CN108961271A - 一种彩色3d点云超体素凹凸分割算法 - Google Patents
一种彩色3d点云超体素凹凸分割算法 Download PDFInfo
- Publication number
- CN108961271A CN108961271A CN201810679746.8A CN201810679746A CN108961271A CN 108961271 A CN108961271 A CN 108961271A CN 201810679746 A CN201810679746 A CN 201810679746A CN 108961271 A CN108961271 A CN 108961271A
- Authority
- CN
- China
- Prior art keywords
- voxel
- super
- formula
- point cloud
- super voxel
- 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
- 238000000638 solvent extraction Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000005484 gravity Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 39
- 238000001514 detection method Methods 0.000 abstract description 17
- 230000000694 effects Effects 0.000 abstract description 8
- 230000007812 deficiency Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种彩色3D点云超体素凹凸分割算法,首先,分别利用统计离群消除滤波器和体素网格滤波器对3D点云数据进行去噪和简化处理,再划分成若干个大小形同的体素,计算各个体素的平均曲率,并将平均曲率最小的体素作为种子体素,进行区域增长,形成超体素,之后构建超体素邻接关系图,并判断相邻超体素间凹凸性、连续性、色差值是都满足要求,进行增长,最后将所有的超体素都归并标记处理完,结束增长,即可得到分割结果。本发明方法在凹凸分割过程中加入了连续性检测和颜色检测准则,减少了处理的时间,提高了分割效果。
Description
技术领域
本发明属于3D点云数据处理技术领域,具体涉及一种彩色3D点云超体素凹凸分割算法。
背景技术
随着人工智能的发展,机器视觉逐渐从二维图像过度到三维图像,而3D点云作为三维图像的典型代表之一,已逐渐被广泛应用。3D点云分割是将点云划分为多个区域的过程,其是点云配准、分类、识别的重要环节,同一区域内的点具有相同的特性,其分割效果的好坏对后续工作起着决定性作用。这种分割由于冗余度高、密度不均匀和点云数据结构不明确等原因具有很大的挑战性。
近些年,利用超体素完成点云分割逐渐引起了一些学者的关注。这种分割方法均是利用超体素间关系、几何特征相似性进行3D点云图像及点云视频的分割和分类。SteinSC等人提出了点云数据的超体素凹凸分割算法。首先,利用八叉树将点云数据划分为指定尺寸体素单元,均匀选取一定距离的体素为种子体素,计算种子体素和相邻体素的特征距离,按此特征距离进行体素增长以形成超体素;其次,对超体素构建点云块邻接关系图,计算相邻超体素块间凹凸关系;最后,任意选取超体素种子,沿着具有凸关系的边进行超体素区域增长,以完成分割的目的。此方法优点在于不需要利用训练模型来分割点云,可直接分割且效果理想。但其还存在一些缺陷:(1)计算复杂度较高,运行速度较慢;(2)若选取的体素种子是凹棱中的体素时会导致分割结果的不稳定;(3)凹凸分割时,相邻距离很近但并不相接的物体无法分割;(4)颜色不同的物体有时无法分割。
发明内容
本发明的目的是提供一种彩色3D点云超体素凹凸分割算法,解决了现有超体素凹凸分割算法中计算复杂度较高且分割结果不稳定的问题。
本发明所采用的技术方案是,一种彩色3D点云超体素凹凸分割算法,具体按照以下步骤实施:
步骤1,分别利用统计离群消除滤波器和体素网格滤波器对3D点云数据进行去噪和简化处理,得到简化后的3D点云数据;
步骤2,利用八叉树将经步骤1后得到的3D点云数据划分成若干个大小形同的体素,计算各个体素的平均曲率,并将平均曲率最小的体素作为种子体素,进行区域增长,形成超体素;
步骤3,经步骤2后,构建超体素邻接关系图,将相邻超体素间凹凸性、连续性检测判定和颜色判定值作为超体素邻接关系图边上的权值;
步骤4,选取任意超体素作为种子超体素,判断相邻超体素间凹凸性、连续性、色差值是否满足要求,当凹凸性权值、连续性权值、色差权值均为真时,进行区域增长;反之,停止增长;
步骤5,经步骤4后,判断邻接关系图中是否存在未标记归并的超体素,若存在,则重复步骤4,直至所有的超体素都归并标记处理完,结束增长,即可得到分割结果。
本发明的特点还在于,
步骤1,具体按照以下步骤实施:
步骤1.1,利用统计离群消除滤波对3D点云数据进行去噪处理,具体步骤为:
步骤1.11,计算3D点云数据中每个点到其最近k邻域点的平均距离d;
步骤1.12,经步骤1.11后,计算每个点的平均距离d的期望值dm和标准差s;
步骤1.13,经步骤1.12后,计算每个点的距离阈值dt,若d>dt,则滤除该点,否则,保留;
步骤1.2,利用体素网格滤波器对经步骤1.1后得到的3D点云数据进行滤波,具体步骤为:
步骤1.21,利用八叉树将经步骤1.1后得到的3D点云数据划分为若干个小立方体素,并计算每个小立方体素的重心点值;
步骤1.22,利用经步骤1.21后得到的重心点值代替每个小立方体素中的所有3D点云数据,得到简化后的3D点云数据。
步骤1.13中,距离阈值dt的计算公式,如式(1)所示:
dt=dm+λ*s (1);
式(1)中,λ为参数,λ=0.1;dm为期望值;s为标准差。
步骤2中,体素中某点z的曲率K计算公式,如式(2)所示:
式(2)中,cotαij为连接zi边的对角,cotβij为连接zj边的对角,N(i)为z邻域内点集合,Amin为点z的最小邻域面积。
步骤2中,体素内所有点的平均曲率计算公式,如式(3)所示:
式(3)中,N为体素内的所有点数。
步骤3中,具体按照以下步骤实施:
步骤3.1,计算相邻超体素间凹凸关系,利用表面法向量和相邻超体素邻接面中心连线间夹角判断两个面之间的凹凸性,若为凸关系,则凹凸关系权值E1=true;若为凹关系,则凹凸关系权值E1=false;
其中,凹凸性的计算公式,如式(4)及式(5)所示:
式(4)及式(5)中,分别为相邻两个超体素邻接面中心,分别为法向量,α1、α2分别为对应面法向量和其中心连线向量的夹角;
步骤3.2,计算每个超体素和其相邻超体素间距离dt,若dt>阈值d,则两个超体素之间无邻接边,连续性权值E2=false,否则,两个超体素之间有邻接边,连续性权值E2=true;
其中,超体素间距离dt的计算公式,如式(6)、式(7)及式(8)所示:
dt=de+dc (6);
dc=ct*Rv (8);
式(6)、式(7)及式(8)中,de为预期距离;dc为连续距离;Rs为超体素间距离;为目标超体素法向量;为与目标超体素相邻超体素的法向量;Rv为体素尺寸;ct为连续阈值,ct=0.1;
步骤3.3,计算每个超体素的平均彩色值,之后依次计算相邻超体素彩色差值,若该差值小于彩色阈值6时,则相邻超体素进行合并,进行区域增长,色差权值E3=true;若该差值大于彩色阈值20时,则相邻超体素不进行合并,停止增长,色差权值E3=false。
步骤4中,判断公式如式(9)所示:
本发明的有益效果是:
该方法分别运用统计离群消除滤波器和体素网格滤波对3D点云数据进行去噪和简化,选取平均曲率最小的体素为种子体素,进行区域增长,以形成超体素,同时,在凹凸分割过程中加入了连续性检测和颜色检测准则,减少了处理的时间,提高了分割效果。
附图说明
图1是本发明一种彩色3D点云超体素凹凸分割算法的流程图;
图2是本实施例中待处理的第一个原3D点云数据图像;
图3是本实施例中利用统计离群消除滤波器对图2中原3D点云数据图像去噪图;
图4是本实施例中利用体素网格滤波器对图3简化后的结果图;
图5是本实施例中待处理的第二个原3D点云数据图像;
图6本实施例中未加入连续性检测准测处理结果图;
图7是本实施例中加入连续性检测准测处理结果图;
图8是本实施例中待处理的第三个原3D点云数据图像;
图9是未加入颜色检测准则的分割方法处理图8的结果图;
图10是加入颜色检测准则的分割方法处理图8的结果图;
图11是本实施例中待处理的第四个原3D点云数据图像;
图12是未经去噪简化的分割方法处理图11的结果图;
图13是本发明的分割方法处理图11的结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种彩色3D点云超体素凹凸分割算法,如图1所示,具体按照以下步骤实施:
步骤1,分别利用统计离群消除滤波器和体素网格滤波器对3D点云数据进行去噪和简化处理,得到简化后的3D点云数据;具体按照以下步骤实施:
步骤1.1,利用统计离群消除滤波对3D点云数据进行去噪处理,具体步骤为:
步骤1.11,计算3D点云数据中每个点到其最近k邻域点的平均距离d;
步骤1.12,经步骤1.11后,计算每个点的平均距离d的期望值dm和标准差s;
步骤1.13,经步骤1.12后,计算每个点的距离阈值dt,若d>dt,则滤除该点,否则,保留;
其中,距离阈值dt的计算公式,如式(1)所示:
dt=dm+λ*s (1);
式(1)中,λ为参数,λ=0.1;dm为期望值;s为标准差;
利用统计离群消除滤波对3D点云数据进行滤波的目的是在保证点云特征不变的前提下可以滤除掉离群噪音点云数据,为后续点云数据的分割奠定基础;
步骤1.2,利用体素网格滤波器对经步骤1.1后得到的3D点云数据进行滤波,在保持几何特征不变的前提下减少点云数量,进而提高分割速度;具体步骤为:
步骤1.21,利用八叉树将经步骤1.1后得到的3D点云数据划分为若干个小立方体素,并计算每个小立方体素的重心点值;
步骤1.22,利用经步骤1.21后得到的重心点值代替每个小立方体素中的所有3D点云数据,得到简化后的3D点云数据;
步骤2,利用八叉树将经步骤1后得到的3D点云数据划分成若干个大小形同的体素,计算各个体素的平均曲率,并将平均曲率最小的体素作为种子体素,进行区域增长,形成超体素;
其中,体素中某点z的曲率K计算公式,如式(2)所示:
式(2)中,cotαij为连接zi边的对角,cotβij为连接zj边的对角,N(i)为z邻域内点集合,Amin为点z的最小邻域面积;
体素内所有点的平均曲率计算公式,如式(3)所示:
式(3)中,N为体素内的所有点数;
步骤3,经步骤2后,构建超体素邻接关系图,将相邻超体素间凹凸性、连续性检测判定和颜色判定值作为超体素邻接关系图边上的权值;具体按照以下步骤实施:
步骤3.1,计算相邻超体素间凹凸关系,利用表面法向量和相邻超体素邻接面中心连线间夹角判断两个面之间的凹凸性,若为凸关系,则凹凸关系权值E1=true;若为凹关系,则凹凸关系权值E1=false;
其中,凹凸性的计算公式,如式(4)及式(5)所示:
式(4)及式(5)中,分别为相邻两个超体素邻接面中心,分别相邻两个超体素邻接面的法向量,α1、α2分别为相邻两个超体素邻接面的法向量与中心连线向量的夹角;
步骤3.2,计算每个超体素和其相邻超体素间距离dt,若dt>阈值d,则两个超体素之间无邻接边,连续性权值E2=false,否则,两个超体素之间有邻接边,连续性权值E2=true;
其中,超体素间距离dt的计算公式,如式(6)、式(7)及式(8)所示:
dt=de+dc (6);
dc=ct*Rv (8);
式(6)、式(7)及式(8)中,de为预期距离;dc为连续距离;Rs为超体素间距离;为目标超体素法向量;为与目标超体素相邻超体素的法向量;Rv为体素尺寸;ct为连续阈值,ct=0.1;
步骤3.3,计算每个超体素的平均彩色值,之后依次计算相邻超体素彩色差值,若此差值小于彩色阈值6时,则相邻超体素进行合并,进行区域增长,色差权值E3=true;若此差值大于彩色阈值20时,则相邻超体素不进行合并,停止增长,色差权值E3=false;
步骤4,选取任意超体素作为种子超体素,判断相邻超体素间凹凸性、连续性、色差值是否满足要求,当凹凸性权值、连续性权值、色差权值均为真时,进行区域增长;反之,停止增长;
其中,判断公式如式(9)所示:
步骤5,经步骤4后,判断邻接关系图中是否存在未标记归并的超体素,若存在,则重复步骤4,直至所有的超体素都归并标记处理完,结束增长,即可得到分割结果。
本发明的方法与现有的超体素凹凸分割算法相比,首先,针对3D扫描仪获取的3D点云数据存在噪音或数据量巨大,影响分割效果和处理的时间,本方法增加了运用统计离群消除滤波器进行去噪处理以及运用体素网格滤波对其进行简化;其次,在超体聚类过分割选取种子体素时,本方法选取平均曲率最小的体素作为种子体素,而现有方法是选取一定距离的体素作为种子体素,其目的是为了避免种子体素落在凹棱上而导致最终的错误分割;最后,传统的超体素凹凸分割算无法分割多个相邻但不相接的物体、整齐并排摆放或叠置但颜色不同的多个物体,本方法在凹凸分割过程中在现有区域增长判定准则的基础上加入了连续性检测和颜色检测准则,能够有效地解决这类问题。
实施例
本发明的一种彩色3D点云超体素凹凸分割算法,具体按照以下步骤实施:
步骤1,先对图2中的原3D点云数据分别利用统计离群消除滤波器和体素网格滤波器对3D点云数据进行去噪和简化处理,得到简化后的3D点云数据;具体按照以下步骤实施:
步骤1.1,利用统计离群消除滤波对3D点云数据进行去噪处理,具体步骤为:
步骤1.11,计算3D点云数据中每个点到其最近k邻域点的平均距离d;
步骤1.12,经步骤1.11后,计算每个点的平均距离d的期望值dm和标准差s;
步骤1.13,经步骤1.12后,计算每个点的距离阈值dt,若d>dt,则滤除该点,否则,保留;
其中,距离阈值dt的计算公式,如式(1)所示:
dt=dm+λ*s (1);
式(1)中,λ为参数,λ=0.1;dm为期望值;s为标准差;
步骤1.2,利用体素网格滤波器对经步骤1.1后得到的3D点云数据进行滤波,在保持几何特征不变的前提下减少点云数量,进而提高分割速度;具体步骤为:
步骤1.21,利用八叉树将经步骤1.1后得到的3D点云数据划分为若干个小立方体素,并计算每个小立方体素的重心点值;
步骤1.22,利用经步骤1.21后得到的重心点值代替每个小立方体素中的所有3D点云数据,得到简化后的3D点云数据;
利用统计离群消除滤波器对图2原3D点云数据进行滤波去噪处理的结果,如图3所示,由图可知,图2中周围的离散噪音点几乎被滤除掉,这为后续点云数据的分割奠定基础;
当点云为曲面时,其表示更准确,利用体素网格滤波器对图3简化后的结果,如图4所示,简化前点数为211794,简化后点数为111355,简化后并不影响原点云数据的空间特征,若场景中的曲面物体较多的情况下,效果更佳明显;
步骤2,利用八叉树将经步骤1后得到的3D点云数据划分成若干个大小形同的体素,计算各个体素的平均曲率,并将平均曲率最小的体素作为种子体素,进行区域增长,形成超体素;
其中,体素中某点z的曲率K计算公式,如式(2)所示:
式(2)中,cotαij为连接zi边的对角,cotβij为连接zj边的对角,N(i)为z邻域内点集合,Amin为点z的最小邻域面积;
体素内所有点的平均曲率计算公式,如式(3)所示:
式(3)中,N为体素内的所有点数;
该步骤中以平均曲率最小的体素作为种子体素,从而避免了因种子体素落在凹棱上带来错误分割;而现有的凹凸分割方法中,该步骤种子体素的选取方法是均匀地按照一定距离的体素作为种子体素,这样就无法解决种子体素落在凹棱上的区域增长的分割,导致其过分割或欠分割;
步骤3,经步骤2后,构建超体素邻接关系图,将相邻超体素间凹凸性、连续性检测判定和颜色判定值作为超体素邻接关系图边上的权值;具体按照以下步骤实施:
步骤3.1,计算相邻超体素间凹凸关系,利用表面法向量和相邻超体素邻接面中心连线间夹角判断两个面之间的凹凸性,若为凸关系,则凹凸关系权值E1=true;若为凹关系,则凹凸关系权值E1=false;
其中,凹凸性的计算公式,如式(4)及式(5)所示:
式(4)及式(5)中,分别为相邻两个超体素邻接面中心,分别为法向量,α1、α2分别为相邻两个超体素邻接面的法向量与中心连线向量的夹角;
步骤3.2,计算每个超体素和其相邻超体素间距离dt,若dt>阈值d,则两个超体素之间无邻接边,连续性权值E2=false,否则,两个超体素之间有邻接边,连续性权值E2=true;
其中,超体素间距离dt的计算公式,如式(6)、式(7)及式(8)所示:
dt=de+dc (6);
dc=ct*Rv (8);
式(6)、式(7)及式(8)中,de为预期距离;dc为连续距离;Rs为超体素间距离;为目标超体素法向量;为与目标超体素相邻超体素的法向量;Rv为体素尺寸;ct为连续阈值,ct=0.1;
增加连续性检测准则能够有效地将两个距离很近但并不相连的目标物分割开来,图5为待处理的第二个原3D点云数据图像,即连续性检测凹凸分割算法的原图,图6为现有凹凸分割方法中未加入连续性检测准测处理的结果,由图6可以看出,现有分割方法中并未有效的将距离很近但又不相连的两个沙发分割开,图7为加入了连续性检测准则后处理的结果,由图7可知,该方法能够有效的将距离很近但又不相连的两个沙发分割开来,避免出现过分割或欠分割的情况;
步骤3.3,计算每个超体素的平均彩色值,之后依次计算相邻超体素彩色差值,若此差值小于彩色阈值6时,则相邻超体素进行合并,进行区域增长,色差权值E3=true;若此差值大于彩色阈值20时,则相邻超体素不进行合并,停止增长,色差权值E3=false;
增加颜色检测准则能够有效地将一些整齐叠放但颜色有差异的多个物体分割开来,图8为待处理的第三个原3D点云数据图像,即待分割的相互重叠但颜色不同的书籍,图9为未加入颜色检测准则的分割方法处理的结果,由图9可知,该方法不能有效的将相互重叠但颜色不同的书籍分割开来,图10为加入颜色检测准则后分割的结果,由图10可知,该方法能够有效地将相互重叠但颜色不同的书籍分割开来,达到较好的分割效果;
步骤4,选取任意超体素作为种子超体素,判断相邻超体素间凹凸性、连续性、色差值是否满足要求,当凹凸性权值、连续性权值、色差权值均为真时,进行区域增长;反之,停止增长;
其中,判断公式如式(9)所示:
步骤5,经步骤4后,判断邻接关系图中是否存在未标记归并的超体素,若存在,则重复步骤4,直至所有的超体素都归并标记处理完,结束增长,即可得到分割结果。
图11为待处理的第四个原3D点云数据图像,图12为未经去噪简化的凹凸分割方法处理的结果,且在形成超体素过程中种子体素的选取采用具有一定距离的体素未种子体素,超体素区域增长时仅仅采用凹凸性准则进行区域增长,从分割结果可以看出该图中最右侧的沙发出现过分割,水平方向的两个沙发和后背物体出现欠分割,图13为经去噪简化分割方法处理的结果图,这说明了该方法能够有效地克服原分割方法中的不足,避免分割过程中出现过分割和欠分割的不足。
将现有方法(即只有凹凸性判断准则以及采用常规种子体素的选取方法)和本方法分割图像性能对比,如表1所示,由表可知,采用本方法对图像进行分割,其性能均优于现有方法,本方法不仅在算法的执行时间上减少了40.14%,聚类数量与人眼观察到的数量基本一致。
表1 现有方法和本方法分割图像性能对比
Claims (7)
1.一种彩色3D点云超体素凹凸分割算法,其特征在于,具体按照以下步骤实施:
步骤1,分别利用统计离群消除滤波器和体素网格滤波器对3D点云数据进行去噪和简化处理,得到简化后的3D点云数据;
步骤2,利用八叉树将经步骤1后得到的3D点云数据划分成若干个大小形同的体素,计算各个体素的平均曲率,并将平均曲率最小的体素作为种子体素,进行区域增长,形成超体素;
步骤3,经步骤2后,构建超体素邻接关系图,将相邻超体素间凹凸性、连续性检判定和颜色判定值作为超体素邻接关系图边上的权值;
步骤4,选取任意超体素作为种子超体素,判断相邻超体素间凹凸性、连续性、色差值是否满足要求,当凹凸性权值、连续性权值、色差权值均为真时,进行区域增长;反之,停止增长;
步骤5,经步骤4后,判断邻接关系图中是否存在未标记归并的超体素,若存在,则重复步骤4,直至所有的超体素都归并标记处理完,结束增长,即可得到分割结果。
2.根据权利要求1所述的一种彩色3D点云超体素凹凸分割算法,其特征在于,所述步骤1,具体按照以下步骤实施:
步骤1.1,利用统计离群消除滤波对3D点云数据进行去噪处理,具体步骤为:
步骤1.11,计算3D点云数据中每个点到其最近k邻域点的平均距离d;
步骤1.12,经步骤1.11后,计算每个点的平均距离d的期望值dm和标准差s;
步骤1.13,经步骤1.12后,计算每个点的距离阈值dt,若d>dt,则滤除该点,否则,保留;
步骤1.2,利用体素网格滤波器对经步骤1.1后得到的3D点云数据进行滤波,具体步骤为:
步骤1.21,利用八叉树将经步骤1.1后得到的3D点云数据划分为若干个小立方体素,并计算每个小立方体素的重心点值;
步骤1.22,利用经步骤1.21后得到的重心点值代替每个小立方体素中的所有3D点云数据,得到简化后的3D点云数据。
3.根据权利要求2所述的一种彩色3D点云超体素凹凸分割算法,其特征在于,所述步骤1.13中,距离阈值dt的计算公式,如式(1)所示:
dt=dm+λ*s (1);
式(1)中,λ为参数,λ=0.1;dm为期望值;s为标准差。
4.根据权利要求1所述的一种彩色3D点云超体素凹凸分割算法,其特征在于,所述步骤2中,体素中某点z的曲率K计算公式,如式(2)所示:
式(2)中,cotαij为连接zi边的对角,cotβij为连接zj边的对角,N(i)为z邻域内点集合,Amin为点z的最小邻域面积。
5.根据权利要求1所述的一种彩色3D点云超体素凹凸分割算法,其特征在于,所述步骤2中,体素内所有点的平均曲率计算公式,如式(3)所示:
式(3)中,N为体素内的所有点数。
6.根据权利要求1所述的一种彩色3D点云超体素凹凸分割算法,其特征在于,所述步骤3中,具体按照以下步骤实施:
步骤3.1,计算相邻超体素间凹凸关系,利用表面法向量和相邻超体素邻接面中心连线间夹角判断两个面之间的凹凸性,若为凸关系,则凹凸关系权值E1=true;若为凹关系,则凹凸关系权值E1=false;
其中,凹凸性的计算公式,如式(4)及式(5)所示:
式(4)及式(5)中,分别为相邻两个超体素邻接面中心,分别为法向量,α1、α2分别为相邻两个超体素邻接面的法向量与中心连线向量的夹角;
步骤3.2,计算每个超体素和其相邻超体素间距离dt,若dt>阈值d,则两个超体素之间无邻接边,连续性权值E2=false,否则,两个超体素之间有邻接边,连续性权值E2=true;
其中,超体素间距离dt的计算公式,如式(6)、式(7)及式(8)所示:
dt=de+dc (6);
dc=ct*Rv (8);
式(6)、式(7)及式(8)中,de为预期距离;dc为连续距离;Rs为超体素间距离;为目标超体素法向量;为与目标超体素相邻超体素的法向量;Rv为体素尺寸;ct为连续阈值,ct=0.1;
步骤3.3,计算每个超体素的平均彩色值,之后依次计算相邻超体素彩色差值,若该差值小于彩色阈值6时,则相邻超体素进行合并,进行区域增长,色差权值E3=true;若该差值大于彩色阈值20时,则相邻超体素不进行合并,停止增长,色差权值E3=false。
7.根据权利要求5所述的一种彩色3D点云超体素凹凸分割算法,其特征在于,所述步骤4中,判断公式如式(9)所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810679746.8A CN108961271B (zh) | 2018-06-27 | 2018-06-27 | 一种彩色3d点云超体素凹凸分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810679746.8A CN108961271B (zh) | 2018-06-27 | 2018-06-27 | 一种彩色3d点云超体素凹凸分割算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108961271A true CN108961271A (zh) | 2018-12-07 |
CN108961271B CN108961271B (zh) | 2022-01-07 |
Family
ID=64487137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810679746.8A Active CN108961271B (zh) | 2018-06-27 | 2018-06-27 | 一种彩色3d点云超体素凹凸分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108961271B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816682A (zh) * | 2019-01-22 | 2019-05-28 | 西南交通大学 | 一种基于凹凸性的腕臂系统分割与参数检测方法 |
CN110033519A (zh) * | 2019-04-23 | 2019-07-19 | 中南大学 | 基于隐式函数的三维建模方法、装置、系统及存储介质 |
CN111145129A (zh) * | 2020-04-03 | 2020-05-12 | 速度时空信息科技股份有限公司 | 基于超体素的点云去噪方法 |
CN111161267A (zh) * | 2019-12-09 | 2020-05-15 | 西安工程大学 | 一种三维点云模型的分割方法 |
CN111311576A (zh) * | 2020-02-14 | 2020-06-19 | 易思维(杭州)科技有限公司 | 基于点云信息的缺陷检测方法 |
CN111462147A (zh) * | 2020-04-30 | 2020-07-28 | 柳州智视科技有限公司 | 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法 |
CN111488769A (zh) * | 2019-01-28 | 2020-08-04 | 北京工商大学 | 基于光斑发散尺寸的无监督式融合点云超体素化方法 |
CN112356019A (zh) * | 2020-08-06 | 2021-02-12 | 武汉科技大学 | 一种用于灵巧手抓取的目标物体形体分析方法及装置 |
CN113052193A (zh) * | 2019-12-27 | 2021-06-29 | 沈阳新松机器人自动化股份有限公司 | 机器人重定位方法及系统 |
CN113340266A (zh) * | 2021-06-02 | 2021-09-03 | 江苏豪杰测绘科技有限公司 | 一种室内空间测绘系统及方法 |
CN113470106A (zh) * | 2021-07-14 | 2021-10-01 | 河南科技大学 | 一种无接触式奶牛体尺信息采集方法 |
CN117152446A (zh) * | 2023-10-31 | 2023-12-01 | 昆明理工大学 | 一种基于高斯曲率和局部凹凸性的改进lccp点云分割方法 |
CN117710717A (zh) * | 2024-02-05 | 2024-03-15 | 法奥意威(苏州)机器人系统有限公司 | 超体聚类点云分割方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745459A (zh) * | 2013-12-26 | 2014-04-23 | 西安交通大学 | 一种非结构化点云特征点检测方法及其提取方法 |
US20140228860A1 (en) * | 2011-08-03 | 2014-08-14 | Conformis, Inc. | Automated Design, Selection, Manufacturing and Implantation of Patient-Adapted and Improved Articular Implants, Designs and Related Guide Tools |
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 |
CN106650628A (zh) * | 2016-11-21 | 2017-05-10 | 南京邮电大学 | 一种基于三维k曲率的指尖检测方法 |
-
2018
- 2018-06-27 CN CN201810679746.8A patent/CN108961271B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140228860A1 (en) * | 2011-08-03 | 2014-08-14 | Conformis, Inc. | Automated Design, Selection, Manufacturing and Implantation of Patient-Adapted and Improved Articular Implants, Designs and Related Guide Tools |
CN103745459A (zh) * | 2013-12-26 | 2014-04-23 | 西安交通大学 | 一种非结构化点云特征点检测方法及其提取方法 |
CN106650628A (zh) * | 2016-11-21 | 2017-05-10 | 南京邮电大学 | 一种基于三维k曲率的指尖检测方法 |
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 |
Non-Patent Citations (4)
Title |
---|
SIMON CHRISTOPH STEIN ET AL: "Object Partitioning using Local Convexity", 《2014 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
李仁忠: "基于改进的区域生长三维点云分割", 《激光与光电子学进展》 * |
黄镇: "结合超体素几何和色彩信息的快速3D点云分割", 《中国科技论文》 * |
黄镇等: "基于凹凸性方法的杂乱场景点云分割算法", 《科学技术与工程》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816682A (zh) * | 2019-01-22 | 2019-05-28 | 西南交通大学 | 一种基于凹凸性的腕臂系统分割与参数检测方法 |
CN109816682B (zh) * | 2019-01-22 | 2022-12-06 | 西南交通大学 | 一种基于凹凸性的腕臂系统分割与参数检测方法 |
CN111488769A (zh) * | 2019-01-28 | 2020-08-04 | 北京工商大学 | 基于光斑发散尺寸的无监督式融合点云超体素化方法 |
CN110033519A (zh) * | 2019-04-23 | 2019-07-19 | 中南大学 | 基于隐式函数的三维建模方法、装置、系统及存储介质 |
CN110033519B (zh) * | 2019-04-23 | 2022-06-28 | 中南大学 | 基于隐式函数的三维建模方法、装置、系统及存储介质 |
CN111161267A (zh) * | 2019-12-09 | 2020-05-15 | 西安工程大学 | 一种三维点云模型的分割方法 |
CN113052193A (zh) * | 2019-12-27 | 2021-06-29 | 沈阳新松机器人自动化股份有限公司 | 机器人重定位方法及系统 |
CN113052193B (zh) * | 2019-12-27 | 2023-07-11 | 沈阳新松机器人自动化股份有限公司 | 机器人重定位方法及系统 |
CN111311576A (zh) * | 2020-02-14 | 2020-06-19 | 易思维(杭州)科技有限公司 | 基于点云信息的缺陷检测方法 |
CN111145129A (zh) * | 2020-04-03 | 2020-05-12 | 速度时空信息科技股份有限公司 | 基于超体素的点云去噪方法 |
CN111462147B (zh) * | 2020-04-30 | 2022-07-05 | 柳州智视科技有限公司 | 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法 |
CN111462147A (zh) * | 2020-04-30 | 2020-07-28 | 柳州智视科技有限公司 | 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法 |
CN112356019A (zh) * | 2020-08-06 | 2021-02-12 | 武汉科技大学 | 一种用于灵巧手抓取的目标物体形体分析方法及装置 |
CN113340266A (zh) * | 2021-06-02 | 2021-09-03 | 江苏豪杰测绘科技有限公司 | 一种室内空间测绘系统及方法 |
CN113470106A (zh) * | 2021-07-14 | 2021-10-01 | 河南科技大学 | 一种无接触式奶牛体尺信息采集方法 |
CN113470106B (zh) * | 2021-07-14 | 2022-12-02 | 河南科技大学 | 一种无接触式奶牛体尺信息采集方法 |
CN117152446A (zh) * | 2023-10-31 | 2023-12-01 | 昆明理工大学 | 一种基于高斯曲率和局部凹凸性的改进lccp点云分割方法 |
CN117152446B (zh) * | 2023-10-31 | 2024-02-06 | 昆明理工大学 | 一种基于高斯曲率和局部凹凸性的改进lccp点云分割方法 |
CN117710717A (zh) * | 2024-02-05 | 2024-03-15 | 法奥意威(苏州)机器人系统有限公司 | 超体聚类点云分割方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108961271B (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961271A (zh) | 一种彩色3d点云超体素凹凸分割算法 | |
CN107369161A (zh) | 一种基于改进欧式聚类的散乱工件点云分割方法 | |
CN109685080B (zh) | 基于霍夫变换与区域生长的多尺度平面提取方法 | |
CN110009743B (zh) | 一种场景理解的网格曲面重建方法 | |
CN107123164A (zh) | 保持锐利特征的三维重建方法及系统 | |
CN109993783A (zh) | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 | |
CN108898610A (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN108416789A (zh) | 图像边缘检测方法及系统 | |
CN104463871B (zh) | 基于车载LiDAR点云数据的街景面片提取及优化方法 | |
CN112070818A (zh) | 基于机器视觉的机器人无序抓取方法和系统及存储介质 | |
CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
CN106504277B (zh) | 一种改进的icp点云自动配准方法 | |
CN108510516A (zh) | 一种散乱点云的三维线段提取方法及系统 | |
CN107025687B (zh) | 一种基于视觉依赖曲率估算的文物线图绘制方法 | |
CN108537239A (zh) | 一种图像显著性目标检测的方法 | |
CN110807781A (zh) | 一种保留细节与边界特征的点云精简方法 | |
CN109147040A (zh) | 基于模板的人体点云孔洞修补方法 | |
CN107680168A (zh) | 三维重建中基于平面拟合的网格简化方法 | |
CN114972377A (zh) | 基于移动最小二乘法与超体素的3d点云分割方法和装置 | |
CN107463933A (zh) | 一种图像目标检测方法 | |
CN109087295A (zh) | 基于灰度值投影法的桥梁露筋视觉检测方法 | |
CN109493344A (zh) | 一种大规模城市三维场景的语义分割方法 | |
CN109671154A (zh) | 三角网格表示的曲面非迭代重新网格化方法 | |
CN104809457A (zh) | 一种基于区域化隐函数特征的三维人脸识别方法及系统 | |
CN108765478A (zh) | 一种建筑点云中分离单体建筑的密度聚类算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |