CN113379755B - 一种基于图的乱序场景下3d点云物体实例分割方法 - Google Patents
一种基于图的乱序场景下3d点云物体实例分割方法 Download PDFInfo
- Publication number
- CN113379755B CN113379755B CN202110380679.1A CN202110380679A CN113379755B CN 113379755 B CN113379755 B CN 113379755B CN 202110380679 A CN202110380679 A CN 202110380679A CN 113379755 B CN113379755 B CN 113379755B
- Authority
- CN
- China
- Prior art keywords
- point
- graph
- node
- points
- point cloud
- 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.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010586 diagram Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 9
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000000926 separation method Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于图的乱序场景下3D点云物体实例分割方法,包括如下步骤:步骤1)对原始场景点云数据进行降采样和去噪;步骤2)提取场景点云的关键点,根据关键点之间的近邻关系构成关键点图;步骤3)基于所述关键点图完成点云的粗分割;步骤4)拟基于粗分割后的区域,构建方向包围盒,由方向包围盒的大小判断该区域是否需要细分割,并根据方向包围盒从场景中提取完整的目标点云;并在细分割阶段通过图节点的合并、图的割点的剔除,将相互粘连的零件点云分割后再根据方向包围盒从场景中提取完整的目标点云。有益效果:实现更有效地将粘连在一起的零件分离。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于图的乱序场景下3D点云物体实例分割方法。
背景技术
随着三维数据获取技术、机器视觉等技术的不断发展,3D点云数据在工业检测、医学图像处理、三维重建、机器人智能视觉作业、文物保护等领域已经被广泛应用。点云物体实例分割是点云数据处理的重要一环,即将点云数据集分为多个区域,使每个区域的点只属于同一个物体,分割后提取的目标可以用于目标识别、语义理解、目标定位等。由于点云数据采样密度不均匀、缺乏明确结构,点云物体实例分割面临着许多挑战,在乱序场景中,物体相互堆叠、粘连,更增加了分割的难度。如何通过分割算法将单个物体从场景中分离出来,以实现后续物体定位、识别、特征提取等,是处理乱序场景点云数据的关键问题。
传统的点云分割算法主要有:基于边缘的分割方法、基于模型拟合的分割方法、区域生长算法、欧氏聚类算法。基于边缘的分割方法速度快,但是容易受噪声和点云密度影响,导致分割精度较低;基于模型拟合的点云分割算法只适合处理形状规则的物体,在乱序场景中的适用性较差;区域增长算法对于种子点的选择比较敏感,分割效果受区域生长准则的阈值影响较大;欧氏聚类算法是工程中最常用的点云分割方法,根据点与点之间的欧氏距离进行归类,但需要预先设置距离阈值,阈值过大过小会导致不同程度的欠分割和过分割,影响最终的分割效果。
发明内容
本发明目的在于上述现有技术的不足,提供了一种基于图的乱序场景下3D 点云物体实例分割方法,具体由以下技术方案实现:
所述基于图的乱序场景下3D点云物体实例分割方法,包括如下步骤:
步骤1)对原始场景点云数据进行降采样和去噪;
步骤2)提取场景点云的关键点,根据关键点之间的近邻关系构成关键点图;
步骤3)基于所述关键点图完成点云的粗分割;
步骤4)拟基于粗分割后的区域,构建方向包围盒,由方向包围盒的大小判断该区域是否需要细分割;并在细分割阶段通过图节点的合并、图的割点的剔除,再通过并查集算法对剩余节点分类完成细分割;
步骤5)根据方向包围盒从场景中提取完整的目标点云。
所述基于图的乱序场景下3D点云物体实例分割方法的进一步设计在于,所述步骤2)中的关键点图,具体方式为:当两个点互为k近邻点时,将两点相连接构成边,设生成的图即为关键点图,表示为G(V,E),V表示图的顶点集合,E 表示边的集合。
所述基于图的乱序场景下3D点云物体实例分割方法的进一步设计在于,所述步骤2)关键点的提取采用ISS算法。
所述基于图的乱序场景下3D点云物体实例分割方法的进一步设计在于,所述步骤3)中粗分割为:基于所述关键点图,对于关键点图每一条边,根据两端节点、边的中点这三个点在原始点云中周围点云分布密度的差异,构建动态判断条件,将误连接的、在点云物体之外的边判定为虚边并进行剔除操作,再应用并查集算法查找子图完成粗分割。
所述基于图的乱序场景下3D点云物体实例分割方法的进一步设计在于,粗分割的具体步骤及动态判断条件具体为:
步骤3-1)将边的两端点以及边的中点分别设为p1,p2,p3,计算边的长度,设为d;
步骤3-2)以边的长度的三分之一为半径,即r=1/3d,分别在场景点云中计算三个点在半径r内的近邻点的个数分别对应为:k1、k2、k3;
步骤3-3)根据式(1)所示的动态判断条件比较中点和两端点的近邻点个数,若满足则判定该边为实边,否则判定该边为虚边。
(k3/(k1+k2)≥Th (1)
其中,Th为判断虚边的阈值,取值范围在0.35到0.45之间。
所述基于图的乱序场景下3D点云物体实例分割方法的进一步设计在于,所述步骤4)中图节点的合并包括如下步骤:
步骤4-Ⅰ)设待分割的图为G0(V0,E0),对于节点集V0,计算每个点与其最近邻点之间的距离,以距离的平均值为阈值,选择小于阈值的最近邻点对E1。
步骤4-II)根据最近邻点对E1和原节点集V0,构成图G1(V0,E1),使用并查集算法对图G1的节点集V0进行分类,得到节点集V0对应的根节点集V1,并且记录节点 V0与V1之间的映射关系。
步骤4-III)根据节点之间的映射关系,对边集E0中的每一条边所对应的节点,用该节点对应的根节点代替,得到新的边集E2,G2(V1,E2)即为合并之后的图。
所述基于图的乱序场景下3D点云物体实例分割方法的进一步设计在于,所述步骤4)中图的割点的搜索具体包括如下步骤:
步骤4-A)从图中某节点u开始,对图进行深度优先遍历,并且按顺序对遍历到的节点编号,将u的祖先值low[u]设为其遍历值dfn[u],标记节点u已经被访问;步骤4-B)访问节点u的邻居节点v,若v没有被访问过,u的孩子数加一,并令v的父节点parent[v]=u,继续进行下一步;若v已经被访问过,转到执行步骤4-E);
步骤4-C)递归遍历节点v,令u的祖先值low[u]为u和v的祖先值中的最小值,即low[u]=min(low[u],low[v]);
步骤4-D)根据割点的特性判断u是否为割点:首先判断u是否为根节点,即 parent[u]是否为-1,若其为根结点且子节点数大于2,则u为割点;若u不是根节点,则判断u的子节点v能访问到的最早的祖先节点low[u],是否晚于节点u 的遍历值,即low[v]>=dfn[u],若成立,则u为割点;
步骤4-E)如果节点v被访问过,而且v不是u的父节点,则取u的祖先值和v 的遍历值中的最小值作为u的祖先值,即low[u]=min(low[u],dfn[v]);
步骤4-F)访问u的下一个邻居节点,当邻居节点全部被访问后则结束。
所述基于图的乱序场景下3D点云物体实例分割方法的进一步设计在于,所述步骤4)中判断当前区域是否需要细分割的判断条件为:设定零件的长宽高分别为L1,L2,L3,且L1>L2>L3,方向包围盒的长宽高为B1,B2,B3,若满足B1>1.3 ×L1或B2>1.3×L2则判定该区域需要进行细分割。
所述基于图的乱序场景下3D点云物体实例分割方法的进一步设计在于,所述步骤5)的具体步骤为:
步骤5-1)设关键点集为PK,首先将PK对应的包围盒置于场景点云中,搜索并提取包围盒中的所有点,设该点集为PB;
步骤5-2)将PK中的每个点与其n个近邻点相互连接构成边,针对每一条边,以边的中点为圆心,以边长一半为半径,在点集PB中搜索该点半径内的所有点;
步骤5-3)所有边对应的点集的并集即为目标点集。
本发明的优点如下:
本发明基于图的乱序场景下3D点云物体实例分割方法优于传统点云分割算法,分两个阶段实现乱序场景下点云物体实例分割,其中,粗分割阶段可以快速完成场景点云的区域粗分;细分割阶段能够在零件粘连紧密的情形下通过剔除图的割点实现3D点云物体分割。另一方面,通过图节点合并算法将边长小于阈值的近邻点与该节点合并,以进一步对图的边进行稀疏化,为精分割创造条件,最终实现更有效地将粘连在一起的零件分离。
附图说明
图1为关键点图中虚边的示意图。
图2为粗分割的结果示意图。
图3为图节点合并的示意图。图3(a)为距离过近的图节点的放大示意图。图3 (b)为合并之后的图节点的放大示意图。
图4为细分割结果的示意图。图4(a)为图的割点示意图。图4(b)为细分割的结果示意图。
图5为本发明的基于图的乱序场景下3D点云物体实例分割方法的流程示意图。(图中粗线代表粗分割流程,细线代表细分割流程)
图6为乱序场景的点云物体实例分割结果的示意图。图6(a)为物体乱序堆叠场景示意图。图6(b)为乱序场景点云示意图。图6(c)为本发明分割方法的粗分割结果示意图。图6(d)为为本发明分割方法的细分割结果示意图。图6 (e)区域生长算法分割结果的示意图。图6(f)为欧氏聚类算法分割结果示意图。
具体实施方式
下面结合附图对本发明的技术方案进行进一步说明。
如图5,本实施例的基于图的乱序场景下3D点云物体实例分割方法包括如下步骤:
步骤1)点云预处理:对原始的乱序场景点云数据,首先应用体素降采样方法对原始场景点云数据进行简化,减少点的数量,再使用统计滤波的方式去除离群点。
步骤2)关键点提取,生成关键点图:对预处理之后的场景点云,使用ISS 算法提取场景点云的关键点。根据关键点之间的近邻关系构图,具体方式为:当两个点互为k近邻点时,将两点相连接构成边。设生成的图表示为G(V,E),V表示图的顶点集合,E表示边的集合。
步骤3)剔除虚边实现粗分割:实边位于物体实体之内或边缘地带,沿实边的点云具有相似的分布密度,而虚边则表现为边中部区域无点云分布或者点云密度明显小于两节点附近点云密度。鉴于此,考虑将边两端节点、边中点一起映射回原始场景点云,对比节点与中点的点云分布密度,进行实虚边判断。具体步骤如下:
步骤3-1)将边的两端点以及边的中点分别设为p1,p2,p3,计算边的长度,设为d;
步骤3-2)以边的长度的三分之一为半径,即r=1/3d,分别在场景点云中计算三个点在半径r内的近邻点的个数k1,k2,k3;
步骤3-3)由式比较中点和两端点的近邻点个数,满足的为实边,否则为虚边。
(k3/(k1+k2)≥Th
其中Th为判断虚边的阈值,取值范围在0.35到0.45之间。对于一些表面几何特征不明显,包含较多平面或者光滑曲面的零件,其关键点分布比较均匀,应该取较大的阈值,对于几何特征比较明显的零件,应该取较小阈值。
找到所有虚边后,如图1,将虚边从原关键点图的边集中剔除,图G的节点不变,边由E变为E*,其中E*是E的子集。原关键点图中一些相连的点或者区域已经断开,使用并查集(Union-Find)算法,遍历E*中的每一边,查找合并图中的节点,实现对原图G中的节点分类,完成粗分割。以乱序堆叠长螺母零件 3D点云场景实例分割为例,分割结果参见图2.
步骤4)拟基于粗分割后的区域,构建方向包围盒,由方向包围盒的大小判断该区域是否需要细分割;并在细分割阶段通过图节点的合并、图的割点的剔除,再通过并查集算法对剩余节点分类完成细分割。
其中,构建方向包围盒:构建方向包围盒(Oriented Bounding-Box,OBB) 的目的有两个:一是根据包围盒尺寸判断粗分割后的区域是否需要进一步的细分割;二是通过方向包围盒将完整的目标点云从乱序场景中分割出来。
粗分割后会形成多个独立的区域,首先排除那些点数较少的区域,对剩下的所有区域建立方向包围盒,根据方向包围盒的尺寸判断该区域是否需要细分割,与单个物体的方向包围盒的尺寸相比,尺寸过大的包围盒对应的区域即为多个零件相互粘连在一起的区域。本实施例中的具体操作为:设定零件的长宽高分别为 L1,L2,L3,且L1>L2>L3,方向包围盒的长宽高为B1,B2,B3,由于3D相机是从上往下拍摄,因此零件高度方向的点云不完整,只需要根据包围盒的长和宽判断点云区域与真实零件的大小,将包围盒长度B1>1.3×L1,或者宽度B2>1.3×L2的区域进行细分割需要进一步的细分割。
粗分割或者细分割后的点云都是目标点云的部分关键点,需要根据分割得到关键点集,从场景中搜索对应的完整的物体点集。具体步骤为:首先设关键点集为PK,首先将PK对应的包围盒置于场景点云中,搜索并提取包围盒中的所有点,设该点集为PB;再将PK中的每个点与其n个近邻点相互连接构成边,针对每一条边,以边的中点为圆心,以边长一半为半径,在点集PB中搜索该点半径内的所有点;最后,所有边所对应的点集的并集即为目标点集。
步骤4)中图节点合并:粘连物体之间往往是局部粘连或者点粘连,连接比较薄弱,物体与物体之间的连接边的数量要远远少于物体内部之间的边的连接数量,许多物体之间的连接只是通过很少的几个点,有时可以直接通过寻找割点的剔除这些点。但同时,粘连物体局部连接地带,接合部两侧节点分布往往比较密集,导致该部分存在多点连接的情况,难以形成割点。实验表明,多个物体的粘连部分中,粘连处紧邻点之间的距离往往小于整个区域中相邻点的平均距离,因此可以在不改变连通性的情况下,将相互距离小于阈值的点对合并,减少粘连部分的边的连接数量,为基于割点的细分割创造条件。另一方面,对于实体点云表面,局部最近邻居的节点合并,对表面曲面特性影响很小。
如图3,节点合并步骤具体如下:
步骤4-I)设待分割的图为G0(V0,E0),对于节点集V0,计算每个点与其最近邻点之间的距离,以距离的平均值为阈值,选择小于阈值的最近邻点对E1。
步骤4-II)根据最近邻点对E1和原节点集V0,构成图G1(V0,E1),使用并查集算法对图G1的节点集V0进行分类,得到节点集V0对应的根节点集V1,并且记录节点 V0与V1之间的映射关系。
步骤4-III)根据节点之间的映射关系,对边集E0中的每一条边所对应的节点,用该节点对应的根节点代替,得到新的边集E2,G2(V1,E2)即为合并之后的图。
基于割点剔除的3D点云物体细分割:图的割点,对于一个连通图,若剔除某点以及与它所连接的边之后,原图不再连通,则该点为图的割点。在剔除虚边以及合并图的节点之后,物体之间通常仅靠割点粘连,将其剔除后便可以将物体分开。
为搜索图的割点,需要用递归的方法对图进行深度优先遍历,设图的节点数 N,初始化3个大小为N的数组dfn,low和parent,令数组内的初始值全为-1。 dfn数组表示深度优先遍历过程中访问节点的顺序号(以下简称节点的遍历值),值越小,表明其可以被越早的访问到;low数组表示当前节点不通过其父节点的情况下,能够访问到的节点中,最小的dfn值(以下简称节点的祖先值);parent 数组存储节点的父节点。搜索割点的具体步骤为:
步骤4-A)从图中某节点u开始,对图进行深度优先遍历,并且按顺序对遍历到的节点编号,将u的祖先值low[u]设为其遍历值dfn[u],标记节点u已经被访问;步骤4-B)访问节点u的邻居节点v,若v没有被访问过,u的孩子数加一,并令v的父节点parent[v]=u,继续进行下一步;若v已经被访问过,转到执行步骤4-E);
步骤4-C)递归遍历节点v,令u的祖先值low[u]为u和v的祖先值中的最小值,即low[u]=min(low[u],low[v]);
步骤4-D)根据割点的特性判断u是否为割点:首先判断u是否为根节点,即 parent[u]是否为-1,若其为根结点且子节点数大于2,则u为割点;若u不是根节点,则判断u的子节点v能访问到的最早的祖先节点low[u],是否晚于节点u 的遍历值,即low[v]>=dfn[u],若成立,则u为割点;
步骤4-E)如果节点v被访问过,而且v不是u的父节点,则取u的祖先值和v 的遍历值中的最小值作为u的祖先值,即low[u]=min(low[u],dfn[v]);
步骤4-F)访问u的下一个邻居节点,当邻居节点全部被访问后则结束。
如图4,找到图的割点后,剔除割点及其所在边,再使用并查集算法对剩余节点分类,即可完成细分割。
步骤5)根据方向包围盒从场景中提取完整的目标点云。具体步骤为:
步骤5-1)设关键点集为PK,首先将PK对应的包围盒置于场景点云中,搜索并提取包围盒中的所有点,设该点集为PB;
步骤5-2)将PK中的每个点与其n个近邻点相互连接构成边,针对每一条边,以边的中点为圆心,以边长一半为半径,在点集PB中搜索该点半径内的所有点;
步骤5-3)所有边对应的点集的并集即为目标点集。
如图6,本实施还展示了本算法对乱序场景点云物体的实例分割结果,同时也展示了区域生长、欧氏聚类等传统算法的分割结果。可以看出,本算法的粗分割步骤已经将大部分零件分离,细分割也将粘连比较紧密的零件分离,而其余两种算法均未能将粘连在一起的零件分离,因此本算法要优于所列举的传统点云分割算法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于图的乱序场景下3D点云物体实例分割方法,其特征在于包括如下步骤:
步骤1)对原始场景点云数据进行降采样和去噪;
步骤2)提取场景点云的关键点,根据关键点之间的近邻关系构成关键点图;
步骤3)基于所述关键点图完成点云的粗分割;
步骤4)拟基于粗分割后的区域,构建方向包围盒,由方向包围盒的大小判断该区域是否需要细分割;并在细分割阶段通过图节点的合并、图的割点的剔除,再通过并查集算法对剩余节点分类完成细分割;
步骤5)根据方向包围盒从场景中提取完整的目标点云;
所述步骤3)中粗分割为:基于所述关键点图,对于关键点图每一条边,根据两端节点、边的中点这三个点在原始点云中周围点云分布密度的差异,构建动态判断条件,将误连接的、在点云物体之外的边判定为虚边并进行剔除操作,再应用并查集算法查找子图完成粗分割;
粗分割的具体步骤及动态判断条件具体为:
步骤3-1)将边的两端点以及边的中点分别设为p1,p2,p3,计算边的长度,设为d;
步骤3-2)以边的长度的三分之一为半径,即r=1/3d,分别在原始场景点云中计算三个点在半径r内的近邻点的个数分别对应为:k1、k2、k3;
步骤3-3)根据式(1)所示的动态判断条件比较中点和两端点的近邻点个数,若满足则判定该边为实边,否则判定该边为虚边;
(k3/(k1+k2)≥Th (1)
其中,Th为判断虚边的阈值,取值范围在0.35到0.45之间。
2.根据权利要求1所述的基于图的乱序场景下3D点云物体实例分割方法,其特征在于所述步骤2)中的关键点图,具体方式为:当两个点互为k近邻点时,将两点相连接构成边,设生成的图即为关键点图,表示为G(V,E),V表示图的顶点集合,E表示边的集合。
3.根据权利要求1所述的基于图的乱序场景下3D点云物体实例分割方法,其特征在于所述步骤2)关键点的提取采用ISS算法。
4.根据权利要求1所述的基于图的乱序场景下3D点云物体实例分割方法,其特征在于所述步骤4)中图节点的合并包括如下步骤:
步骤4-I)设待分割的图为G0(V0,E0),对于节点集V0,计算每个点与其最近邻点之间的距离,以距离的平均值为阈值,选择小于阈值的最近邻点对E1;
步骤4-II)根据最近邻点对E1和原节点集V0,构成图G1(V0,E1),使用并查集算法对图G1的节点集V0进行分类,得到节点集V0对应的根节点集V1,并且记录节点V0与V1之间的映射关系;
步骤4-III)根据节点之间的映射关系,对边集E0中的每一条边所对应的节点,用该节点对应的根节点代替,得到新的边集E2,G2(V1,E2)即为合并之后的图。
5.根据权利要求1所述的基于图的乱序场景下3D点云物体实例分割方法,其特征在于所述步骤4)中图的割点的搜索具体包括如下步骤:
步骤4-A)从图中某节点u开始,对图进行深度优先遍历,并且按顺序对遍历到的节点编号,将u的祖先值low[u]设为其遍历值dfn[u],标记节点u已经被访问;步骤4-B)访问节点u的邻居节点v,若v没有被访问过,u的孩子数加一,并令v的父节点parent[v]=u,继续进行下一步;若v已经被访问过,转到执行步骤4-E);
步骤4-C)递归遍历节点v,令u的祖先值low[u]为u和v的祖先值中的最小值,即low[u]=min(low[u],low[v]);
步骤4-D)根据割点的特性判断u是否为割点:首先判断u是否为根节点,即parent[u]是否为-1,若其为根结点且子节点数大于2,则u为割点;若u不是根节点,则判断u的子节点v能访问到的最早的祖先节点low[u],是否晚于节点u的遍历值,即low[v]>=dfn[u],若成立,则u为割点;
步骤4-E)如果节点v被访问过,而且v不是u的父节点,则取u的祖先值和v的遍历值中的最小值作为u的祖先值,即low[u]=min(low[u],dfn[v]);步骤4-F)访问u的下一个邻居节点,当邻居节点全部被访问后则结束。
6.根据权利要求1所述的基于图的乱序场景下3D点云物体实例分割方法,其特征在于所述步骤4)中判断当前区域是否需要细分割的判断条件为:设定零件的长宽高分别为L1,L2,L3,且L1>L2>L3,方向包围盒的长宽高为B1,B2,B3,若满足B1>1.3×L1或B2>1.3×L2则判定该区域需要进行细分割。
7.根据权利要求1所述的基于图的乱序场景下3D点云物体实例分割方法,其特征在于所述步骤5)的具体步骤为:
步骤5-1)设关键点集为PK,首先将PK对应的包围盒置于场景点云中,搜索并提取包围盒中的所有点,设该点集为PB;
步骤5-2)将PK中的每个点与其n个近邻点相互连接构成边,针对每一条边,以边的中点为圆心,以边长一半为半径,在点集PB中搜索该点半径内的所有点;步骤5-3)所有边对应的点集的并集即为目标点集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110380679.1A CN113379755B (zh) | 2021-04-09 | 2021-04-09 | 一种基于图的乱序场景下3d点云物体实例分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110380679.1A CN113379755B (zh) | 2021-04-09 | 2021-04-09 | 一种基于图的乱序场景下3d点云物体实例分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379755A CN113379755A (zh) | 2021-09-10 |
CN113379755B true CN113379755B (zh) | 2024-03-12 |
Family
ID=77569777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110380679.1A Active CN113379755B (zh) | 2021-04-09 | 2021-04-09 | 一种基于图的乱序场景下3d点云物体实例分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379755B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019174236A1 (zh) * | 2018-03-14 | 2019-09-19 | 浙江大学 | 一种基于ViBe的三维声纳点云图像分割方法 |
CN111507334A (zh) * | 2019-01-30 | 2020-08-07 | 中国科学院宁波材料技术与工程研究所 | 一种基于关键点的实例分割方法 |
CN111709269A (zh) * | 2020-04-24 | 2020-09-25 | 中国科学院软件研究所 | 一种深度图像中基于二维关节信息的人手分割方法和装置 |
-
2021
- 2021-04-09 CN CN202110380679.1A patent/CN113379755B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019174236A1 (zh) * | 2018-03-14 | 2019-09-19 | 浙江大学 | 一种基于ViBe的三维声纳点云图像分割方法 |
CN111507334A (zh) * | 2019-01-30 | 2020-08-07 | 中国科学院宁波材料技术与工程研究所 | 一种基于关键点的实例分割方法 |
CN111709269A (zh) * | 2020-04-24 | 2020-09-25 | 中国科学院软件研究所 | 一种深度图像中基于二维关节信息的人手分割方法和装置 |
Non-Patent Citations (1)
Title |
---|
地铁点云分割方法比较研究;王丙达;;四川建材;20190410(04);第138-141页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379755A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898662B (zh) | 基于点云数据的管线设施bim模型自动化重建方法 | |
Anjna et al. | Review of image segmentation technique | |
CN107369161B (zh) | 一种基于改进欧式聚类的散乱工件点云分割方法 | |
Nguyen et al. | 3D point cloud segmentation: A survey | |
Lu et al. | Pairwise linkage for point cloud segmentation | |
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
Xu et al. | Hierarchical segmentation using tree-based shape spaces | |
CN106600622A (zh) | 一种基于超体素的点云数据分割方法 | |
CN110599506B (zh) | 一种复杂异形曲面机器人三维测量的点云分割方法 | |
CN108510516A (zh) | 一种散乱点云的三维线段提取方法及系统 | |
CN110111375B (zh) | 一种Delaunay三角网约束下的影像匹配粗差剔除方法及装置 | |
CN113128610A (zh) | 一种工业零件位姿估计方法及系统 | |
KR101507732B1 (ko) | 영역 기반의 항공 영상 분할 방법 및 이를 실행하는 프로그램 코드를 저장하는 컴퓨터로 읽을 수 있는 저장 매체 | |
CN111145129A (zh) | 基于超体素的点云去噪方法 | |
CN112462347B (zh) | 基于密度聚类的激光雷达点云快速分类滤波算法 | |
CN113012161A (zh) | 一种基于凸性区域生长的堆叠散乱目标点云分割方法 | |
CN114492619A (zh) | 一种基于统计和凹凸性的点云数据集构建方法及装置 | |
Othmani et al. | A novel computer-aided tree species identification method based on burst wind segmentation of 3d bark textures | |
Deng et al. | A novel fast classification filtering algorithm for LiDAR point clouds based on small grid density clustering | |
Luo et al. | Supervoxel-based region growing segmentation for point cloud data | |
Bulatov et al. | Automatic tree-crown detection in challenging scenarios | |
Yalic et al. | Automatic Object Segmentation on RGB-D Data using Surface Normals and Region Similarity. | |
CN106683105A (zh) | 图像分割方法及图像分割装置 | |
CN114463396A (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 | |
CN112070787B (zh) | 基于对立推理理论的航空三维点云平面分割方法 |
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 |