CN113436223B - 点云数据的分割方法、装置、计算机设备和存储介质 - Google Patents

点云数据的分割方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113436223B
CN113436223B CN202110794613.7A CN202110794613A CN113436223B CN 113436223 B CN113436223 B CN 113436223B CN 202110794613 A CN202110794613 A CN 202110794613A CN 113436223 B CN113436223 B CN 113436223B
Authority
CN
China
Prior art keywords
point cloud
cloud data
data set
point
segmentation
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
Application number
CN202110794613.7A
Other languages
English (en)
Other versions
CN113436223A (zh
Inventor
彭泊涵
李兵
周庆
吕扬
杨伯钢
侯庆明
赵博
王建楠
徐政
张良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Surveying and Mapping
Original Assignee
Beijing Institute of Surveying and Mapping
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Surveying and Mapping filed Critical Beijing Institute of Surveying and Mapping
Priority to CN202110794613.7A priority Critical patent/CN113436223B/zh
Publication of CN113436223A publication Critical patent/CN113436223A/zh
Application granted granted Critical
Publication of CN113436223B publication Critical patent/CN113436223B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种点云数据的分割方法、装置、计算机设备和存储介质。该方法包括：获取第一点云数据集；按照第一点云数据集的几何特性，分割第一点云数据集，得到第二点云数据集；获取第二点云数据集的主轴方向，并在第二点云数据集的主轴方向上对第二点云数据集进行拟合，得到拟合结果；根据拟合结果设置分割参数；按照分割参数，分割第二点云数据集，得到至少一个目标点云数据集。能兼顾第二点云数据集的空间分布差异，提高点云数据的分割精度。

Description

点云数据的分割方法、装置、计算机设备和存储介质
技术领域
本申请涉及点云数据处理技术领域，特别是涉及一种点云数据的分割方法、装置、计算机设备和存储介质。
背景技术
激光雷达(Light Detection And Ranging，LiDAR)是一种主动式的观测技术，凭借其高精度、高密集、抗干扰的优势在城市规划、农业开发、交通通讯及环境监测等方面发挥着重要的作用。随着激光雷达技术的发展，出现了通过激光雷达采集和分析点云数据的技术。在对激光雷达采集到的点云数据进行分析时，通常需要对点云数据进行分割。传统技术中，通常是按照预先设定好的分割参数，对点云数据进行分割。
然而，按照预先设定好的参数对点云数据进行分割，无法体现点云数据的空间分布差异，点云数据的分割精度低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高点云数据的分割精度的点云数据的分割方法、装置、计算机设备和存储介质。
一种点云数据的分割方法，所述方法包括：
获取第一点云数据集；
按照所述第一点云数据集的几何特性，分割所述第一点云数据集，得到第二点云数据集；
获取所述第二点云数据集的主轴方向，并在所述第二点云数据集的主轴方向上对所述第二点云数据集进行拟合，得到拟合结果；
根据所述拟合结果设置分割参数；
按照所述分割参数，分割所述第二点云数据集，得到至少一个目标点云数据集。
在其中一个实施例中，所述获取第一点云数据集，包括：
获取初始点云数据集；
对所述初始点云数据集进行分割，得到至少一个第三点云数据集；
对于每一所述第三点云数据集，确定出所述第三点云数据集的主轴方向；
根据所述第三点云数据集的主轴方向，转换所述第三点云数据集，得到所述第一点云数据集。
在其中一个实施例中，所述按照所述第一点云数据集的几何特性，分割所述第一点云数据集，得到第二点云数据集，包括：
从所述第一点云数据集中确定出搜索点，并从所述第一点云数据集中，确定所述搜索点的邻近点集；
获取所述邻近点集的几何特性；
按照所述第一点云数据集中的邻近点集的几何特性，分割所述第一点云数据集中的邻近点集，得到所述第二点云数据集。
在其中一个实施例中，所述获取所述邻近点集的几何特性，包括：
计算所述邻近点集形成的矩阵的特征值；
根据所述特征值，确定所述邻近点集的几何特性。
在其中一个实施例中，所述获取所述第二点云数据集的主轴方向，并在所述第二点云数据集的主轴方向上对所述第二点云数据集进行拟合，得到拟合结果，包括：
获取所述第二点云数据集的主轴方向；
将所述第二点云数据集投影至所述第二点云数据集的主轴方向上，得到投影数据；
对所述投影数据进行拟合，得到拟合结果。
在其中一个实施例中，所述拟合结果包括变差函数的变程和最小聚类个数；
所述对所述投影数据进行拟合，得到拟合结果，包括：
基于预设的变差函数模型，对所述投影数据进行拟合，得所述变差函数的变程和最小聚类个数。
在其中一个实施例中，所述拟合结果包括变差函数的变程和最小聚类个数；所述分割参数包括分割点云数据集的邻域半径和分割点云数据集的最小点个数；
所述根据所述拟合结果设置分割参数，包括：
将所述变程设置为所述分割点云数据集的邻域半径，将所述最小聚类个数设置为所述分割点云数据集的最小点个数。
一种点云数据的分割装置，所述装置包括：
点云获取模块，用于获取第一点云数据集；
第一分割模块，用于按照所述第一点云数据集的几何特性，分割所述第一点云数据集，得到第二点云数据集；
点云拟合模块，用于获取所述第二点云数据集，在所述第二点云数据集的主轴方向上对所述第二点云数据集进行拟合，得到拟合结果；
参数设置模块，用于根据所述拟合结果设置分割参数；
第二分割模块，用于按照所述分割参数，分割所述第二点云数据集，得到至少一个目标点云数据集。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例所述的方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法。
上述点云数据的分割方法、装置、计算机设备和存储介质，获取第一点云数据集，按照第一点云数据集的几何特性，分割第一点云数据集，得到第二点云数据集，获取第二点云数据集的主轴方向，并在第二点云数据集的主轴方向上对第二点云数据集进行拟合，得到拟合结果。由于该拟合结果是第二点云数据集在其对应的主轴方向上进行拟合得到的拟合结果，因此该拟合结果能够反映第二点云数据集的空间分布差异。根据能反映第二点云数据集的空间分布差异的拟合结果设置分割参数，并按照该分割参数分割第二点云数据集，得到的至少一个目标点云数据集，能兼顾第二点云数据集的空间分布差异，提高点云数据的分割精度。
附图说明
图1为一个实施例中点云数据的分割方法的流程示意图；
图2为一个实施例中步骤S100的一种可实施方式的流程示意图；
图3为一个实施例中粗分割后的车载点云数据示意图；
图4为一个实施例中步骤S200的一种可实施方式的流程示意图；
图5为一个实施例中步骤S300的一种可实施方式的流程示意图；
图6为一个实施例中细分割后的车载点云数据示意图；
图7为一个实施例中基于各向异性变差函数的自适应DBSCAN三维点云聚类的流程示意图；
图8为一个实施例中点云数据的分割装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种点云数据的分割方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S100，获取第一点云数据集。
其中，第一点云数据集为由激光雷达获取到的原始的点云数据集，或者为对激光雷达获取到的初始点云数据集进行粗加工(预处理)后的点云数据集。
步骤S200，按照第一点云数据集的几何特性，分割第一点云数据集，得到第二点云数据集。
其中，几何特性是指能体现点云数据集的几何特性的特征，点云数据集的几何特性包括线性、面性和离散性。因此，按照几何特性来划分，点云数据集可分为线性点云数据集、面性点云数据集和离散性点云数据集。
具体地，获取第一点云数据集的几何特性，按照第一点云数据集的几何特性，对第一点云数据集进行分割，得到分割后的第二点云数据集。
步骤S300，获取第二点云数据集的主轴方向，并在第二点云数据集的主轴方向上对第二点云数据集进行拟合，得到拟合结果。
其中，第二点云数据集的主轴方向，是指通过主成分分析法(PrincipalComponent Analysis，PCA)对第二点云数据集进行转换得到的多个主成分对应的方向。
具体地，通过主成分分析法对第二点云数据集进行转换，得到第二点云数据集的至少一个主轴方向，并在在第二点云数据集的主轴方向上对第二点云数据集进行拟合，得到拟合结果。该拟合结果是第二点云数据集在其对应的主轴方向上进行拟合得到的拟合结果，能够反映第二点云数据集的空间分布差异。
步骤S400，根据拟合结果设置分割参数。
其中，根据能够反映第二点云数据集的空间分布差异的拟合结果设置分割第二点云数据集的分割参数，该分割参数也能反映第二点云数据集的空间分布差异。
步骤S500，按照分割参数，分割第二点云数据集，得到至少一个目标点云数据集。
具体地，按照反映第二点云数据集的空间分布差分割参数，对第二点云数据集进行分割，得到至少一个目标点云数据集，该目标点云数据集能兼顾第二点云数据集的空间分布差异，提高点云数据的分割精度。
上述点云数据的分割方法，获取第一点云数据集，按照第一点云数据集的几何特性，分割第一点云数据集，得到第二点云数据集，获取第二点云数据集的主轴方向，并在第二点云数据集的主轴方向上对第二点云数据集进行拟合，得到拟合结果。由于该拟合结果是第二点云数据集在其对应的主轴方向上进行拟合得到的拟合结果，因此该拟合结果能够反映第二点云数据集的空间分布差异。根据能反映第二点云数据集的空间分布差异的拟合结果设置分割参数，并按照该分割参数分割第二点云数据集，得到的至少一个目标点云数据集，能兼顾第二点云数据集的空间分布差异，提高点云数据的分割精度。
在一个实施例中，如图2所示，为步骤S100的一种可实施方式的流程示意图，包括：
步骤S110，获取初始点云数据集。
其中，初始点云数据集为由激光雷达获取到的原始的点云数据集，或者为对激光雷达获取到的初始点云数据集进行粗加工(预处理)后的点云数据集。
步骤S120，对初始点云数据集进行分割，得到至少一个第三点云数据集。
具体地，对初始点云数据集进行粗分割，可以得到至少一个第三点云数据集。示例地，可以利用kd-tree结构对获取的海量初始点云数据进行分割和重组织，例如，随机选取三维点数据中的一点p为聚类起始点，基于K-NN搜索，寻找到距离点p最近的一点q，若点q与点p的距离在设定的阈值范围内，则将点q划定为点p的同类，设为p类。可选地，当初始点云数据集为车载点云时，点密度较高，可以将阈值范围设定为0.05m。当p类中的点数不再增加时，则在尚未进行类别划分的点中随机选取某一点作为聚类起始点进行聚类，直至所有点云均具有类别标签，得到至少一个第三点云数据集，该第三点云数据集为粗的分割的点云数据集。如图3所示，为粗分割后的车载点云数据示意图。
步骤S130，对于每一第三点云数据集，确定出第三点云数据集的主轴方向。
具体地，对于粗分割得到的第三点云数据集，采用主成分分析法对第三点云数据进行转换，得到第三点云数据集的主轴方向。示例地，对于如公式(1)所示的三维点云数据集(第三点云数据集)，采用公式(2)得到其在每个维度上的平均值μx、μy、μz：
Figure BDA0003162418140000061
Figure BDA0003162418140000062
其中，N为三维点云数据集的总点数，pi为第i个点在X、Y、Z上的值。
接着，基于平均值μx、μy、μz，通过公式(3)对三维点云数据集进行去中心化，并通过公式(4)构建三维点云数据集的协方差矩阵：
Figure BDA0003162418140000071
Figure BDA0003162418140000072
其中，
Figure BDA0003162418140000073
Figure BDA0003162418140000074
Figure BDA0003162418140000075
接着，基于SVD奇异值分解，通过公式(5)得到协方差矩阵C的特征值ε及特征向量V3×3；
CV＝εV (5)
其中，每一个特征向量对应一个主轴方向，可以将特征向量的前预设数量(例如3)个作为主轴方向。
步骤S140，根据第三点云数据集的主轴方向，转换第三点云数据集，得到第一点云数据集。
具体地，在得到三维点云数据集的主轴方向后，将原三维点云数据集形成的点云矩阵P经过公式(6)转换到新的三维PCA主轴空间中：
Q＝PV (6)
经过公式(6)，得到新的PCA空间中的点云簇集合，即第一点云数据集。
上述实施例中，获取初始点云数据集，对初始点云数据集进行分割，得到至少一个第三点云数据集，并确定出第三点云数据集的主轴方向，根据第三点云数据集的主轴方向，转换第三点云数据集，得到第一点云数据集。该第一点云数据集能反映初始点云数据集的空间分布差异，为初始点云数据集的细分割提供基础，提高点云数据的分割精度。
在一个实施例中，如图4所示，为步骤S200的一种可实施方式的流程示意图，包括：
步骤S210，从第一点云数据集中确定出搜索点，并从第一点云数据集中，确定搜索点的邻近点集。
具体地，为对第一点云数据集进行细分割，需要基于第一点云数据集中的点，确定出第一点云数据集中不同集合特性的子集合。为此，以第一点云数据集中的一个点p为基准，基于K近邻搜索，获取当前搜索点p的邻近点集m。可选地，本实施例中的近邻搜索半径可以为0.5m。
步骤S220，获取邻近点集的几何特性。
具体地，需要根据邻近点集形成的矩阵特性确定该邻近点集的几何特性。可选地，获取邻近点集的几何特性需要计算邻近点集形成的矩阵的特征值；根据特征值，确定邻近点集的几何特性，具体包括，利用步骤S130中PCA获取特征值的计算方法得到邻近点集m的三个特征值ε1、ε2和ε3，且ε1≥ε2≥ε3≥0。并采用公式(7)来对搜索点p的几何特征进行判别：
Figure BDA0003162418140000081
其中，s＝ε1+ε2+ε3，搜索点p的几何特征可以为线性(linearity)、面性(planarity)和离散性(scattering)。
步骤S230，按照第一点云数据集中的邻近点集的几何特性，分割第一点云数据集中的邻近点集，得到第二点云数据集。
具体地，当计算得到邻近点集中每个点的几何特征之后，按照搜索点的几何特征，将第一点云数据集中该搜索点的邻近点集分为线性(linearity)、面性(planarity)和离散性(scattering)三种类簇，得到第二点云数据集。需要说明的是，由于搜索点的几何特征包括线性(linearity)、面性(planarity)和离散性(scattering)，因此对应的第二点云数据集也可分为线性(linearity)、面性(planarity)和离散性(scattering)等三种，当搜索点的几何特征包括四种、五种，甚至更多种几何特性时，第二点云数据集也可对应的划分为四种、五种，甚至更多种几何特性。
上述实施例中，从第一点云数据集中确定出搜索点，并从第一点云数据集中，确定搜索点的邻近点集；计算邻近点集的特征值，并按照特征值，确定邻近点集的几何特性；按照第一点云数据集中的邻近点集的几何特性，分割第一点云数据集中的邻近点集，得到第二点云数据集。该第二点云数据集能反映初始点云数据集的空间分布差异，为初始点云数据集的细分割提供基础，提高点云数据的分割精度。
在一个实施例中，如图5所示，为步骤S300的一种可实施方式的流程示意图，包括：
步骤S310，获取第二点云数据集的主轴方向。
具体地，可以采用主成分分析法确定每一第二点云数据集的主轴方向，该主轴方向可以是多个，为与三维点云数据对应，本实施例中确定出三个第二点云数据集的主轴方向。
步骤S320，将第二点云数据集投影至第二点云数据集的主轴方向上，得到投影数据。
具体地，由步骤S230可知，第二点云数据集可以是线性点云数据集、面性点云数据集以及离散性点云数据集。当第二点云数据集为线性点云数据集时，分别获取第二点云数据集最大主轴方向的特征向量V1和次轴方向的特征向量V2，并按照公式(8)对点云进行投影：
Q1D＝QN×3V3×1 (8)
其中，V3×1分别表示3×1的特征向量V1和V2，Q1D表示三维点云矩阵Q经过特征向量变换之后得到的在该方向上投影的一维数据，即投影数据。
步骤S330，对投影数据进行拟合，得到拟合结果。
具体地，在得到投影数据，对该投影数据进行拟合，可以得到包含点云数据集各向特性(空间分布差异)的拟合结果，由此可以为后续数据集的分割提供基础，使分割后的点云数据集能兼顾点云数据的空间分布差异，提高点云数据的分割精度。
可选地，步骤S330的一种可实施方式，包括：基于预设的变差函数模型，对投影数据进行拟合，得变差函数的变程和最小聚类个数。
其中，拟合结果包括变差函数的变程和最小聚类个数。变差函数模型是能够描述随机场(random field)和随机过程(random process)空间相关性的函数模型，是描述空间内两空间点之差的方差的函数模型。
具体地，通过公式(9)的变差函数球状模型，对投影后的数据Q1D进行拟合：
Figure BDA0003162418140000101
其中，C0、C和a分别表示块金效应、拱高和变程，通过数据拟合可得到，并获取1/a处的点个数作为该方向上的最小聚类个数。
由公式(9)可得到最大主轴方向上的变程a1，次轴方向上的变程a2，最大主轴和次轴方向上两个不同的最小聚类个数。接着，将最小值作为线性点云数据集的最小聚类点个数，记为Min_line。对于最小主轴方向，其变程a3与次轴方向的变程a2相等，即a3＝a2。
可选地，当第二点云数据集为面性点云数据集时，将搜索点的邻近点云数据集在最大主轴和最小主轴方向上投影，获取(a1，a2，a3，Min_plane)，其中a2＝a1。当第二点云数据集为离散性点云数据集时，将搜索点的邻近点云数据集在最大主轴方向上投影，获取(a1，a2，a3，Min_scatter)，其中a2＝a3＝a1。
上述实施例中，获取第二点云数据集的主轴方向，将第二点云数据集投影至第二点云数据集的主轴方向上，得到投影数据，并基于预设的变差函数模型，对投影数据进行拟合，得变差函数的变程和最小聚类个数，可以为后续根据拟合结果设置分割参数，提供基础，使得最终得到的至少一个目标点云数据集，能兼顾第二点云数据集的空间分布差异，提高点云数据的分割精度。
在一个实施例中，为步骤S400的一种可实施方式，包括：
将变程设置为分割点云数据集的邻域半径，将最小聚类个数设置为分割点云数据集的最小点个数。
其中，拟合结果包括变差函数的变程和最小聚类个数。分割参数包括分割点云数据集的邻域半径和分割点云数据集的最小点个数。
具体地，在步骤S330中得到拟合结果中的变差函数的变程和最小聚类个数后，将得到的参数确定为基于密度的聚类算法(Density-Based Spatial Clustering ofApplications with Noise，DBSCAN)的三维自适应DBSCAN参数空间(a1，a1，a3，Min_plane)，即将变程a1、a2、a3设置为分割点云数据集的邻域半径，将最小聚类个数设置为分割点云数据集的最小点个数。使得后续可以按照分割参数，分割第二点云数据集，得到至少一个目标点云数据集。
上述实施例中，将变程设置为分割点云数据集的邻域半径，将最小聚类个数设置为分割点云数据集的最小点个数，可以为DBSCAN提供自适应的点云数据集分割参数，使得到的至少一个目标点云数据集，能兼顾第二点云数据集的空间分布差异，提高点云数据的分割精度。
在一个实施例中，为步骤S500的一种可实施方式，包括：
按照分割点云数据集的邻域半径和分割点云数据集的最小点个数，分割第二点云数据集，得到至少一个目标点云数据集。
具体地，将第二点云数据集中的点云数据，初始化为第一状态，可选地，可以将第一状态设置为unvisited。接着，在第一状态的点中随机选取一个三维点作为聚类中心，并将其状态修改为第二状态，第二状态可是visited，并以当前第二点云数据集空间下三个主轴方向上的变程a1、a2和a3作为其邻域半径，形成一个椭球形邻域ε。然后，统计该椭球邻域内的点密度N，若N＞Min_points，则将当前点设为新的类别C的聚类中心，并将其邻域点集P作为该类别候选点集，否则将其标记为噪声。其中Min_points为DBSCAN聚类的邻域密度阈值，根据第二点云数据集的种类，Min_points的值与Min_line，Min_plane或Min_scatter相等。
示例地，对于候选点集P中的每个点p，如果p的状态为unvisited，则将其状态修改visited，同时将p添加到类别C中，并得到其椭球邻域ε的密度值Np，如果NP＞Min_points，则将其邻域点集加入到P，直到候选点集P为空，则输出类别C，直至类簇中不存在unvisited的数据，得到至少一个目标点云数据集，该目标点云数据集为细的分割的点云数据集。如图6所示，为细分割后的车载点云数据示意图。由图6对比图3可知，进行细分割后的目标点云数据集的物体的识别精度更高。
上述实施例中，按照分割点云数据集的邻域半径和分割点云数据集的最小点个数，分割第二点云数据集，得到至少一个目标点云数据集，为根据DBSCAN聚类对第二点云数据集进行分割提供自适应的分割参数，该分割参数据能反映第二点云数据集的空间分布差异，按照该分割参数分割第二点云数据集，得到的至少一个目标点云数据集，能兼顾第二点云数据集的空间分布差异，提高点云数据的分割精度。
在一个具体的实施例中，如图7所示，提供了一种基于各向异性变差函数的自适应DBSCAN三维点云聚类的流程示意图，具体包括：
获取海量三维点云数据(初始点云数据集)，基于欧式聚类算法对获取到的海量三维点云数据进行粗分割，并得到分割数据集(第三点云数据集)。接着，利用主成分分析法(PCA)计算每个粗分割块的三个主方向，并基于其特征向量进行数据转换，将数据转换为三个主轴方向上。基于PCA的特征值计算三维点数据的三维几何特性，并进一步进行几何聚类，将原有的粗分割块，分割为线性点云簇、面性点云簇及离散性点云簇(第二点云数据集)。然后，基于变差函数球状模型对线性点云簇、面性点云簇及离散性点云簇在不同主轴方向上进行拟合，并得到不同的变程及1/2拱高处的最小点个数。最后，根据得到的不同的变程及最小点个数构建自适应的DBSACN三维点聚类方法，对几何聚类簇进行细分割。
上述实施例中，能基于各向异性变差函数的自适应DBSCAN三维点云聚类方法，达到DBSCAN在工程应用中的自适应和高精度的目的，提高基于DBSCAN的点云数据的分割精度。
应该理解的是，虽然图1、2、4、5、7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、2、4、5、7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种点云数据的分割装置，包括：点云获取模块801、第一分割模块802、点云拟合模块803、参数设置模块804和第二分割模块805，其中：
点云获取模块801，用于获取第一点云数据集；
第一分割模块802，用于按照第一点云数据集的几何特性，分割第一点云数据集，得到第二点云数据集；
点云拟合模块803，用于获取第二点云数据集，在第二点云数据集的主轴方向上对第二点云数据集进行拟合，得到拟合结果；
参数设置模块804，用于根据拟合结果设置分割参数；
第二分割模块805，用于按照分割参数，分割第二点云数据集，得到至少一个目标点云数据集。
在其中一个实施例中，点云获取模块801还用于：获取初始点云数据集；对初始点云数据集进行分割，得到至少一个第三点云数据集；对于每一第三点云数据集，确定出第三点云数据集的主轴方向；根据第三点云数据集的主轴方向，转换第三点云数据集，得到第一点云数据集。
在其中一个实施例中，第一分割模块802还用于：从第一点云数据集中确定出搜索点，并从第一点云数据集中，确定搜索点的邻近点集；获取邻近点集的几何特性；按照第一点云数据集中的邻近点集的几何特性，分割第一点云数据集中的邻近点集，得到第二点云数据集。
在其中一个实施例中，第一分割模块802还用于：计算邻近点集形成的矩阵的特征值；根据特征值，确定所述邻近点集的几何特性。
在其中一个实施例中，点云拟合模块803还用于：获取第二点云数据集的主轴方向；将第二点云数据集投影至第二点云数据集的主轴方向上，得到投影数据；对投影数据进行拟合，得到拟合结果。
在其中一个实施例中，点云拟合模块803还用于：基于预设的变差函数模型，对投影数据进行拟合，得变差函数的变程和最小聚类个数。
在其中一个实施例中，参数设置模块804还用于：将变程设置为分割点云数据集的邻域半径，将最小聚类个数设置为分割点云数据集的最小点个数。
关于点云数据的分割装置的具体限定可以参见上文中对于点云数据的分割方法的限定，在此不再赘述。上述点云数据的分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种点云数据的分割方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取第一点云数据集；
按照第一点云数据集的几何特性，分割第一点云数据集，得到第二点云数据集；
获取第二点云数据集，在第二点云数据集的主轴方向上对所述第二点云数据集进行拟合，得到拟合结果；
根据拟合结果设置分割参数；
按照分割参数，分割第二点云数据集，得到至少一个目标点云数据集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取初始点云数据集；对初始点云数据集进行分割，得到至少一个第三点云数据集；对于每一第三点云数据集，确定出第三点云数据集的主轴方向；根据第三点云数据集的主轴方向，转换第三点云数据集，得到第一点云数据集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：从第一点云数据集中确定出搜索点，并从第一点云数据集中，确定搜索点的邻近点集；获取邻近点集的几何特性；按照第一点云数据集中的邻近点集的几何特性，分割第一点云数据集中的邻近点集，得到第二点云数据集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算邻近点集形成的矩阵的特征值；根据特征值，确定所述邻近点集的几何特性。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取第二点云数据集的主轴方向；将第二点云数据集投影至第二点云数据集的主轴方向上，得到投影数据；对投影数据进行拟合，得到拟合结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于预设的变差函数模型，对投影数据进行拟合，得变差函数的变程和最小聚类个数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将变程设置为分割点云数据集的邻域半径，将最小聚类个数设置为分割点云数据集的最小点个数。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取第一点云数据集；
按照第一点云数据集的几何特性，分割第一点云数据集，得到第二点云数据集；
获取第二点云数据集，在第二点云数据集的主轴方向上对所述第二点云数据集进行拟合，得到拟合结果；
根据拟合结果设置分割参数；
按照分割参数，分割第二点云数据集，得到至少一个目标点云数据集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取初始点云数据集；对初始点云数据集进行分割，得到至少一个第三点云数据集；对于每一第三点云数据集，确定出第三点云数据集的主轴方向；根据第三点云数据集的主轴方向，转换第三点云数据集，得到第一点云数据集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从第一点云数据集中确定出搜索点，并从第一点云数据集中，确定搜索点的邻近点集；获取邻近点集的几何特性；按照第一点云数据集中的邻近点集的几何特性，分割第一点云数据集中的邻近点集，得到第二点云数据集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算邻近点集形成的矩阵的特征值；根据特征值，确定所述邻近点集的几何特性。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取第二点云数据集的主轴方向；将第二点云数据集投影至第二点云数据集的主轴方向上，得到投影数据；对投影数据进行拟合，得到拟合结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于预设的变差函数模型，对投影数据进行拟合，得变差函数的变程和最小聚类个数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将变程设置为分割点云数据集的邻域半径，将最小聚类个数设置为分割点云数据集的最小点个数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种点云数据的分割方法，其特征在于，所述方法包括：
获取第一点云数据集；
按照所述第一点云数据集的几何特性，分割所述第一点云数据集，得到第二点云数据集；
获取所述第二点云数据集的主轴方向，并在所述第二点云数据集的主轴方向上对所述第二点云数据集进行拟合，得到拟合结果；所述拟合结果包括变差函数的变程和最小聚类个数；所述最小聚类个数为1/a处的点个数；所述a为所述变程；
将所述变程设置为分割点云数据集的邻域半径，将所述最小聚类个数设置为所述分割点云数据集的最小点个数；
按照分割参数，分割所述第二点云数据集，得到至少一个目标点云数据集；所述分割参数包括所述分割点云数据集的邻域半径和所述分割点云数据集的最小点个数。
2.根据权利要求1所述的方法，其特征在于，所述获取第一点云数据集，包括：
获取初始点云数据集；
对所述初始点云数据集进行分割，得到至少一个第三点云数据集；
对于每一所述第三点云数据集，确定出所述第三点云数据集的主轴方向；
根据所述第三点云数据集的主轴方向，转换所述第三点云数据集，得到所述第一点云数据集。
3.根据权利要求1所述的方法，其特征在于，所述按照所述第一点云数据集的几何特性，分割所述第一点云数据集，得到第二点云数据集，包括：
从所述第一点云数据集中确定出搜索点，并从所述第一点云数据集中，确定所述搜索点的邻近点集；
获取所述邻近点集的几何特性；
按照所述第一点云数据集中的邻近点集的几何特性，分割所述第一点云数据集中的邻近点集，得到所述第二点云数据集。
4.根据权利要求3所述的方法，其特征在于，所述获取所述邻近点集的几何特性，包括：
计算所述邻近点集形成的矩阵的特征值；
根据所述特征值，确定所述邻近点集的几何特性。
5.根据权利要求1所述的方法，其特征在于，所述获取所述第二点云数据集的主轴方向，并在所述第二点云数据集的主轴方向上对所述第二点云数据集进行拟合，得到拟合结果，包括：
获取所述第二点云数据集的主轴方向；
将所述第二点云数据集投影至所述第二点云数据集的主轴方向上，得到投影数据；
对所述投影数据进行拟合，得到拟合结果。
6.根据权利要求5所述的方法，其特征在于，所述对所述投影数据进行拟合，得到拟合结果，包括：
基于预设的变差函数模型，对所述投影数据进行拟合，得所述变差函数的变程和最小聚类个数。
7.一种点云数据的分割装置，其特征在于，所述装置包括：
点云获取模块，用于获取第一点云数据集；
第一分割模块，用于按照所述第一点云数据集的几何特性，分割所述第一点云数据集，得到第二点云数据集；
点云拟合模块，用于获取所述第二点云数据集，并在所述第二点云数据集的主轴方向上对所述第二点云数据集进行拟合，得到拟合结果；所述拟合结果包括变差函数的变程和最小聚类个数；所述最小聚类个数为1/a处的点个数；所述a为所述变程；
参数设置模块，用于将所述变程设置为分割点云数据集的邻域半径，将所述最小聚类个数设置为所述分割点云数据集的最小点个数；
第二分割模块，用于按照分割参数，分割所述第二点云数据集，得到至少一个目标点云数据集；所述分割参数包括所述分割点云数据集的邻域半径和所述分割点云数据集的最小点个数。
8.根据权利要求7所述的装置，其特征在于，所述点云获取模块，具体用于：
获取初始点云数据集；
对所述初始点云数据集进行分割，得到至少一个第三点云数据集；
对于每一所述第三点云数据集，确定出所述第三点云数据集的主轴方向；
根据所述第三点云数据集的主轴方向，转换所述第三点云数据集，得到所述第一点云数据集。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202110794613.7A 2021-07-14 2021-07-14 点云数据的分割方法、装置、计算机设备和存储介质 Active CN113436223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110794613.7A CN113436223B (zh) 2021-07-14 2021-07-14 点云数据的分割方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110794613.7A CN113436223B (zh) 2021-07-14 2021-07-14 点云数据的分割方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113436223A CN113436223A (zh) 2021-09-24
CN113436223B true CN113436223B (zh) 2022-05-24

Family

ID=77760279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110794613.7A Active CN113436223B (zh) 2021-07-14 2021-07-14 点云数据的分割方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113436223B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012297B (zh) * 2022-12-02 2023-08-22 广东机电职业技术学院 基于太赫兹的铁轨表面损伤检测方法、系统和存储介质
CN116563272B (zh) * 2023-06-29 2023-09-01 深圳优立全息科技有限公司 基于高精点云的隔离开关分合状态识别方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046097A (zh) * 2015-09-09 2015-11-11 电子科技大学 基于非参数各向异性变差函数的随机建模方法
CN106371105A (zh) * 2016-08-16 2017-02-01 长春理工大学 单线激光雷达车辆目标识别方法、装置和汽车
WO2018207282A1 (ja) * 2017-05-10 2018-11-15 富士通株式会社 対象物認識方法、装置、システム、プログラム
WO2021045601A1 (ko) * 2019-09-05 2021-03-11 엘지전자 주식회사 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101839701B (zh) * 2010-05-27 2012-03-21 中国科学院自动化研究所 树木点云数据的自动分割方法
CN105844629B (zh) * 2016-03-21 2018-12-18 河南理工大学 一种大场景城市建筑物立面点云自动分割方法
CN105957076B (zh) * 2016-04-27 2018-09-21 深圳积木易搭科技技术有限公司 一种基于聚类的点云分割方法及系统
CN106780509A (zh) * 2016-12-01 2017-05-31 山东交通学院 融合多维特征的建筑物点云层次聚类分割方法
CN110148144B (zh) * 2018-08-27 2024-02-13 腾讯大地通途（北京）科技有限公司 点云数据的分割方法和装置、存储介质、电子装置
CN110189412B (zh) * 2019-05-13 2023-01-03 武汉大学 基于激光点云的多楼层室内结构化三维建模方法及系统
CN110717983B (zh) * 2019-09-07 2023-05-02 苏州工业园区测绘地理信息有限公司 一种基于背包式三维激光点云数据的建筑物立面三维重建方法
WO2021115961A1 (en) * 2019-12-11 2021-06-17 Continental Automotive Gmbh Method for reconstruction of a feature in an environmental scene of a road
CN112595258B (zh) * 2020-11-23 2022-04-22 湖南航天智远科技有限公司 基于地面激光点云的地物轮廓提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046097A (zh) * 2015-09-09 2015-11-11 电子科技大学 基于非参数各向异性变差函数的随机建模方法
CN106371105A (zh) * 2016-08-16 2017-02-01 长春理工大学 单线激光雷达车辆目标识别方法、装置和汽车
WO2018207282A1 (ja) * 2017-05-10 2018-11-15 富士通株式会社 対象物認識方法、装置、システム、プログラム
WO2021045601A1 (ko) * 2019-09-05 2021-03-11 엘지전자 주식회사 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법

Also Published As

Publication number Publication date
CN113436223A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN112966696B (zh) 一种处理三维点云的方法、装置、设备以及存储介质
US10902285B2 (en) Learning method and apparatus for pattern recognition
Shi et al. Adaptive simplification of point cloud using k-means clustering
CN113436223B (zh) 点云数据的分割方法、装置、计算机设备和存储介质
CN111523414A (zh) 人脸识别方法、装置、计算机设备和存储介质
CN106886980B (zh) 一种基于三维激光雷达目标识别的点云密度增强的方法
El‐Sayed et al. Plane detection in 3D point cloud using octree‐balanced density down‐sampling and iterative adaptive plane extraction
KR101618996B1 (ko) 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치
CN111292377B (zh) 目标检测方法、装置、计算机设备和存储介质
Nosovskiy et al. Automatic clustering and boundary detection algorithm based on adaptive influence function
CN116188805B (zh) 海量图像的图像内容分析方法、装置和图像信息网络
CN111553946A (zh) 用于去除地面点云的方法及装置、障碍物检测方法及装置
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
CN110930413A (zh) 一种基于弱监督多核分类优化合并的图像分割方法
CN110310322B (zh) 一种10微米级高精度器件装配表面检测方法
CN114386466B (zh) 一种用于脉冲星搜寻中候选体信号挖掘的并行的混合聚类方法
CN112862730B (zh) 点云特征增强方法、装置、计算机设备和存储介质
Dey et al. Machine learning-based segmentation of aerial LiDAR point cloud data on building roof
CN116266359A (zh) 目标物的跟踪方法、装置、计算机设备和存储介质
CN117575494A (zh) 多目标redd项目区域的聚合方法、系统、终端及介质
Yu et al. Dynamic granularity matrix space based adaptive edge detection method for structured light stripes
Florindo et al. Fractal descriptors of texture images based on the triangular prism dimension
WO2021014495A1 (ja) ラベル推定装置、ラベル推定方法、及びラベル推定プログラム
CN114511571A (zh) 一种点云数据语义分割方法、系统及相关组件
JP2020035042A (ja) データ判定装置、方法、及びプログラム

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