CN110400322A - 基于颜色和三维几何信息的水果点云分割方法 - Google Patents

Abstract

本发明公开了一种基于颜色和三维几何信息的水果点云分割方法，涉及机器视觉技术领域，该方法首先通过融合颜色特征和法线方向直方图特征，基于支持向量机得到初步分割结果，去除大部分背景区域，然后将初步分割结果转换为点云，通过对点云欧式聚类为点云团后提取点云团的视点特征直方图，基于k近邻算法和随机森林算法根据视点特征直方图再次判断点云团是否对应水果区域，从而可以再次去除初步分割后仍然残留的背景等非水果区域，筛选出最终的水果点云团也即水果区域，该方法结合颜色信息和三维几何信息，利用物体表面法线等几何特征来辅助水果点云的分割，可以在一定程度上提高水果识别的准确率，降低误检率。

Description

基于颜色和三维几何信息的水果点云分割方法

技术领域

本发明涉及机器视觉技术领域，尤其是一种基于颜色和三维几何信息的水果点云分割方法。

背景技术

水果采摘机器人的工作流程主要是通过视觉系统获取图像信息，由控制器处理并将信息传递给执行机构，完成最后的采摘任务。对水果的识别的准确率直接关系到后续采摘的成功率。因此，要让采摘机器人能够成功采摘，准确识别是关键。为了提高水果检测的准确率，必须在图像处理阶段尽可能地保留水果区域，同时去除背景等干扰区域，以便于对水果的分割识别。

传统的水果图像分割方法主要是利用颜色信息进行分割，色差法就是利用前景和背景的颜色差异将背景去除。然而，色差法要求前景和背景的颜色差异明显，对于不明显的差异，则会引入较多干扰区域，影响后续水果识别。此外，对于一些颜色和背景相似的水果、光照不均匀等情况，仅仅利用颜色进行分割很难达到理想的效果。彩色图像所提供的颜色、纹理等信息有限，随着对水果检测要求的提高，仅仅利用彩色图像已不能满足人们的要求。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于颜色和三维几何信息的水果点云分割方法，本发明的技术方案如下：

一种基于颜色和三维几何信息的水果点云分割方法，该方法包括：

获取自然场景下的果树的彩色图像、深度图像和三维点云数据；

对于每个像素，在彩色图像中提取像素的HSV颜色特征，利用三维点云数据存储的法向量信息在深度图像中提取像素的法线方向直方图特征；

对每个像素的HSV颜色特征和法线方向直方图特征进行特征融合得到特征向量，利用预先训练的分割模型对特征向量进行分类得到初步分割区域，分割模型基于支持向量机训练得到；

将初步分割区域对应的彩色图像和深度图像处理为三维点云数据记为预分割点云数据，利用各个预分割点云数据的位置信息对预分割点云数据进行欧式聚类为若干个点云团；

提取每个点云团的视点特征直方图，分别利用预先训练的第一判断模型和第二判断模型根据每个点云团的视点特征直方图判断点云团是否属于水果点云团，水果点云团是包括水果的点云团，第一判断模型基于k近邻算法训练得到，第二判断模型基于随机森林算法训练得到；

根据第一判断模型和第二判断模型的判断结果筛选出所有点云团中的水果点云团。

其进一步的技术方案为，利用三维点云数据存储的法向量信息在深度图像中提取像素的法线方向直方图特征，包括：

利用三维点云数据包括的每个像素在空间坐标系的x、y、z通道的坐标值计算各个像素处的法向量的坐标值，各个像素处的法向量的坐标值存储在三维点云数据中；

对于深度图像中的每个像素，利用三维点云数据存储的各个像素处的法向量的坐标值计算每个像素的法向量与像素的3邻域内其余8个像素的法向量之间的夹角的余弦值；

将计算得到的8个余弦值按从小到大的顺序排列形成像素的法线方向直方图特征。

其进一步的技术方案为，利用三维点云数据包括的每个像素在空间坐标系的x、y、z通道的值计算各个像素处的法向量的坐标值，包括：

根据每个像素的z通道的坐标值Z(i,j)构建图像在像素p(m,n)处的z通道的积分图I_z表示为i,j为参数；

计算像素p(m,n)处的水平向量v_ph＝(v_phx,v_phy,v_phz)和垂直向量v_pv＝(v_pvx,v_pvy,v_pvz)，计算公式为：

其中，表达式X()表示像素的x通道的坐标值，表达式Y()表示像素的y通道的坐标值，表达式S()表示需要平滑的矩形区域的像素均值，r是需要平滑的矩形区域的内径，其中表达式S()的通用计算公式为：

根据水平向量和垂直向量计算像素p(m,n)处的法向量的坐标值为n_p＝v_ph×v_pv，符号×表示外积。

其进一步的技术方案为，将初步分割区域对应的彩色图像和深度图像处理为三维点云数据，包括：

利用彩色图像为引导将深度图像中除初步分割区域之外的区域的像素的值置零得到初步分割的深度图像；

按照如下公式将初步分割的深度图像中的每个像素p(m,n)转换到三维空间：

其中，g为初步分割的深度图像中像素p(m,n)的灰度值，camera_f为参数且取值与g的单位对应，camera_cx和camera_cy为图像的中心位置，camera_fx和camera_fy为深度相机的内部参数。

其进一步的技术方案为，提取每个点云团的视点特征直方图，包括：

根据点云团的视点和中心点确定视点方向为V_p-P_c，其中，V_p为点云团的视点，P_c为点云团的中心点；

对于点云团上任一点P_i，计算视点方向与该点P_i的法向量n_i之间的夹角为β_i＝arccos<V_p-P_c,n_i>；

对于点云团上任一点P_i，计算点云团的中心点与该点P_i的平移角α、倾斜角φ、偏航角θ和距离d，计算公式为：

α＝V·n_i；

θ＝arctan(W·n_i,U·n_i)；

d＝||P_i-P_c||₂；

其中，U、V、W是一组标准正交基，U＝n_c、V＝(P_i-P_c)×U、W＝U×V，n_c为中心点P_c的法向量；

统计视点方向与所有点的法向量之间的夹角并分为128个区间，将中心点与所有点的平移角、倾斜角、偏航角和距离分别分为45个区间，总共得到308维的特征直方图即为视点特征直方图。

其进一步的技术方案为，利用各个预分割点云数据的位置信息对预分割点云数据进行欧式聚类为若干个点云团，包括：

对于任意一个预分割点云数据，计算预分割点云数据与每一个邻近点之间的欧氏距离D为：(x₁,y₁,z₁)是预分割点云数据的位置信息，(x₂,y₂,z₂)是邻近点的位置信息；

若预分割点云数据与邻近点之间的欧式距离小于距离阈值，则确定预分割点云数据与邻近点属于同一个点云团，否则确定预分割点云数据与邻近点属于不同的点云团；

遍历空间内所有预分割点云数据完成聚类，将所有预分割点云数据划分为若干个点云团。

其进一步的技术方案为，该方法还包括：

选取训练图片，获取各个训练图片的彩色图像、深度图像和三维点云数据；

人工选取各个训练图片中的水果区域像素和非水果区域像素，水果区域像素是训练图片中水果所在的区域的像素，非水果区域像素是训练图片中不包含水果的区域的像素；

根据各个训练图片的彩色图像、深度图像和三维点云数据提取各个训练图片中每个像素的HSV颜色特征和法线方向直方图特征；

基于支持向量机，采用十折交叉验证寻优，利用各个训练图片中的水果区域像素和非水果区域像素及各自对应的HSV颜色特征和法线方向直方图特征训练得到分割模型。

其进一步的技术方案为，该方法还包括：

利用分割模型对各个训练图片进行初步分割，并将初步分割的彩色图像和深度源图像处理为三维点云数据进行欧式聚类为若干个点云团；

提取各个训练图片中各个点云团的视点特征直方图；

人工将各个点云团分为水果点云团和非水果点云团，非水果点云团是不包括水果的点云团；

基于k近邻算法，利用各个训练图片中的水果点云团和非水果点云团及各自对应的视点特征直方图训练得到第一判断模型；

基于随机森林算法，利用各个训练图片中的水果点云团和非水果点云团及各自对应的视点特征直方图训练得到第二判断模型。

本发明的有益技术效果是：

本申请公开了一种基于颜色和三维几何信息的水果点云分割方法，该方法首先通过融合颜色特征和法线方向直方图特征，基于支持向量机得到初步分割结果，去除大部分背景区域，然后将初步分割结果转换为点云，通过对点云欧式聚类为点云团后提取点云团的视点特征直方图，基于k近邻算法和随机森林算法根据视点特征直方图再次判断点云团是否对应水果区域，从而可以再一次去除初步分割后仍然残留的背景等非水果区域，筛选出最终的水果点云团也即水果区域。该方法结合颜色信息和三维几何信息，利用物体表面法线等几何特征来辅助水果点云的分割，整个流程无需人工设置分割阈值，所需模型通过监督学习方式训练得到，方法简单，适用于多种情况下的水果点云图像背景分割问题，可以在一定程度上提高水果识别的准确率，降低误检率。

附图说明

图1是本申请公开的水果点云分割方法的流程图。

图2是本申请利用的视点特征直方图中各个角度的示意。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步说明。

本申请公开了一种基于颜色和三维几何信息的水果点云分割方法，该方法包括如下步骤，请参考图1所示的步骤示意图：

步骤1，获取自然场景下的果树的彩色图像、深度图像和三维点云数据，在本申请中，三维点云数据是有序点云，彩色图像、深度图像和三维点云数据均对齐，也即二维的图像中的像素p(m,n)在三维的有序点云中也在(m,n)处。

步骤2，对于每个像素，在彩色图像中提取像素的HSV颜色特征，利用三维点云数据存储的法向量信息在深度图像中提取像素的法线方向直方图特征。HSV颜色特征的提取是常用操作，本申请不再详细说明其过程。

在提取法线方向直方图特征时需要利用三维点云数据存储的法向量信息，因此实际需要先计算有序点云的法向量的坐标值，在本申请中利用三维点云数据包括的每个像素在空间坐标系的x、y、z通道的坐标值计算各个像素处的法向量的坐标值，然后将各个像素处的法向量的坐标值存储在三维点云数据中。在本申请中，采用积分图法计算有序点云的法向量，法向量的坐标值的计算阶段使用了点云处理开源库PCL(Point Cloud Library)，计算过程具体包括：

(1)根据每个像素的z通道的坐标值Z(i,j)构建与图像在像素p(m,n)处的z通道的积分图I_z表示为：

其中，i,j为参数。

(2)计算像素p(m,n)处的水平向量v_ph和垂直向量v_pv，定义：

v_ph＝(v_phx,v_phy,v_phz)；

v_pv＝(v_pvx,v_pvy,v_pvz)。

其中，v_phx,v_phy,v_phz,v_pvx,v_pvy,v_pvz均为中间参数，定义这6个参数的计算公式为：

其中，表达式X()表示像素的x通道的坐标值，表达式Y()表示像素的y通道的坐标值，比如X(m+r,n)表示像素P(m+r,n)的x通道的坐标值，Y(m+r,n)表示像素P(m+r,n)的y通道的坐标值，其他表达式的表示含义可以依次类推。，表达式S()表示需要平滑的矩形区域的像素均值，S()的通用计算公式为：

本领域技术人员可以理解的是，当表达式S()中的四个参数I_z,m,n,r不同时，其计算公式中的相应参数相应变化即可，因此本申请不详细示出上述计算公式中的所有表达式的计算方式。在上述计算公式中，r是需要平滑的矩形区域的内径，在点云库PCL的使用过程中r是自适应值，会根据深度图像的偏差变化而变化。

(3)根据像素p(m,n)处的水平向量v_ph和垂直向量v_pv计算该像素p(m,n)处的法向量的坐标值为n_p＝v_ph×v_pv，其中符号×表示外积。

在使用上述方法计算得到各个像素处的法向量的坐标值后存储在三维点云数据中，然后就可以利用这些坐标值在深度图像中提取像素的法线方向直方图特征，具体的：对于深度图像中的每个像素，利用三维点云数据存储的各个像素处的法向量的坐标值计算每个像素的法向量与像素的3邻域内其余8个像素的法向量之间的夹角的余弦值；

其中，n_p是像素p(m,n)处的法向量，n_i表示像素p(m,n)的3邻域内的任一像素处的法向量，cosθ_i即表示n_p与n_i之间的夹角的余弦值。根据该公式即可以分别计算得到8个余弦值。为了方便处理，将计算得到的8个余弦值按从小到大的顺序排列形成像素p(m,n)的法线方向直方图特征。需要说明的是，一般提取纹理特征LBP时也是选取3邻域范围进行计算，本申请也是选取3邻域范围，这样就能获得8维的特征向量，主要也是参考LBP特征的计算方式，实际也可以将邻域范围设置的更大，扩大邻域范围会增加特征维数，同时也会增加计算量，本申请是出于准确性的计算量的均衡考虑选择3邻域范围。

步骤3，对每个像素的HSV颜色特征和法线方向直方图特征进行特征融合得到特征向量，利用预先训练的分割模型对特征向量进行分类得到初步分割区域。特征融合的具体操作可以参考现有常规操作，本申请不详细说明过程，分割模型是一个基于支持向量机的分类器模型，利用分割模型根据特征向量进行初步分割可以初步将前后景区分开，得到的初步分割区域即为一个初步预测的水果所在的区域，这种初步分割的做法是以像素处理的，可以去除大部分背景，但得到的初步分割区域中仍然会有一些残留的非水果区域。

步骤4，将初步分割区域对应的彩色图像和深度图像处理为三维点云数据记为预分割点云数据，具体的，在本申请中，由于彩色图像和深度图像的分辨率是一样的，也即某个像素在彩色图像的位置为(m,n)，在深度图像里也就是(m,n)，因此利用彩色图像为引导将深度图像中除初步分割区域之外的区域的像素的值置零除初步分割区域之外的区域的像素即为初步分割中被认为是背景的像素，由此即可以得到初步分割的深度图像。

然后按照如下公式将初步分割的深度图像中的每个像素p(m,n)转换到三维空间：

其中，g为初步分割的深度图像中像素p(m,n)的灰度值，camera_f为参数且取值与g的单位对应，当灰度值g为mm时，camera_f的值为1000。camera_cx和camera_cy为图像的中心位置，camera_fx和camera_fy为深度相机的内部参数，可通过相机标定得到。

步骤5，利用各个预分割点云数据的位置信息对预分割点云数据进行欧式聚类为若干个点云团，具体包括:

(1)、对于任意一个预分割点云数据，计算该预分割点云数据与其每一个邻近点之间的欧氏距离D为：(x₁,y₁,z₁)是该预分割点云数据P₁的位置信息，(x₂,y₂,z₂)是其邻近点P₂的位置信息。

(2)、若该预分割点云数据P₁与其邻近点P₂之间的欧式距离D小于预先设置的距离阈值，则确定该预分割点云数据P₁与邻近点P₂属于同一类别，也即属于同一个点云团，否则属于不同的点云团。

(3)、遍历空间内所有预分割点云数据并执行上述(1)和(2)完成聚类，从而将所有预分割点云数据划分为若干个点云团。

步骤6，提取每个点云团的视点特征直方图，具体包括对于每一个点云团：

(1)、根据该点云团的视点V_p和中心点P_c确定视点方向为V_p-P_c。

(2)、对于该点云团上任一点P_i，计算视点方向V_p-P_c与该点P_i的法向量n_i之间的夹角为β_i＝arccos<V_p-P_c,n_i>。

(3)、对于该点云团上任一点P_i，计算该点云团的中心点P_c与该点P_i的平移角α、倾斜角φ、偏航角θ和距离d，请参考图2，计算公式为：

α＝V·n_i；

θ＝arctan(W·n_i,U·n_i)；

d＝||P_i-P_c||₂；

其中，U、V、W是一组标准正交基，即Darboux坐标系：

U＝n_c；

V＝(P_i-P_c)×U；

W＝U×V；

其中，n_c为中心点P_c的法向量。

(4)、统计视点方向V_p-P_c与所有点的法向量之间的夹角并分为128个区间，将中心点P_c与所有点的平移角α、倾斜角φ、偏航角θ和距离d分别分为45个区间，总共得到308维的特征直方图即为该点云团的视点特征直方图。区间的具体划分是PCL库自动处理的，因此本申请不作详细说明。

步骤7，分别利用预先训练的第一判断模型和第二判断模型根据每个点云团的视点特征直方图判断该点云团该属于水果点云团还是非水果点云团，水果点云团是包括水果的点云团，非水果点云团是不包括水果的点云团。第一判断模型基于k近邻算法训练得到，第二判断模型基于随机森林算法训练得到。

步骤8，根据第一判断模型和第二判断模型的判断结果筛选出所有点云团中的水果点云团，在本申请中，对两个判断结果执行求或操作得到最终的结果，也即，对于某一个点云团，若至少有一个判断模型判断该点云团是水果点云团，则最终确定该点云团是水果点云团，这种做法可以尽可能保留水果区域，不会在图像分割阶段就将水果去除，影响后续的识别率。至此，已经对初步分割区域进行了进一步处理，去除了其中残留的非水果区域，也即背景，从而得到了更为准确的水果点云团，后续即可从水果点云团中识别提取得到水果。

在本申请公开的方法的应用中，使用到的分割模型、第一判断模型和第二判断都是预先训练得到的，在本申请在实际应用时，还包括对这三个模型的模型训练过程，模型训练过程的操作与上述操作是类似的，具体包括：

1、选取训练图片，获取各个训练图片的彩色图像、深度图像和三维点云数据。

2、人工选取各个训练图片中的水果区域像素和非水果区域像素，水果区域像素是训练图片中水果所在的区域的像素，非水果区域像素是训练图片中不包含水果的区域的像素。

3、根据各个训练图片的彩色图像、深度图像和三维点云数据提取各个训练图片中每个像素的HSV颜色特征和法线方向直方图特征，这一步骤的具体操作与上述步骤2类似，本申请不再赘述。

4、各个训练图片中各个像素的HSV颜色特征和法线方向直方图特征以及人工进行的对该像素属于水果区域像素还是非水果区域像素的划分结果构成了训练分割模型所用的数据集，将该数据集划分为训练集和测试集，基于支持向量机，采用十折交叉验证寻优，利用训练集训练得到分割模型，并利用测试集进行测试。

5、利用分割模型对各个训练图片进行初步分割，并将初步分割的彩色图像和深度源图像处理为三维点云数据进行欧式聚类为若干个点云团，然后提取各个训练图片中各个点云团的视点特征直方图，具体操作与上述步骤2-6类似，本申请对此不再赘述。

6、人工将各个点云团分为水果点云团和非水果点云团。各个训练图片中各个点云团的视点特征直方图以及人工进行的对该点云团属于水果点云团还是非水果点云团的划分结果构成了训练第一判断模型和第二判断模型所用的数据集，将该数据集划分为训练集和测试集。

7、基于k近邻算法，利用训练集训练得到第一判断模型，并利用测试集进行测试。

8、基于随机森林算法，利用训练集训练得到第二判断模型，并利用测试集进行测试。

以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (8)

1.一种基于颜色和三维几何信息的水果点云分割方法，其特征在于，所述方法包括：

获取自然场景下的果树的彩色图像、深度图像和三维点云数据；

对于每个像素，在所述彩色图像中提取所述像素的HSV颜色特征，利用所述三维点云数据存储的法向量信息在所述深度图像中提取所述像素的法线方向直方图特征；

对每个像素的所述HSV颜色特征和法线方向直方图特征进行特征融合得到特征向量，利用预先训练的分割模型对所述特征向量进行分类得到初步分割区域，所述分割模型基于支持向量机训练得到；

将所述初步分割区域对应的彩色图像和深度图像处理为三维点云数据记为预分割点云数据，利用各个所述预分割点云数据的位置信息对所述预分割点云数据进行欧式聚类为若干个点云团；

提取每个所述点云团的视点特征直方图，分别利用预先训练的第一判断模型和第二判断模型根据所述每个点云团的视点特征直方图判断所述点云团是否属于水果点云团，所述水果点云团是包括水果的点云团，所述第一判断模型基于k近邻算法训练得到，所述第二判断模型基于随机森林算法训练得到；

根据所述第一判断模型和第二判断模型的判断结果筛选出所有点云团中的水果点云团。

2.根据权利要求1所述的水果点云分割方法，其特征在于，利用所述三维点云数据存储的法向量信息在所述深度图像中提取所述像素的法线方向直方图特征，包括：

利用所述三维点云数据包括的每个像素在空间坐标系的x、y、z通道的坐标值计算各个像素处的法向量的坐标值，各个像素处的法向量的坐标值存储在所述三维点云数据中；

对于所述深度图像中的每个像素，利用所述三维点云数据存储的各个像素处的法向量的坐标值计算每个像素的法向量与所述像素的3邻域内其余8个像素的法向量之间的夹角的余弦值；

将计算得到的8个余弦值按从小到大的顺序排列形成所述像素的法线方向直方图特征。

3.根据权利要求2所述的水果点云分割方法，其特征在于，所述利用所述三维点云数据包括的每个像素在空间坐标系的x、y、z通道的值计算各个像素处的法向量的坐标值，包括：

根据每个像素的z通道的坐标值Z(i,j)构建图像在像素p(m,n)处的z通道的积分图I_z表示为i,j为参数；

计算像素p(m,n)处的水平向量v_ph＝(v_phx,v_phy,v_phz)和垂直向量v_pv＝(v_pvx,v_pvy,v_pvz)，计算公式为：

其中，表达式X()表示像素的x通道的坐标值，表达式Y()表示像素的y通道的坐标值，表达式S()表示需要平滑的矩形区域的像素均值，r是需要平滑的矩形区域的内径，其中表达式S()的通用计算公式为：

根据所述水平向量和所述垂直向量计算所述像素p(m,n)处的法向量的坐标值为n_p＝v_ph×v_pv，符号×表示外积。

4.根据权利要求1所述的水果点云分割方法，其特征在于，将所述初步分割区域对应的彩色图像和深度图像处理为三维点云数据，包括：

利用所述彩色图像为引导将所述深度图像中除所述初步分割区域之外的区域的像素的值置零得到初步分割的深度图像；

按照如下公式将所述初步分割的深度图像中的每个像素p(m,n)转换到三维空间：

其中，g为所述初步分割的深度图像中像素p(m,n)的灰度值，camera_f为参数且取值与g的单位对应，camera_cx和camera_cy为图像的中心位置，camera_fx和camera_fy为深度相机的内部参数。

5.根据权利要求1所述的水果点云分割方法，其特征在于，所述提取每个所述点云团的视点特征直方图，包括：

根据所述点云团的视点和中心点确定视点方向为V_p-P_c，其中，V_p为所述点云团的视点，P_c为所述点云团的中心点；

对于所述点云团上任一点P_i，计算所述视点方向与该点P_i的法向量n_i之间的夹角为β_i＝arccos<V_p-P_c,n_i>；

对于所述点云团上任一点P_i，计算所述点云团的中心点与该点P_i的平移角α、倾斜角φ、偏航角θ和距离d，计算公式为：

α＝V·n_i；

θ＝arctan(W·n_i,U·n_i)；

d＝||P_i-P_c||₂；

其中，U、V、W是一组标准正交基，U＝n_c、V＝(P_i-P_c)×U、W＝U×V，n_c为中心点P_c的法向量；

统计所述视点方向与所有点的法向量之间的夹角并分为128个区间，将所述中心点与所有点的平移角、倾斜角、偏航角和距离分别分为45个区间，总共得到308维的特征直方图即为所述视点特征直方图。

6.根据权利要求1-5任一所述的水果点云分割方法，其特征在于，所述利用各个所述预分割点云数据的位置信息对所述预分割点云数据进行欧式聚类为若干个点云团，包括：

对于任意一个所述预分割点云数据，计算所述预分割点云数据与每一个邻近点之间的欧氏距离D为：(x₁,y₁,z₁)是所述预分割点云数据的位置信息，(x₂,y₂,z₂)是邻近点的位置信息；

若所述预分割点云数据与邻近点之间的欧式距离小于距离阈值，则确定所述预分割点云数据与所述邻近点属于同一个点云团，否则确定所述预分割点云数据与所述邻近点属于不同的点云团；

遍历空间内所有预分割点云数据完成聚类，将所有预分割点云数据划分为若干个点云团。

7.根据权利要求1-5任一所述的水果点云分割方法，其特征在于，所述方法还包括：

选取训练图片，获取各个所述训练图片的彩色图像、深度图像和三维点云数据；

人工选取各个所述训练图片中的水果区域像素和非水果区域像素，所述水果区域像素是所述训练图片中水果所在的区域的像素，所述非水果区域像素是所述训练图片中不包含水果的区域的像素；

根据各个所述训练图片的彩色图像、深度图像和三维点云数据提取各个所述训练图片中每个像素的HSV颜色特征和法线方向直方图特征；

基于支持向量机，采用十折交叉验证寻优，利用各个所述训练图片中的水果区域像素和非水果区域像素及各自对应的HSV颜色特征和法线方向直方图特征训练得到所述分割模型。

8.根据权利要求7所述的水果点云分割方法，其特征在于，所述方法还包括：

利用所述分割模型对各个所述训练图片进行初步分割，并将初步分割的彩色图像和深度源图像处理为三维点云数据进行欧式聚类为若干个点云团；

提取各个所述训练图片中各个点云团的视点特征直方图；

人工将各个点云团分为水果点云团和非水果点云团，所述非水果点云团是不包括水果的点云团；

基于k近邻算法，利用各个所述训练图片中的水果点云团和非水果点云团及各自对应的视点特征直方图训练得到所述第一判断模型；

基于随机森林算法，利用各个所述训练图片中的水果点云团和非水果点云团及各自对应的视点特征直方图训练得到所述第二判断模型。