CN108961294B - 一种三维点云的分割方法及装置 - Google Patents

Abstract

本申请所述的三维点云的分割方法及装置，以点云中的点在行和列方向上的梯度为依据，从点云中删除拖点，其中拖点为行方向上的梯度和列方向上的梯度大于预设的梯度阈值的点，因此，能够排除拖点对于分割方法的干扰，从而提高分割结果的准确性。

Description

一种三维点云的分割方法及装置

技术领域

本申请涉及电子信息领域，尤其涉及一种三维点云的分割方法及装置。

背景技术

点云是在同一空间参考系下表达目标表面特性的海量点的集合。具有三维(即XYZ)坐标的点云称为三维点云。激光雷达(Lidar)是获取三维点云的一种常见方式。

目前，针对三维点云的分割方法包括RANSAC方法和近邻方法，但现有的针对三维点云的分割方式得到的分割结果的准确性有待提高。

发明内容

申请人在研究的过程中发现，使用Lidar得到的三维点云中，包括特有的拖点(flying pixel)，而现有的三维点云的分割方法，将flying pixel也划分为某一类别的点云簇，从而使得前后重叠的物体被划分为一类，因此，现有的三维点云的分割方法的准确性不高。

本申请提供了一种三维点云的分割方法及装置，目的在于解决如何提高三维点云的分割结果的准确性的问题。

为了实现上述目的，本申请提供了以下技术方案：

一种三维点云的分割方法，包括：

使用点云中的目标点的深度坐标，计算所述目标点在行方向上的梯度和列方向上的梯度，所述目标点为所述点云中的任意一个点；

删除所述点云中的拖点，所述拖点为所述行方向上的梯度和所述列方向上的梯度大于预设的梯度阈值的点；

对删除所述拖点的点云进行分割。

可选的，所述使用点云中的目标点的深度坐标，计算所述目标点在行方向上的梯度和列方向上的梯度包括：

使用

计算点P_i在行方向上的梯度；

使用

计算点P_i在列方向上的梯度；

其中，r表示所述点云的行数，c表示所述点云的列数，P_i表示所述目标点。

可选的，所述对删除所述拖点的点云进行分割包括：

依据所述点云的深度Z方向上的直方图，将点云划分点集；

分别对所述点集划分点云簇。

可选的，所述分别对所述点集划分点云簇包括：

对每一个所述点集建立k维树；

通过在每个所述点集的k维树上执行近邻算法，得到每个所述点集划分出的所述点云簇。

可选的，所述点集为第一类点集；

所述分别对所述点集划分点云簇包括：

对每一个所述第一类点集，依据X方向上的直方图，将所述第一类点集划分为第二类点集；

对每一个所述第二类点集，依据Y方向上的直方图，将所述第二类点集划分为所述点云簇。

可选的，所述对删除所述拖点的点云进行分割包括：

执行以下步骤，直到所述点云中的点均被分类：

任选所述点云中未被选择过的一个点，建立一个集合；

从所述集合中选择一个从未选择过的点，计算选择的点与相邻的8个且不在所述集合中的点的距离，将所述距离小于预设阈值的点加入到所述集合中，直到没有新的点可以能够加入到所述集合中；

其中，得到的所述集合为分割所述点云得到的点云簇。

可选的，在得到所述点云簇后，还包括：

删除点数小于预设数量阈值的点云簇。

一种三维点云的分割装置，包括：

计算模块，用于使用点云中的目标点的深度坐标，计算所述目标点在行方向上的梯度和列方向上的梯度，所述目标点为所述点云中的任意一个点；

删除模块，用于删除所述点云中的拖点，所述拖点为所述行方向上的梯度和所述列方向上的梯度大于预设的梯度阈值的点；

分割模块，用于对删除所述拖点的点云进行分割。

可选的，所述计算模块用于使用点云中的目标点的深度坐标，计算所述目标点在行方向上的梯度和列方向上的梯度包括：

所述计算模块具体用于，使用

计算点P_i在行方向上的梯度；使用

计算点P_i在列方向上的梯度；

其中，r表示所述点云的行数，c表示所述点云的列数，P_i表示所述目标点。

可选的，所述分割模块用于对删除所述拖点的点云进行分割包括：

所述分割模块具体用于，依据所述点云的深度Z方向上的直方图，将点云划分点集；并分别对所述点集划分点云簇。

可选的，所述分割模块用于分别对所述点集划分点云簇包括：

所述分割模块具体用于，对每一个所述点集建立k维树，并通过在每个所述点集的k维树上执行近邻算法，得到每个所述点集划分出的所述点云簇。

可选的，所述点集为第一类点集；

所述分割模块用于分别对所述点集划分点云簇包括：

所述分割模块具体用于，对每一个所述第一类点集，依据X方向上的直方图，将所述第一类点集划分为第二类点集；并对每一个所述第二类点集，依据Y方向上的直方图，将所述第二类点集划分为所述点云簇。

可选的，所述分割模块对删除所述拖点的点云进行分割包括：

所述分割模块具体用于，执行以下步骤，直到所述点云中的点均被分类：

任选所述点云中未被选择过的一个点，建立一个集合；

从所述集合中选择一个从未选择过的点，计算选择的点与相邻的8个且不在所述集合中的点的距离，将所述距离小于预设阈值的点加入到所述集合中，直到没有新的点可以能够加入到所述集合中；

其中，得到的所述集合为分割所述点云得到的点云簇。

可选的，所述删除模块还用于：

删除点数小于预设数量阈值的点云簇。

本申请所述的方法及装置，以点云中的点在行和列方向上的梯度为依据，从点云中删除拖点，其中拖点为行方向上的梯度和列方向上的梯度大于预设的梯度阈值的点，因此，能够排除拖点对于分割方法的干扰，从而提高分割结果的准确性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，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为激光雷达获取三维点云产生flying pixel的原理示意图；

图2为本申请实施例公开的一种三维点云的分割方法的流程图；

图3为本申请实施例公开的又一种三维点云的分割方法的流程图；

图4为深度方向上的直方图的示例图；

图5为本申请实施例公开的又一种三维点云的分割方法的流程图；

图6为本申请实施例公开的又一种三维点云的分割方法的流程图；

图7为本申请实施例公开的一种三维点云的分割装置的结构示意图。

具体实施方式

本申请实施例公开的三维点云的分割方法，可以应用在激光雷达获取的三维点云(即面阵雷达点云)。

所谓面阵雷达点云的分割是指，将面阵雷达点云中的点分割为不同的集合，每个集合中的点云为同一个物体上的点。换句话说，分割也可以看作将点云中的点划分到不同的类型，每个类型表示一个物体。

激光雷达获取三维点云产生flying pixel的原理如图1所示：

(1)由于激光雷达测距装置发出的探测光为具有一定视场角度且具有一定横截面积的单束探测光，该单束探测光的一部分照射到障碍物A上，另一部分照射到障碍物B上，导致测距装置的距离探测既不是A的距离值d1，也不是障碍物B的距离d2，而是介于距离d1和d2之间的某个值d3(图1中未画出)，而d3处是没有任何障碍物的，该d3距离值是个错误的距离探测值，该距离数据(深度数据)d3为flying pixel。

(2)假设当障碍物B不存在，没有任何物体时，也是同样情况，由于单束探测光即照射到了障碍物A中，也照射到了障碍物A之外的区域，所以该距离探测值并不是d1，而是大于d1的某个距离值d4(图1中未画出)，而 d4处是没有任何障碍物的，该d4距离值是个错误的距离探测值，该d4距离数据同样为flying pixel。

本实施例所述的三维点云的分割方法，主要通过去除点云中的flying pixel，以提高分割结果的准确性。

本实施例中，三维点云中的任意一个点P_i的坐标用(x_i,y_i,z_i)表示，其中x_i表示行坐标，y_i表示列坐标，z_i表示深度坐标。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图2为本申请实施例公开的一种三维点云的分割方法，包括以下步骤：

S201：使用点云中的点P_i的深度坐标计算点P_i在行方向和列方向上的梯度。

如前所述，点P_i为点云中的任意一个点。

具体的，点P_i在行方向上的梯度为

其中，r表示点云的行数，c表示点云的列数。

点P_i在行方向上的梯度为

其中，r表示行数，c表示列数。

S202：判断点P_i在行方向和列方向上的梯度是否大于预设的梯度阈值，如果是，删除点P_i。

其中，梯度阈值可以凭经验预先设置，例如，梯度阈值可以为5。

从上述步骤可以看出，本实施例中，以行和列方向上的梯度为依据，判断点P_i是否为flying pixel，如果是flying pixel，则删除该点。

S203：对删除flying pixel的点云进行分割。

因为图1所示的方法中，先将flying pixel去除，再对去除flying pixel的点云进行分割，因此，能够排除flying pixel对于分割方法的干扰，从而提高分割结果的准确性。

进一步的，除了删除flying pixel提高分割结果的准确性外，本申请还提供了在删除flying pixel后，能够高效地对删除flying pixel的点云进行分割的方法，具体的，包括以下三种具体实现方式。

图3为本申请实施例公开的又一种三维点云的分割方法，包括以下步骤：

S301：删除点云中的flying pixel。

删除点云中的flying pixel的具体步骤如S201～S202，这里不再赘述。

S302：获取点云的深度Z方向上的直方图，并依据深度Z方向上的直方图，将点云划分为多个点集S_i，其中S_i点集的个数根据具体情况而定，为一个或者多个点集。例如为S₁、S₂、S₃.......S_n个点集。

基于直方图的定义，点云的深度方向的直方图表示各个深度值的点的数量。

举例说明，假设在深度90厘米和150厘米附近放置两个物体，深度400 厘米附近为背景墙，得到的点云在深度方向的直方图如图4所示，图4中，横轴为数量，纵轴为深度，可以看出，深度值集中在90厘米、150厘米和400 厘米附近。

在直方图上深度值为0处即为点云的分界，即基于图4所示的直方图，将点云划分为点集S₀,S₁,S₂。

这里仅对基于直方图将点云划分为点集的原理进行说明，其具体实现过程，可以参见现有技术，这里不再赘述。

S303：对点集S_i中的每一个点集建立k维树(k-d tree)。

k-d tree是一个二叉树，其中每个节点都是一个k维点。每个非叶节点都可以被认为是隐式地生成一个分裂超平面，该空间将空间分成两部分，称为半空间。该超平面左侧的点由该节点的左侧子树表示，超平面右侧的点由右侧子树表示。

对于任意一个点集S_i，建立k-d tree的过程为：(1)在数据的k-1维(z 轴已经都过S302分割开)选择最大方差的维度，然后在该维度上选择中值为 m对该数据集合进行划分，得到两个子集，同时创建一个node用来存储选择的维度和分裂中值。(2)对两个子集合重复(1)的过程，直至所有子集合都不能再划分为止；如果某个子集合不能再划分时，则将该子集合中的数据保存到叶子节点。

建立k-d tree的更为详细的过程或算法，可以参见现有技术，这里不再赘述。

相比于对整个点云建立的k-d tree，对于点云的点集S_i建立的k-d tree的高度较矮。

S304：通过在每个点集S_i的k-d tree上执行近邻算法，得到每个点集S_i(全部点集构成点云)划分出的点云簇。

具体的，划分点云簇的过程为：

(1)随机选取一个未被选择过的点P_j∈S_i，将P_j加入到分类点集合Q_k中，此时Q_k＝{P_j}；其中，每进行一次该步骤，建立一个新的分类点云集合，例如为Q_k，Q_k+1，Q_k+2……Q_k+m。

(2)从分类点集合Q_k中选择一个从未选择过的点，在S_i对应的k-d tree 上找到最近邻的不在分类点集Q_k中的点，如果最近邻的点与所述选择的点的距离小于预设的距离门限，将最近邻的点加入到Q_k中，并将其从S_i中删除；

(3)重复步骤(2)，直到没有新的点能够加入时，再执行步骤(1)，其中，在再次执行步骤(1)时，随机选取一个未被选择过的点P_j，并加入到新的分类点集合。如果此时S_i已经为空集，则说明S_i集合中的所有点已经分类，结束该点集S_i的划分过程。

直到所有点集S₁、S₂、S₃.......S_n都得到划分出的点云簇。

其中，近邻查找方法为：数据P从根节点开始与各节点比较，向下访问 k-d tree直到叶子节点，计算在该叶子节点下的最小距离，得到最近邻Pcur和 Dcur。再进行回溯操作，寻找更近的最近邻点，如果P与其父节点下未被访问过的分支之间的距离小于Dcur，则进入该分支查找；若大于Dcur则该分支不存在更近的点，回溯过程从下往上进行，直到根节点。近邻的判断依据为：在k-d tree上的两个点P_i和P_j之间的距离d<门限值，d的计算方式如下：

更为详细的过程可参见现有技术，这里不再赘述。

S305：删除点数小于预设数量阈值的点云簇。

数量阈值可以凭经验预先设置，例如，预设数量可以为10个。

S305的目的在于，数据量太少的点云簇无法进行有效的后处理，如特征提取等操作，因此在将数量太少的点云簇当作无效噪点处理，以提高后续处理的效率。

图3所述的三维点云的分割方法，先依据深度方向的直方图将点云划分为点集，在对划分的点集采用k-d tree以及近邻方法划分出点云簇，与现有的近邻方法相比，因此对于点云的点集建立的k-d tree的高度较矮，所以，减少迭代次数，从而能够提高计算效率。因此，在提高分割结果的准确性，进一步提高了计算效率。

图5为本申请实施例公开的又一种三维点云的分割方法，与图3所示的方法相比，区别在于，不再使用k-d tree划分点云簇，而使用三次基于直方图的分割方式，得到点云簇，具体包括以下步骤：

S501：删除点云中的flying pixel。

S502：获取点云的深度Z方向上的直方图，并依据深度Z方向上的直方图，将点云划分为点集Z_i。

得到Z_i的方法与S302相同，这里不再赘述。

S502：对每一个Z_i，获取X方向上的直方图，并依据X方向上的直方图，将Z_i划分为点集X_j(Z_i)。

S503：对每一个X_j(Z_i)，获取Y方向上的直方图，并依据Y方向上的直方图，将X_j(Z_i)划分为点集Y_k(X_j(Z_i))。

其中，每一个Y_k(X_j(Z_i))就是一个分类，即一个点云簇，至此完成三维点云的分割。

本申请的实施例中，所述X、Y、Z为预设的坐标系中的坐标轴的名称。

可选的，也可以包括：

S504：删除点数小于预设数量阈值的点云簇，以提高后续处理的效率。

图5所示的方法，不再使用k-d tree划分点云簇，而三次使用基于直方图的分割方法，得到最终的点云簇，能够提高计算效率。因此，在提高分割结果的准确性，进一步提高了计算效率。

图6为本申请实施例公开的又一种三维点云的分割方法，与图3及图5 所示的方法的区别在于，使用距离迭代判断的方式，划分出点云簇。具体包括如下步骤：

S601：删除点云中的flying pixel。

S602：任选一个未被分类过的初始点P_i，建立一个集合Q＝{P_i}。其中，每进行一次S602，建立一个新的集合Q。

初始点为点云中的任意一个点。集合Q是同一类点的集合，即一个点云簇。

S603：从Q中选择一个从未选择过的点，计算其与相邻的8个且不在集合Q中的点的距离，将距离小于预设阈值的点加入到集合Q中。

在面阵雷达点云中，同一类点从像素中相邻的点进行扩展是合理的。

S604：重复步骤S603，直到Q中所有的点均被选择完，没有新的点能够加入到Q中；如果没有新的点能够加入到Q中，执行S605。

S605：重复执行步骤S602-S603，直到点云中的所有点都已经被分类；如果点云中的所有点都已经被分类，执行S606。

S606：删除点数小于预设数量阈值的点云簇。

图6所示的方法中，使用多次距离判断的方式，完成点云中的点的分类。与传统的k-d tree方式相比，降低了执行的复杂度，具有更高的效率。因此，在提高分割结果的准确性，进一步提高了计算效率。

图7为本申请实施例公开的一种三维点云的分割装置，包括：计算模块、删除模块和分割模块。

其中，计算模块用于使用点云中的目标点的深度坐标，计算所述目标点在行方向上的梯度和列方向上的梯度，所述目标点为所述点云中的任意一个点。删除模块用于删除所述点云中的拖点，所述拖点为所述行方向上的梯度和所述列方向上的梯度大于预设的梯度阈值的点。分割模块用于对删除所述拖点的点云进行分割。

具体的，计算模块的具体计算方式，可以参见方法实施例，这里不再赘述。

分割模块的三种具体分割方法，可以分别参见图3、图5以及图6所示的步骤，这里不再赘述。

可选的，删除模块还可以用于，删除点数小于预设数量阈值的点云簇。

图7所示的装置，能够提高分割结果的准确性，可选的，还可以提高计算效率。

本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (12)

1.一种三维点云的分割方法，其特征在于，包括：

使用点云中的目标点的深度坐标，计算所述目标点在行方向上的梯度和列方向上的梯度，所述目标点为所述点云中的任意一个点；

删除所述点云中的拖点，所述拖点为所述行方向上的梯度和所述列方向上的梯度大于预设的梯度阈值的点；

对删除所述拖点的点云进行分割；

其中，所述使用点云中的目标点的深度坐标，计算所述目标点在行方向上的梯度和列方向上的梯度包括：

使用

计算点P_i在行方向上的梯度；

使用

计算点P_i在列方向上的梯度；

其中，r表示所述点云的行数，c表示所述点云的列数，P_i表示所述目标点；z_i,j+1表示在第i行第j+1列的点云的深度坐标，z_i,j-1表示在第i行第j-1列的点云的深度坐标，z_i+1,j表示在第i+1行第j列的点云的深度坐标，z_i-1,j表示在第i-1行第j列的点云的深度坐标。

2.根据权利要求1所述的方法，其特征在于，所述对删除所述拖点的点云进行分割包括：

依据所述点云的深度Z方向上的直方图，将点云划分点集；

分别对所述点集划分点云簇。

3.根据权利要求2所述的方法，其特征在于，所述分别对所述点集划分点云簇包括：

对每一个所述点集建立k维树；

通过在每个所述点集的k维树上执行近邻算法，得到每个所述点集划分出的所述点云簇。

4.根据权利要求2所述的方法，其特征在于，所述点集为第一类点集；

所述分别对所述点集划分点云簇包括：

对每一个所述第一类点集，依据X方向上的直方图，将所述第一类点集划分为第二类点集；

对每一个所述第二类点集，依据Y方向上的直方图，将所述第二类点集划分为所述点云簇。

5.根据权利要求1所述的方法，其特征在于，所述对删除所述拖点的点云进行分割包括：

执行以下步骤，直到所述点云中的点均被分类：

任选所述点云中未被选择过的一个点，建立一个集合；

从所述集合中选择一个从未选择过的点，计算选择的点与相邻的8个且不在所述集合中的点的距离，将所述距离小于预设阈值的点加入到所述集合中，直到没有新的点可以能够加入到所述集合中；

其中，得到的所述集合为分割所述点云得到的点云簇。

6.根据权利要求2-5任一项所述的方法，其特征在于，在得到所述点云簇后，还包括：

删除点数小于预设数量阈值的点云簇。

7.一种三维点云的分割装置，其特征在于，包括：

计算模块，用于使用点云中的目标点的深度坐标，计算所述目标点在行方向上的梯度和列方向上的梯度，所述目标点为所述点云中的任意一个点；

删除模块，用于删除所述点云中的拖点，所述拖点为所述行方向上的梯度和所述列方向上的梯度大于预设的梯度阈值的点；

分割模块，用于对删除所述拖点的点云进行分割；

其中，所述计算模块用于使用点云中的目标点的深度坐标，计算所述目标点在行方向上的梯度和列方向上的梯度包括：

所述计算模块具体用于，使用

计算点P_i在行方向上的梯度；使用

计算点P_i在列方向上的梯度；

其中，r表示所述点云的行数，c表示所述点云的列数，P_i表示所述目标点；z_i,j+1表示在第i行第j+1列的点云的深度坐标，z_i,j-1表示在第i行第j-1列的点云的深度坐标，z_i+1,j表示在第i+1行第j列的点云的深度坐标，z_i-1,j表示在第i-1行第j列的点云的深度坐标。

8.根据权利要求7所述的装置，其特征在于，所述分割模块用于对删除所述拖点的点云进行分割包括：

所述分割模块具体用于，依据所述点云的深度Z方向上的直方图，将点云划分点集；并分别对所述点集划分点云簇。

9.根据权利要求8所述的装置，其特征在于，所述分割模块用于分别对所述点集划分点云簇包括：

所述分割模块具体用于，对每一个所述点集建立k维树，并通过在每个所述点集的k维树上执行近邻算法，得到每个所述点集划分出的所述点云簇。

10.根据权利要求8所述的装置，其特征在于，所述点集为第一类点集；

所述分割模块用于分别对所述点集划分点云簇包括：

所述分割模块具体用于，对每一个所述第一类点集，依据X方向上的直方图，将所述第一类点集划分为第二类点集；并对每一个所述第二类点集，依据Y方向上的直方图，将所述第二类点集划分为所述点云簇。

11.根据权利要求7所述的装置，其特征在于，所述分割模块对删除所述拖点的点云进行分割包括：

所述分割模块具体用于，执行以下步骤，直到所述点云中的点均被分类：

任选所述点云中未被选择过的一个点，建立一个集合；

从所述集合中选择一个从未选择过的点，计算选择的点与相邻的8个且不在所述集合中的点的距离，将所述距离小于预设阈值的点加入到所述集合中，直到没有新的点可以能够加入到所述集合中；

其中，得到的所述集合为分割所述点云得到的点云簇。

12.根据权利要求7-11任一项所述的装置，其特征在于，所述删除模块还用于：

删除点数小于预设数量阈值的点云簇。

Images