超体素相似性度量的计算方法包括：

步骤一，对于任意超体素，计算法线分布直方图；

步骤二，对于邻接超体素，计算超体素中心点之间的欧式距离和测地距离，计算测地距离和欧式距离的距离差；

步骤三，对法线分布直方图和距离差进行归一化处理，计算超体素之间的相似性S：

其中，σ和η分别对应法线分布直方图和空间距离差值的影响因子，N_hik是FPFH空间内法向量直方图的交叉和，D_d是三维空间内超体素的测地距离和欧式距离的差值。

进一步，所述步骤一具体步骤如下：

(1)对于每一个超体素中心点P，坐标系uvw是在其中超体素中心点上定义的固定的局部坐标系，法线n_s,n_t之间的偏差可以用一组角度值表示α,φ,θ，计算中心点P_s和超体素内其他点P_t之间的α,φ,θ；

其中，P_s是超像素的中心点，P_s表示超像素内除中心点外任意点，uvw是超体素中心点的局部坐标系，其计算方法如上公式所示，d＝||P_t-P_s||₂表示P_sP_s两点之间的欧式距离。

(2)用三元组(α,φ,θ)来表示每一对点法线之间的互相作用，将其每个特征值范围划分为b个子区间，特征直方图分别计算后合并得到一个3b元素的特征向量，用来描述超体素内的几何属性。

进一步，所述步骤二具体步骤如下：

(1)计算超体素中心点之间的测地距离，利用Dijkstra算法计算最短路径，得到初始的B样条活动曲线；在当前曲线上适当采样，并对采样点计算其对应的垂足；采用平方距离最小化样条逼近模型构造其目标函数；运用最小二乘法快速迭代优化使得目标函数最小，计算得到邻接超体素块中心点之间的测地线和测地距离；

(2)计算邻接超体素中心点之间的欧式距离，进而得到邻接超体素中心点的距离差。

进一步，根据超体素相似性度量，所述利用区域增长的算法对超体素进行融合的步骤：

(1)对于每个超体素，用最小二乘法进行平面拟合，并计算其残差值；根据残差值对所有超体素进行排序，将残差值最小的超体素作为区域增长算法的初始种子，并获取种子体素的邻接超体素；

(2)对于每个邻接超体素，归一化处理法线分布直方图、测地距离和欧式距离的差值，计算其与超体素种子之间的相似性度量：

(3)如果相似性大于某一阈值，则将该邻接超体素添加到当前区域内，同时计算邻接超体素的残差值，如果残差值小于某一阈值，则该邻接超体素被添加到种子集合中；当遍历完超体素种子的所有邻接超体素后，从种子集合中移除当前种子；

(4)如果种子集合变为空，意味着当前区域增长结束，计算获得新的超体素种子，重复执行上述步骤直到所有的超体素均得到遍历，得到精确的点云分割结果。

本发明的另一目的在于提供一种利用所述基于超体素的点云数据分割方法的激光雷达扫描仪。

本发明的另一目的在于提供一种利用所述基于超体素的点云数据分割方法的3D打印机。

本发明提供的基于超体素的点云数据分割方法，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。

本发明在超体素的基础上进行区域融合，避免了直接处理点云数据所导致的欠分割和过分割问题，并且加快了区域融合阶段的处理速度，提高了算法的分割效率。

本发明采用超体素的法线分布直方图作为衡量相似度的标准之一，法线分布直方图形成一个多维的直方图对超体素内的几何属性进行描述，估计法线方向之间所有的互相作用，尝试用最好的样本表面变化情况来描述样本的几何特征，使得该方法对于不同采样的密度和噪音具有鲁棒性。

本发明在衡量空间位置关系对超体素融合的影响因素时，综合考虑测地距离和欧式距离，利用两者在不同空间位置关系下的差异性，避免空间距离很近但不属于同一区域的超体素进行融合的错误情况发生，对于两个相邻目标的交界处具有很好的分割效果。

附图说明

图1是本发明实施例提供的基于超体素的点云数据分割方法流程图。

图2是本发明实施例提供的实施例的流程图。

图3是本发明实施例提供的三维空间点云数据体素化和网格化示意图。

图4是本发明实施例提供的超体素质点P的计算影响区域示意图。

图5是本发明实施例提供的局部坐标系下法线和角度的位置关系示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于超体素的点云数据分割方法包括以下步骤：

S101：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；

S102：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。

下面结合附图对本发明的应用原理作进一步的描述。

如图2所示，本发明实施例提供的基于超体素的点云数据分割方法具体包括以下步骤：

S1：将输入的点云数据进行过分割得到超体素。

将点云数据进行体素化处理，得到边长为l的体素，图3所示。在体素的26邻域内，通过遍历KD树构造其对应的邻接图。在点云的三维空间内进行网格化处理，大小为L，选择网格内最接近中心的体素作为初始种子体素。对初始种子体素进行过滤，计算种子点邻域半径Radius内的体素数目，将数目小于某一阈值的种子点删除。对所有的体素构造36维的特征向量F，F＝[x,y,z,L,a,b,PPFH_1..30]。

从初始种子体素开始，向外遍历邻近的体素。利用公式：

其中，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。如此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。

S2：计算超体素相似性度量，计算每个超体素的法向量分布直方图，超体素中心点之间的测地距离和欧式距离的差值，并对其归一化得到超体素之间的相似性度量；

S201：对于任意超体素，计算法向量分布直方图，具体步骤如下：

(1)如图4和图5所示，对于每一个超体素中心点P，坐标系uvw是在其中超体素中心点上定义的固定的局部坐标系，法线n_s,n_t之间的偏差可以用一组角度值表示α,φ,θ，计算中心点P_s和超体素内其他点P_t之间的α,φ,θ；

(2)用三元组(α,φ,θ)来表示每一对点法线之间的互相作用，将其每个特征值范围划分为b个子区间，特征直方图分别计算后合并得到一个3b元素的特征向量，用来描述超体素内的几何属性。

S202：对于邻接超体素，计算超体素中心点之间的欧式距离和测地距离，计算测地距离和欧式距离的距离差；

计算超体素中心点之间的测地距离，利用Dijkstra算法计算最短路径，得到初始的B样条活动曲线；在当前曲线上适当采样，并对采样点计算其对应的垂足；采用平方距离最小化样条逼近模型构造其目标函数；运用最小二乘法快速迭代优化使得目标函数最小，计算得到邻接超体素块中心点之间的测地线和测地距离。

计算邻接超体素中心点之间的欧式距离，进而得到邻接超体素中心点的距离差。

S203：对法向量分布直方图和距离差进行归一化处理，计算超体素之间的相似性S：

其中，σ和η分别对应法向量分布直方图和空间距离差值的影响因子，N_hik是FPFH空间内法向量直方图的交叉和，D_d是三维空间内超体素的测地距离和欧式距离的差值；

S3：根据超体素相似性度量，所述利用区域增长的算法对超体素进行融合的步骤：

S301：对于每个超体素，用最小二乘法进行平面拟合，并计算其残差值；根据残差值对所有超体素进行排序，将残差值最小的超体素作为区域增长算法的初始种子，并获取种子体素的邻接超体素；

S302：对于每个邻接超体素，归一化处理法线分布直方图、测地距离和欧式距离的差值，计算其与超体素种子之间的相似性度量：

S303：如果相似性大于某一阈值，则将该邻接超体素添加到当前区域内，同时计算邻接超体素的残差值，如果残差值小于某一阈值，则该邻接超体素被添加到种子集合中；当遍历完超体素种子的所有邻接超体素后，从种子集合中移除当前种子；

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于超体素的点云数据分割方法，其特征在于，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。

2.如权利要求1所述的基于超体素的点云数据分割方法，其特征在于，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：

$D=\sqrt{{{\mathrm{\λD}}_c}^2+{{\mathrm{\μD}}_s}^2+{{\mathrm{\δD}}_{hik}}^2};$

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。

3.如权利要求1所述的基于超体素的点云数据分割方法，其特征在于，所述超体素相似性度量的计算方法包括：

步骤一，对于任意超体素，计算法线分布直方图；

步骤二，对于邻接超体素，计算超体素中心点之间的欧式距离和测地距离，计算测地距离和欧式距离的距离差；

步骤三，对法线分布直方图和距离差进行归一化处理，计算超体素之间的相似性S：

$S=\sqrt{{{\mathrm{\σN}}_{hik}}^2+{{\mathrm{\ηD}}_d}^2}$

其中，σ和η分别对应法线分布直方图和空间距离差值的影响因子，N_hik是FPFH空间内法向量直方图的交叉和，D_d是三维空间内超体素的测地距离和欧式距离的差值。

4.如权利要求3所述的基于超体素的点云数据分割方法，其特征在于，所述步骤一具体步骤如下：

(1)对于每一个超体素中心点P，坐标系uvw是在超体素中心点上定义的固定的局部坐标系，法线n_s,n_t之间的偏差可以用一组角度值表示α,φ,θ，计算中心点P和超体素内其他点之间的α,φ,θ；

(2)用三元组(α,φ,θ)来表示每一对点法线之间的互相作用，将其每个特征值范围划分为b个子区间，特征直方图分别计算后合并得到一个3b元素的特征向量，用来描述超体素内的几何属性。

5.如权利要求3所述的基于超体素的点云数据分割方法，其特征在于，所述步骤二具体步骤如下：

(1)计算超体素中心点之间的测地距离，利用Dijkstra最短路径算法计算一条初始的B样条活动曲线，采用平方距离最小化样条逼近模型快速迭代优化使得目标函数最小，计算得到邻接超体素中心点之间的测地线和测地距离；

(2)计算邻接超体素中心点之间的欧式距离，进而得到邻接超体素中心点的距离差。

6.如权利要求1所述的基于超体素的点云数据分割方法，其特征在于，

步骤一，对于每个超体素，用最小二乘法进行平面拟合，并计算其残差值；根据残差值对所有超体素进行排序，将残差值最小的超体素作为区域增长算法的初始种子，并获取种子体素的邻接超体素；

步骤二，对于每个邻接超体素，计算其与超体素种子之间的相似性度量，如果相似性大于某一阈值，则将该邻接超体素添加到当前区域内，同时计算邻接超体素的残差值，如果残差值小于某一阈值，则该邻接超体素被添加到种子集合中；当遍历完超体素种子的所有邻接超体素后，从种子集合中移除当前种子；

步骤三，如果种子集合变为空，意味着当前区域增长结束，计算获得新的超体素种子，重复执行上述步骤直到所有的超体素均得到遍历，得到精确的点云分割结果。

7.一种利用权利要求1～6任意一项所述基于超体素的点云数据分割方法的激光雷达扫描仪。

8.一种利用权利要求1～6任意一项所述基于超体素的点云数据分割方法的3D打印机。