CN107424166A - 点云分割方法及装置 - Google Patents
点云分割方法及装置 Download PDFInfo
- Publication number
- CN107424166A CN107424166A CN201710583405.6A CN201710583405A CN107424166A CN 107424166 A CN107424166 A CN 107424166A CN 201710583405 A CN201710583405 A CN 201710583405A CN 107424166 A CN107424166 A CN 107424166A
- Authority
- CN
- China
- Prior art keywords
- data block
- likelihood probability
- segmentation
- block
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本发明的实施例中公开了一种点云分割方法及装置，所述方法包括：将原始点云数据与对应的图像数据进行融合，获得待分割点云数据；对待分割点云数据进行粗分割，获得多个粗分割数据块；构建分割相似概率模型；根据所述相似概率模型，对多个粗分割数据块进行细分割。本发明能提高点云分割的精确度。
Description
技术领域
本发明涉及数据处理领域，特别设计一种点云分割方法及装置。
背景技术
激光雷达是以发射激光光束来探测目标的位置、速度等特征量的雷达系统，其工作原理是先向目标发射探测激光光束，然后将接收到的从目标反射回来的信号与发射信号进行比较，作适当处理后，就可获得目标的有关信息，例如目标距离、方位、高度、速度、姿态、甚至形状等参数。
激光雷达采集到的信号是以点云的形式存在的，对点云数据的处理是激光雷达检测的基础。
对点云数据处理首先是对点云进行分割，传统的点云分割技术是利用点云的空间聚类信息作为分割依据。由于点云数据的稀疏性，仅仅利用空间信息对点云进行分割会出现过分割和欠分割。过分割指的是由于点云数据较为稀疏，一个物体被错误的分为了多个物体；欠分割指的是多个物体在空间中分布较为紧密，因此被错误的视为了一个物体。
可见，现有技术中的点云分割方法容易产生错误，精确度不高。
发明内容
本发明实施例中提供了一种点云分割方法，能提高点云分割的精确度。
为了解决上述技术问题，本发明实施例公开了如下技术方案：
一方面，提供了一种点云分割方法，所述方法包括：
将原始点云数据与对应的图像数据进行融合，获得待分割点云数据；
对待分割点云数据进行粗分割，获得多个粗分割数据块；
构建分割相似概率模型；
根据所述相似概率模型，对多个粗分割数据块进行细分割。
优选的，所述构建的分割相似概率模型为：
P＝α*exp(d/δ2)+β*d(H1,H2)
其中，H1，H2表示两个分割的直方图,
I表示在直方图中的像素值，0≤I≤255，
H1(I)表示在直方图H1中像素值为I的个数，
H2(I)表示在直方图H2中像素值为I的个数，
d(H1,H2)是两个直方图的相似概率，
α,β是预设权重系数，δ为预设参数。
优选的，根据所述相似概率模型，对多个粗分割数据块进行细分割，包括：
根据所述相似概率模型，计算每一个粗分割数据块与其相邻粗分割数据块之间的第一相邻相似概率；
若所述第一相邻相似概率大于或等于预设阈值，则将所述粗分割数据块与其相邻粗分割数据块合并，
若所述第一相邻相似概率小于所述预设阈值，则保持所述粗分割数据块不变；
所述获得的数据块为第一参考数据块。
优选的，对多个粗分割数据块进行细分割，还包括：
将所述每一个第一参考数据块分割为两个子数据块，使得所述每一个第一参考数据块对应的两个子数据块之间的最近距离最大；
根据所述相似概率模型，计算所述每一个第一参考数据块对应的两个子数据块之间的第一子块相似概率；
若所述第一子块相似概率大于或等于所述预设阈值，则将所述第一参考数据块对应的两个子数据块合并，
若所述第一子块相似概率小于所述预设阈值，则使所述第一参考数据块对应的两个子数据块保持不变。
优选的，所述对多个粗分割数据块进行细分割，包括：
将所述每一个粗分割数据块分割为两个子数据块，使得所述每一个粗分割数据块对应的两个子数据块之间的最近距离最大；
根据所述相似概率模型，计算所述每一个粗分割数据块对应的两个子数据块之间的第二子块相似概率；
若所述第二子块相似概率大于或等于预设阈值，则将所述粗分割数据块对应的两个子数据块合并，
若所述第二子块相似概率小于所述预设阈值，则使所述粗分割数据块对应的两个子数据块保持不变；
所述获得的数据块为第二参考数据块。
优选的，所述对多个粗分割数据块进行细分割，还包括：
根据所述相似概率模型，计算每一个第二参考数据块与其相邻第二参考数据块之间的第二相邻相似概率；
若所述第二相邻相似概率大于或等于预设阈值，则将所述第二参考数据块与其相邻第二参考数据块合并，
若所述第二相邻相似概率小于所述预设阈值，则保持所述第二参考数据块不变。
第二方面，提供了一种点云分割装置，所述装置包括：
融合单元，用于将原始点云数据与对应的图像数据进行融合，获得待分割点云数据；
粗分割单元，用于对待分割点云数据进行粗分割，获得多个粗分割数据块；
模型单元，用于构建分割相似概率模型；
细分割单元，用于根据所述相似概率模型，对多个粗分割数据块进行细分割。
优选的，所述构建的分割相似概率模型为：
P＝α*exp(d/δ2)+β*d(H1,H2)
其中，H1，H2表示两个分割的直方图,
I表示在直方图中的像素值，0≤I≤255，
H1(I)表示在直方图H1中像素值为I的个数，
H2(I)表示在直方图H2中像素值为I的个数，
d(H1,H2)是两个直方图的相似概率，
α,β是预设权重系数，δ为预设参数。
优选的，所述细分割单元还用于，
根据所述相似概率模型，计算每一个粗分割数据块与其相邻粗分割数据块之间的第一相邻相似概率；
若所述第一相邻相似概率大于或等于预设阈值，则将所述粗分割数据块与其相邻粗分割数据块合并，
若所述第一相邻相似概率小于所述预设阈值，则保持所述粗分割数据块不变；
所述获得的数据块为第一参考数据块。
优选的，所述细分割单元还用于：
将所述每一个第一参考数据块分割为两个子数据块，使得所述每一个第一参考数据块对应的两个子数据块之间的最近距离最大；
根据所述相似概率模型，计算所述每一个第一参考数据块对应的两个子数据块之间的第一子块相似概率；
若所述第一子块相似概率大于或等于所述预设阈值，则将所述第一参考数据块对应的两个子数据块合并，
若所述第一子块相似概率小于所述预设阈值，则使所述第一参考数据块对应的两个子数据块保持不变。
本发明的实施例中公开了一种点云分割方法，所述方法包括：将原始点云数据与对应的图像数据进行融合，获得待分割点云数据；对待分割点云数据进行粗分割，获得多个粗分割数据块；构建分割相似概率模型；根据所述相似概率模型，对多个粗分割数据块进行细分割。本发明实施例的点云分割方法，根据图像和点云数据的融合，对点云数据经过多次分割，可以减少点云分割的误差，提高点云分割的精确度。
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的前提下，还可以根据这些附图获得其他的附图。
图1所示为本发明实施例的点云分割方法的流程图；
图2所示为本发明实施例的点云分割方法的流程图；
图3所示为本发明实施例的原始点云数据与对应的图像数据融合后的示意图；
图4所示为本发明实施例的点云数据进行粗分割后的示意图；
图5所示为本发明实施例的点云数据细分割后的示意图；
图6所示为本发明实施例的点云数据细分割后的示意图；
图7所示为本发明实施例的点云分割装置的示意图。
具体实施方式
本发明如下实施例提供了一种点云分割的方法，能提高点云分割的精确度。
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、完整的描述，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作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。
图1所示为本发明实施例的点云分割方法的流程图，如图1所示，所述方法包括：
步骤110，将原始点云数据与对应的图像数据进行融合，获得待分割点云数据；
步骤120，对待分割点云数据进行粗分割，获得多个粗分割数据块；
步骤130，构建分割相似概率模型；
步骤140，根据所述相似概率模型，对多个粗分割数据块进行细分割。
所述构建的分割相似概率模型为：
P＝α*exp(d/δ2)+β*d(H1,H2)
其中，H1，H2表示两个分割的直方图,
I表示在直方图中的像素值，0≤I≤255，
H1(I)表示在直方图H1中像素值为I的个数，
H2(I)表示在直方图H2中像素值为I的个数，
d(H1,H2)是两个直方图的相似概率，
α,β是预设权重系数，δ为预设参数。
本发明一个实施例中，I＝155，H1(I)表示在直方图中像素值为155的个数，H2(I)表示在直方图中像素值为155的个数。
α,β是预设权重系数，均为为经验值，在本发明的一个实施例中，可以设置α＝0.6,β＝0.4。
本发明实施例的点云分割方法，根据图像和点云数据的融合，对点云数据经过多次分割，可以减少点云分割的误差，提高点云分割的精确度。
本发明实施例中，步骤140中，根据所述相似概率模型，对多个粗分割数据块进行细分割，包括：
根据所述相似概率模型，计算每一个粗分割数据块与其相邻粗分割数据块之间的第一相邻相似概率；
若所述第一相邻相似概率大于或等于预设阈值，则将所述粗分割数据块与其相邻粗分割数据块合并，
若所述第一相邻相似概率小于所述预设阈值，则保持所述粗分割数据块不变；
所述获得的数据块为第一参考数据块。
细分割时对粗分割后的数据块进行合并，可以解决过分割的问题。
本发明实施例中，步140中，对多个粗分割数据块进行细分割，还包括：
将所述每一个第一参考数据块分割为两个子数据块，使得所述每一个第一参考数据块对应的两个子数据块之间的最近距离最大；
根据所述相似概率模型，计算所述每一个第一参考数据块对应的两个子数据块之间的第一子块相似概率；
若所述第一子块相似概率大于或等于所述预设阈值，则将所述第一参考数据块对应的两个子数据块合并，
若所述第一子块相似概率小于所述预设阈值，则使所述第一参考数据块对应的两个子数据块保持不变。
细分割时，先将参考数据块分割为两个子数据块，再视情况进行合并或保持分割状态，相当于对一部分第一参考数据块进行了分割，可以解决欠分割的问题。
本发明实施例的点云分割方法，在粗分割之后根据相似概率模型进行细分割，既解决了点云分割时的过分割问题，又解决了欠分割问题，可以提高可以减少点云分割的误差，提高点云分割的精确度。
本发明上述实施例中，在点云分割时先解决了过分割的问题，然后解决欠分割的问题，本发明其他实施例中，也可以先解决欠分割的问题，再解决过分割的问题，该方法如下所述：
在步骤140中，所述对多个粗分割数据块进行细分割，包括：
将所述每一个粗分割数据块分割为两个子数据块，使得所述每一个粗分割数据块对应的两个子数据块之间的最近距离最大；
根据所述相似概率模型，计算所述每一个粗分割数据块对应的两个子数据块之间的第二子块相似概率；
若所述第二子块相似概率大于或等于预设阈值，则将所述粗分割数据块对应的两个子数据块合并，
若所述第二子块相似概率小于所述预设阈值，则使所述粗分割数据块对应的两个子数据块保持不变；
所述获得的数据块为第二参考数据块。
上述步骤可以解决欠分割问题。
步骤140中，所述对多个粗分割数据块进行细分割，还包括：
根据所述相似概率模型，计算每一个第二参考数据块与其相邻第二参考数据块之间的第二相邻相似概率；
若所述第二相邻相似概率大于或等于预设阈值，则将所述第二参考数据块与其相邻第二参考数据块合并，
若所述第二相邻相似概率小于所述预设阈值，则保持所述第二参考数据块不变。
上述步骤可以解决过分割问题。
本发明实施例的点云分割方法，在粗分割之后根据相似概率模型进行细分割，可以提高可以减少点云分割的误差，提高点云分割的精确度。
图2所示为本发明实施例的点云分割方法的流程图，如图2所示，所述方法包括：
步骤210，将原始点云数据与对应的图像数据进行融合，获得待分割点云数据。
图3所示为本发明实施例的原始点云数据与对应的图像数据融合后的示意图。
本发明实施例中，图像数据是带有颜色信息的，因此得到的待分割点云数据也是带有颜色信息的，图3中以不同的阴影表示不同的颜色。图3中，不同阴影的点云代表不同的物体。
步骤220，对待分割点云数据进行粗分割，获得多个粗分割数据块。
本发明实施例中，对点云数据进行粗分割可以采用现有技术中的方法，在此不再赘述。
图4所示为本发明实施例的点云数据进行粗分割后的示意图。图4的点云数据被分为A、B、C三个粗分割数据块。
如图4所示，粗分割后有可能出现过分割和欠分割。本发明实施例中，粗分割块B中，包含两种颜色信息，即同一个粗分割数据块中包含两个物体，属于欠分割。粗分割A和粗分割B包含相同的颜色信息，即把同一个物体分成了两个数据块，属于过分割。
步骤230，构建分割相似概率模型。
构建的分割相似概率模型为：
P＝α*exp(d/δ2)+β*d(H1,H2)
其中，H1，H2表示两个分割的直方图,
I表示在直方图中的像素值，0≤I≤255，
H1(I)表示在直方图H1中像素值为I的个数，
H2(I)表示在直方图H2中像素值为I的个数，
d(H1,H2)是两个直方图的相似概率，
α,β是预设权重系数。
步骤340，计算每一个粗分割数据块与其相邻粗分割数据块之间的第一相邻相似概率，根据第一相邻相似概率，对每一个粗分割数据块进行处理，获得第一参考数据块。
步骤340中，若第一相邻相似概率大于或等于预设阈值，则将所述粗分割数据块与其相邻粗分割数据块合并；若所述第一相邻相似概率小于所述预设阈值，则保持所述粗分割数据块不变。
本发明实施例中，对待分割数据进行粗分割之后，获得n个粗分割数据块，记为si∈S(i＝1...n)。
对每一个粗分割数据块si∈S(i＝1...n)，获取与粗分割数据块si最相邻的m个粗分割数据块sj∈Sneibor(j＝1...m)，本发明实施例中，可以设定m＝3。
计算粗分割数据块si与sj的相似概率P1，如果P1≥p，则判定这两个分割为同一物体，将这两个粗分割数据块合并。
本发明实施例中，p＝1/2。
图5所示为本发明实施例的点云数据细分割后的示意图。如图5所示，根据概率模型，将粗分割A和粗分割B进行合并为B'。
步骤250，将每一个第一参考数据块分割为两个子数据块，根据相似概率模型，计算每一个第一参考数据块对应的两个子数据块之间的第一子块相似概率，根据第一子块相似概率，对第一参考数据块进行处理。
将第一参考数据块分割为两个子数据块时，使得所述每一个第一参考数据块对应的两个子数据块之间的最近距离最大。
根据第一子块相似概率，对第一参考数据块进行处理，包括：
若所述第一子块相似概率大于或等于所述预设阈值，则将所述第一参考数据块对应的两个子数据块合并，
若所述第一子块相似概率小于所述预设阈值，则使所述第一参考数据块对应的两个子数据块保持不变。
对参考数据块Sk的两个子分割数据块和计算其相似概率P2，如果如果P2≥p，则判定为为同一物体，则将合并，如果P2＜p，则将Sk分为两个子分割数据块和
图6所示为本发明实施例的点云数据细分割后的示意图，图6中，将参考数据块B'分为了自分割数据块B1和子分割数据块B2。
本发明实施例中，步骤240和步骤250可以调换顺序，在此不再赘述。
本发明实施例的点云分割方法，可以减少点云分割的误差，提高点云分割的精确度。
和上述点云分割方法相对应，本发明实施例还提供了一种点云分割数据装置。
图7所示为本发明实施例的点云分割装置的示意图，如图7所示，一种点云分割装置包括：
融合单元710，用于将原始点云数据与对应的图像数据进行融合，获得待分割点云数据；
粗分割单元720，用于对待分割点云数据进行粗分割，获得多个粗分割数据块；
模型单元730，用于构建分割相似概率模型；
细分割单元740，用于根据所述相似概率模型，对多个粗分割数据块进行细分割。
本发明实施例中，所述构建的分割相似概率模型为：
P＝α*exp(d/δ2)+β*d(H1,H2)
其中，H1，H2表示两个分割的直方图,
I表示在直方图中的像素值，0≤I≤255，
H1(I)表示在直方图H1中像素值为I的个数，
H2(I)表示在直方图H2中像素值为I的个数，
d(H1,H2)是两个直方图的相似概率，
α,β是预设权重系数，δ为预设参数。
细分割单元740还用于，
根据所述相似概率模型，计算每一个粗分割数据块与其相邻粗分割数据块之间的第一相邻相似概率；
若所述第一相邻相似概率大于或等于预设阈值，则将所述粗分割数据块与其相邻粗分割数据块合并，
若所述第一相邻相似概率小于所述预设阈值，则保持所述粗分割数据块不变；
所述获得的数据块为第一参考数据块。
细分割单元740还用于：
将所述每一个第一参考数据块分割为两个子数据块，使得所述每一个第一参考数据块对应的两个子数据块之间的最近距离最大；
根据所述相似概率模型，计算所述每一个第一参考数据块对应的两个子数据块之间的第一子块相似概率；
若所述第一子块相似概率大于或等于所述预设阈值，则将所述第一参考数据块对应的两个子数据块合并，
若所述第一子块相似概率小于所述预设阈值，则使所述第一参考数据块对应的两个子数据块保持不变。
本发明实施例的点云分割装置，可以减少点云分割的误差，提高点云分割的精确度。
本发明的另一个实施例中细分割单元740还用于：
将所述每一个粗分割数据块分割为两个子数据块，使得所述每一个粗分割数据块对应的两个子数据块之间的最近距离最大；
根据所述相似概率模型，计算所述每一个粗分割数据块对应的两个子数据块之间的第二子块相似概率；
若所述第二子块相似概率大于或等于预设阈值，则将所述粗分割数据块对应的两个子数据块合并，
若所述第二子块相似概率小于所述预设阈值，则使所述粗分割数据块对应的两个子数据块保持不变；
所述获得的数据块为第二参考数据块。
本发明的另一个实施例中细分割单元740还用于：
根据所述相似概率模型，计算每一个第二参考数据块与其相邻第二参考数据块之间的第二相邻相似概率；
若所述第二相邻相似概率大于或等于预设阈值，则将所述第二参考数据块与其相邻第二参考数据块合并，
若所述第二相邻相似概率小于所述预设阈值，则保持所述第二参考数据块不变。
本发明实施例的点云分割装置，可以减少点云分割的误差，提高点云分割的精确度。
本发明的实施例中公开了一种点云分割方法和点云分割装置，所述方法包括：将原始点云数据与对应的图像数据进行融合，获得待分割点云数据；对待分割点云数据进行粗分割，获得多个粗分割数据块；构建分割相似概率模型；根据所述相似概率模型，对多个粗分割数据块进行细分割。本发明实施例的点云分割方法，根据图像和点云数据的融合，对点云数据经过多次分割，既可以解决点云分割时的过分割问题，又可以解决欠分割问题，因为可以减少点云分割的误差，提高点云分割的精确度。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件的方式来实现，通用硬件包括通用集成电路、通用CPU、通用存储器、通用元器件等，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种点云分割方法，其特征在于，所述方法包括：
将原始点云数据与对应的图像数据进行融合，获得待分割点云数据；
对待分割点云数据进行粗分割，获得多个粗分割数据块；
构建分割相似概率模型；
根据所述相似概率模型，对多个粗分割数据块进行细分割。
2.如权利要求1所述的方法，其特征在于，所述构建的分割相似概率模型为：
P＝α*exp(d/δ2)+β*d(H1,H2)
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>H</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>I</mi>
</munder>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>H</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>H</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，H1，H2表示两个分割的直方图,
I表示在直方图中的像素值，0≤I≤255，
H1(I)表示在直方图H1中像素值为I的个数，
H2(I)表示在直方图H2中像素值为I的个数，
d(H1,H2)是两个直方图的相似概率，
α,β是预设权重系数，δ为预设参数。
3.如权利要求1或2所述的方法，其特征在于，根据所述相似概率模型，对多个粗分割数据块进行细分割，包括：
根据所述相似概率模型，计算每一个粗分割数据块与其相邻粗分割数据块之间的第一相邻相似概率；
若所述第一相邻相似概率大于或等于预设阈值，则将所述粗分割数据块与其相邻粗分割数据块合并，
若所述第一相邻相似概率小于所述预设阈值，则保持所述粗分割数据块不变；
所述获得的数据块为第一参考数据块。
4.如权利要求3所述的方法，其特征在于，对多个粗分割数据块进行细分割，还包括：
将所述每一个第一参考数据块分割为两个子数据块，使得所述每一个第一参考数据块对应的两个子数据块之间的最近距离最大；
根据所述相似概率模型，计算所述每一个第一参考数据块对应的两个子数据块之间的第一子块相似概率；
若所述第一子块相似概率大于或等于所述预设阈值，则将所述第一参考数据块对应的两个子数据块合并，
若所述第一子块相似概率小于所述预设阈值，则使所述第一参考数据块对应的两个子数据块保持不变。
5.如权利要求1或2所述的方法，其特征在于，所述对多个粗分割数据块进行细分割，包括：
将所述每一个粗分割数据块分割为两个子数据块，使得所述每一个粗分割数据块对应的两个子数据块之间的最近距离最大；
根据所述相似概率模型，计算所述每一个粗分割数据块对应的两个子数据块之间的第二子块相似概率；
若所述第二子块相似概率大于或等于预设阈值，则将所述粗分割数据块对应的两个子数据块合并，
若所述第二子块相似概率小于所述预设阈值，则使所述粗分割数据块对应的两个子数据块保持不变；
所述获得的数据块为第二参考数据块。
6.如权利要求5所述的方法，其特征在于，所述对多个粗分割数据块进行细分割，还包括：
根据所述相似概率模型，计算每一个第二参考数据块与其相邻第二参考数据块之间的第二相邻相似概率；
若所述第二相邻相似概率大于或等于预设阈值，则将所述第二参考数据块与其相邻第二参考数据块合并，
若所述第二相邻相似概率小于所述预设阈值，则保持所述第二参考数据块不变。
7.一种点云分割装置，其特征在于，所述装置包括：
融合单元，用于将原始点云数据与对应的图像数据进行融合，获得待分割点云数据；
粗分割单元，用于对待分割点云数据进行粗分割，获得多个粗分割数据块；
模型单元，用于构建分割相似概率模型；
细分割单元，用于根据所述相似概率模型，对多个粗分割数据块进行细分割。
8.如权利要求7所述的装置，其特征在于，所述构建的分割相似概率模型为：
P＝α*exp(d/δ2)+β*d(H1,H2)
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>H</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>I</mi>
</munder>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>H</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>H</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，H1，H2表示两个分割的直方图,
I表示在直方图中的像素值，0≤I≤255，
H1(I)表示在直方图H1中像素值为I的个数，
H2(I)表示在直方图H2中像素值为I的个数，
d(H1,H2)是两个直方图的相似概率，
α,β是预设权重系数，δ为预设参数。
9.如权利要求7或8所述的装置，其特征在于，所述细分割单元还用于，
根据所述相似概率模型，计算每一个粗分割数据块与其相邻粗分割数据块之间的第一相邻相似概率；
若所述第一相邻相似概率大于或等于预设阈值，则将所述粗分割数据块与其相邻粗分割数据块合并，
若所述第一相邻相似概率小于所述预设阈值，则保持所述粗分割数据块不变；
所述获得的数据块为第一参考数据块。
10.如权利要求9所述的装置，其特征在于，所述细分割单元还用于：
将所述每一个第一参考数据块分割为两个子数据块，使得所述每一个第一参考数据块对应的两个子数据块之间的最近距离最大；
根据所述相似概率模型，计算所述每一个第一参考数据块对应的两个子数据块之间的第一子块相似概率；
若所述第一子块相似概率大于或等于所述预设阈值，则将所述第一参考数据块对应的两个子数据块合并，
若所述第一子块相似概率小于所述预设阈值，则使所述第一参考数据块对应的两个子数据块保持不变。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710583405.6A CN107424166B (zh) | 2017-07-18 | 2017-07-18 | 点云分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710583405.6A CN107424166B (zh) | 2017-07-18 | 2017-07-18 | 点云分割方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107424166A true CN107424166A (zh) | 2017-12-01 |
| CN107424166B CN107424166B (zh) | 2020-05-19 |
Family
ID=60430069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710583405.6A Active CN107424166B (zh) | 2017-07-18 | 2017-07-18 | 点云分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107424166B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934230A (zh) * | 2018-09-05 | 2019-06-25 | 浙江大学 | 一种基于视觉辅助的雷达点云分割方法 |
| CN110009744A (zh) * | 2019-02-22 | 2019-07-12 | 南京航空航天大学 | 一种视觉映射的点云重建方法及其系统 |
| CN110110687A (zh) * | 2019-05-15 | 2019-08-09 | 江南大学 | 基于颜色信息和三维轮廓信息的树上水果自动识别方法 |
| CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
| CN110427488A (zh) * | 2019-07-30 | 2019-11-08 | 北京明略软件系统有限公司 | 文档的处理方法及装置 |
| WO2020234678A1 (en) * | 2019-05-21 | 2020-11-26 | International Business Machines Corporation | Progressive 3d point cloud segmentation into object and background from tracking sessions |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101581575A (zh) * | 2009-06-19 | 2009-11-18 | 南昌航空大学 | 基于激光和摄像机数据融合的三维重建方法 |
| CN102930246A (zh) * | 2012-10-16 | 2013-02-13 | 同济大学 | 一种基于点云片段分割的室内场景识别方法 |
| CN104574376A (zh) * | 2014-12-24 | 2015-04-29 | 重庆大学 | 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法 |
| CN105488809A (zh) * | 2016-01-14 | 2016-04-13 | 电子科技大学 | 基于rgbd描述符的室内场景语义分割方法 |
| WO2016201671A1 (zh) * | 2015-06-18 | 2016-12-22 | 北京大学深圳研究生院 | 一种三维点云的局部特征提取方法及装置 |
| CN106485737A (zh) * | 2015-08-25 | 2017-03-08 | 南京理工大学 | 基于线特征的点云数据与光学影像的自动配准融合方法 |
| CN106600622A (zh) * | 2016-12-06 | 2017-04-26 | 西安电子科技大学 | 一种基于超体素的点云数据分割方法 |
| CN106651926A (zh) * | 2016-12-28 | 2017-05-10 | 华东师范大学 | 一种基于区域配准的深度点云三维重建方法 |
| CN106683105A (zh) * | 2016-12-02 | 2017-05-17 | 深圳市速腾聚创科技有限公司 | 图像分割方法及图像分割装置 |
-
2017
- 2017-07-18 CN CN201710583405.6A patent/CN107424166B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101581575A (zh) * | 2009-06-19 | 2009-11-18 | 南昌航空大学 | 基于激光和摄像机数据融合的三维重建方法 |
| CN102930246A (zh) * | 2012-10-16 | 2013-02-13 | 同济大学 | 一种基于点云片段分割的室内场景识别方法 |
| CN104574376A (zh) * | 2014-12-24 | 2015-04-29 | 重庆大学 | 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法 |
| WO2016201671A1 (zh) * | 2015-06-18 | 2016-12-22 | 北京大学深圳研究生院 | 一种三维点云的局部特征提取方法及装置 |
| CN106485737A (zh) * | 2015-08-25 | 2017-03-08 | 南京理工大学 | 基于线特征的点云数据与光学影像的自动配准融合方法 |
| CN105488809A (zh) * | 2016-01-14 | 2016-04-13 | 电子科技大学 | 基于rgbd描述符的室内场景语义分割方法 |
| CN106683105A (zh) * | 2016-12-02 | 2017-05-17 | 深圳市速腾聚创科技有限公司 | 图像分割方法及图像分割装置 |
| CN106600622A (zh) * | 2016-12-06 | 2017-04-26 | 西安电子科技大学 | 一种基于超体素的点云数据分割方法 |
| CN106651926A (zh) * | 2016-12-28 | 2017-05-10 | 华东师范大学 | 一种基于区域配准的深度点云三维重建方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934230A (zh) * | 2018-09-05 | 2019-06-25 | 浙江大学 | 一种基于视觉辅助的雷达点云分割方法 |
| CN110009744A (zh) * | 2019-02-22 | 2019-07-12 | 南京航空航天大学 | 一种视觉映射的点云重建方法及其系统 |
| CN110009744B (zh) * | 2019-02-22 | 2023-07-21 | 南京航空航天大学 | 一种视觉映射的点云重建方法及其系统 |
| CN110110687A (zh) * | 2019-05-15 | 2019-08-09 | 江南大学 | 基于颜色信息和三维轮廓信息的树上水果自动识别方法 |
| CN110110687B (zh) * | 2019-05-15 | 2020-11-17 | 江南大学 | 基于颜色信息和三维轮廓信息的树上水果自动识别方法 |
| WO2020234678A1 (en) * | 2019-05-21 | 2020-11-26 | International Business Machines Corporation | Progressive 3d point cloud segmentation into object and background from tracking sessions |
| GB2598512A (en) * | 2019-05-21 | 2022-03-02 | Ibm | Progressive 3D point cloud segmentation into object and background from tracking sessions |
| GB2598512B (en) * | 2019-05-21 | 2022-10-05 | Ibm | Progressive 3D point cloud segmentation into object and background from tracking sessions |
| CN110427488A (zh) * | 2019-07-30 | 2019-11-08 | 北京明略软件系统有限公司 | 文档的处理方法及装置 |
| CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
| CN110264468B (zh) * | 2019-08-14 | 2019-11-19 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107424166B (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107424166A (zh) | 点云分割方法及装置 | |
| CN109447994B (zh) | 结合完全残差与特征融合的遥感图像分割方法 | |
| US11875513B2 (en) | Self-adaptive point cloud stripe division method | |
| US9959670B2 (en) | Method for rendering terrain | |
| US11762061B2 (en) | System and method for free space estimation | |
| CN108257128A (zh) | 一种基于3d卷积神经网络的肺结节检测装置的建立方法 | |
| CN110084817A (zh) | 基于深度学习的数字高程模型生产方法 | |
| CN111308500B (zh) | 基于单线激光雷达的障碍物感知方法、装置和计算机终端 | |
| CN106484692A (zh) | 一种三维模型检索方法 | |
| CN104574303A (zh) | 基于空间聚类的机载LiDAR点云地面滤波方法 | |
| CN102622753A (zh) | 基于密度可达测度的半监督谱聚类sar图像分割方法 | |
| CN113012063B (zh) | 一种动态点云修复方法、装置及计算机设备 | |
| CN105005995A (zh) | 一种计算三维点云模型骨骼的方法 | |
| CN110390261A (zh) | 目标检测方法、装置、计算机可读存储介质及电子设备 | |
| CN103916876A (zh) | 一种计算全网络覆盖的方法、装置和通信网络 | |
| CN102073867A (zh) | 一种遥感图像分类方法及装置 | |
| KR101092250B1 (ko) | 레인지 영상으로부터의 객체 분할 장치 및 방법 | |
| CN104143214A (zh) | 一种电子地图多边形三角剖分方法与装置 | |
| Eum et al. | Vehicle detection from airborne LiDAR point clouds based on a decision tree algorithm with horizontal and vertical features | |
| CN108072897A (zh) | 一种混合二维地震波走时计算方法 | |
| CN109118565B (zh) | 一种顾及杆塔电力线遮挡的电力走廊三维模型纹理映射方法 | |
| CN110363847B (zh) | 一种基于点云数据的地图模型构建方法和装置 | |
| CN111383235B (zh) | 一种地图区域处理方法 | |
| CN115620137A (zh) | 绿化区域的生成方法与生成系统 | |
| CN113744323A (zh) | 点云数据处理方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |