CN114742838B - 基于聚类算法的体素化平面分割方法 - Google Patents
基于聚类算法的体素化平面分割方法 Download PDFInfo
- Publication number
- CN114742838B CN114742838B CN202210659230.3A CN202210659230A CN114742838B CN 114742838 B CN114742838 B CN 114742838B CN 202210659230 A CN202210659230 A CN 202210659230A CN 114742838 B CN114742838 B CN 114742838B
- Authority
- CN
- China
- Prior art keywords
- plane
- cube
- planes
- fitting
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 87
- 238000004364 calculation method Methods 0.000 claims description 5
- 241000287196 Asthenes Species 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于聚类算法的体素化平面分割方法,包括如下步骤:A)对初始点云体素化,得到多个体素立方块;B)随机选一体素立方块作为中心立方块,计算其相邻立方块的拟合平面法向量,计算各拟合平面法向量与中心拟合平面法向量的夹角,在夹角小于设定的夹角阈值时,将中心立方块与该相邻立方块拟合形成立方块拟合平面,并确定立方块拟合平面的初步点云;C)将立方块拟合平面投影成二维数据并进行网格划分,基于点数阈值,映射新数据点,基于聚类算法将新数据点的编号进行归类,得到精分割平面;D)重复上述步骤遍历初始点云,得出所有的精分割平面,并对过分割平面进行优化。本发明的基于聚类算法的体素化平面分割方法能够快速分割平面。
Description
技术领域
本发明涉及点云分割方法,具体地,涉及一种基于聚类算法的体素化平面分割方法。
背景技术
随着智能移动设备(如送餐机器人等)的发展,越来越多的智能移动设备已经较多的涉及室内使用的场景,且室内环境下对智能移动设备的移动路径准确度需求也较高,因此需要能够获取精确的室内结构。
近年来,激光雷达技术因其精度高、成本低、便携性好、应用范围广等优点得到了迅速发展,且随着室内导航技术的日益成熟,从点云中数据获取精确的建筑物内部结构对实现精确的室内导航具有重要意义。
现有技术中通常是将点云数据中的面进行提取,以确定建筑中的墙面、柱面等障碍,在提取点云数据中的面时,通常需要利用到类聚算法,以判定临近的点是否能够归于同一平面,但是现有技术中,通常是直接利用类聚算法对点云数据中的点进行处理,该方法计算量大,会使得计算过程耗时过多,效率极其低下,且难以人为干预对墙面、柱面等的提取速度。
有鉴于此,需要设计一种基于聚类算法的体素化平面分割方法。
发明内容
本发明所要解决的技术问题是提供一种基于聚类算法的体素化平面分割方法,其能够快速分割平面。
为了解决上述技术问题,本发明提供一种基于聚类算法的体素化平面分割方法,包括如下步骤:
B)选定任一所述体素立方块作为中心立方块,计算每个与该中心立方块相邻的相邻立方块中的拟合平面法向量,并计算各所述拟合平面法向量与所述中心立方块的中心拟合平面法向量的夹角,当所述夹角小于设定的夹角阈值时,则判定该中心立方块与该相邻立方块能够拟合形成为立方块拟合平面,并确定所述立方块拟合平面的初步点云;
C)将所述立方块拟合平面的三维数据投影至该立方块拟合平面形成二维数据,对所述二维数据进行网格划分,并将各所述网格中点的个数与设定的点数阈值对比,以将点数大于所述点数阈值的网格编号形成为新数据点,并将所述新数据点基于聚类算法进行编号归类,以得到所述立方块拟合平面的精分割平面;
D)重复步骤B)和步骤C)直至遍历所述初始点云,得出所有的所述精分割平面,并对所述精分割平面中的过分割平面进行优化。
具体地,步骤A)中的体素化过程包括:
其中,G为体素立方块的合集,g(l,w,h)表示体素立方块,l,w,h分别表示体素立方块在x坐标上、y坐标上和z坐标上的位置编号。
进一步地,步骤B)中,所述拟合平面法向量以及所述中心拟合平面法向量的计算步骤包括:对体素立方块中的点进行平面拟合,并取得到的特征矩阵中的最小特征值所对应向量作为相应的所述拟合平面法向量或所述中心拟合平面法向量。
进一步地,所述拟合平面法向量的计算过程中,设有相邻立方块点数阈值,当所述相邻立方块中的点数小于所述相邻立方块点数阈值时,则无需对该相邻立方块进行拟合平面法向量计算。
进一步地,所述中心立方块与所述相邻立方块基于最小二乘法拟合形成为立方块拟合平面,该立方块拟合平面为:,其中,、、和为所述拟合平面的标准方程的参数,并计算所述中心立方块以及所述相邻立方块中各点到所述立方块拟合平面的距离,并将距离值与设定的距离阈值进行对比,以将距离值小于所述距离阈值的点作为所述立方块拟合平面的所述初步点云。
则所述立方块拟合平面中的所有所述初步点云投影到该立方块拟合平面内形成所述二维数据:
进一步地,所述精分割平面的获取步骤包括:统计各个所述网格中的点的个数,并将各所述网格中的点的点数与设定的所述点数阈值对比,以将点数大于所述点数阈值的网格编号形成为新数据点;并基于聚类算法对编号后的所述新数据点进行归类,选择点的个数最大的一类作为待还原数据,并将所述待还原数据还原到对应的所述网格中,以得到所述精分割平面。
进一步地,所述过分割平面的判定步骤为:计算两个所述精分割平面的精分割平面法向量,并计算两个所述精分割平面法向量之间的精分割平面法向量夹角,并将该精分割平面法向量夹角与设定的精分割平面法向量夹角阈值对比,以将所述精分割平面法向量夹角小于所述精分割平面法向量夹角阈值的两个平面判定为互为过分割平面。
进一步地,所述精分割平面的归一化的步骤包括:
a)计算互为过分割平面的两个所述精分割平面的所述精分割平面法向量,并将两个所述精分割平面法向量进行归一化;
b)计算归一化后的两个所述精分割平面之间的精分割平面间距,并将该精分割平面间距与设定的间距阈值进行对比;
c)当所述精分割平面间距小于等于所述间距阈值时,判定互为过分割平面的两个所述精分割平面以归为一个平面;当所述精分割平面间距大于所述间距阈值时,重复步骤a)和步骤b),直至所述精分割平面间距小于等于所述间距阈值。
通过上述技术方案,在本发明所提供的基于聚类算法的体素化平面分割方法中,基于聚类算法的体素化平面分割方法是先对初始点云中的数据进行体素化,从而以体素化后形成的体素立方块作为最小单元,先对各个体素立方块的拟合平面进行判断,判断相邻的体素立方块的拟合平面是否处于同一平面上,以将相邻体素立方块的拟合平面中处于同一平面上的拟合平面合并形成为立方块拟合平面,上述体素化的方法能够实现对平面分割速度的人为干预;进一步地,通过得出的立方块拟合平面,确定出立方块拟合平面的初步点云(即待处理的立方块拟合平面的三维数据),并将立方块拟合平面的三维数据投影至该立方块拟合平面形成二维数据,并对二维数据进行网格化划分,以根据划分出的网格中的点的数量,选出符合设定的网格,并将网格作为新数据点,以把新数据点作为聚类算法的处理对象,从而能够极大地减少运算量,提高平面分割的速度;此外,在得出所有的精分割平面还谱,还将判断是否存在互为过分割平面的精分割平面,并对互为过分割平面的精分割平面进行归一化,以能够使得对初始点云的解析结果更为精确。
有关本发明的其它优点以及优选实施方式的技术效果,将在下文的具体实施方式中进一步说明。
附图说明
图1是本发明基于聚类算法的体素化平面分割方法的流程图;
图2a是本发明基于聚类算法的体素化平面分割方法中待体素化的原图;
图2b是本发明基于聚类算法的体素化平面分割方法中的低精细度体素化结果示意图;
图2c是本发明基于聚类算法的体素化平面分割方法中的中等精细度体素化结果示意图;
图2d是本发明基于聚类算法的体素化平面分割方法中的高精细度体素化结果示意图;
图3是本发明基于聚类算法的体素化平面分割方法中的平面拟合示意图;
图4是本发明基于聚类算法的体素化平面分割方法中的新数据点的筛选原理示意图;
图5是本发明基于聚类算法的体素化平面分割方法中的初始平面以及精分割平面的对比图;
图6是本发明基于聚类算法的体素化平面分割方法中的过分割结果示意图;
图7是本发明基于聚类算法的体素化平面分割方法中第一组数据的点云数据;
图8是本发明基于聚类算法的体素化平面分割方法中第一组数据的分割结果;
图9是本发明基于聚类算法的体素化平面分割方法中第二组数据的点云数据;
图10是本发明基于聚类算法的体素化平面分割方法中第二组数据的分割结果。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
如图1所示,作为本发明所提供的基于聚类算法的体素化平面分割方法的一种实施例,该方法包括如下步骤:
B)选定任一体素立方块作为中心立方块,计算每个与该中心立方块相邻的相邻立方块中的拟合平面法向量,并计算各拟合平面法向量与中心立方块的中心拟合平面法向量的夹角,当夹角小于设定的夹角阈值时,则判定该中心立方块与该相邻立方块能够拟合形成为立方块拟合平面,并确定立方块拟合平面的初步点云;
C)将立方块拟合平面的三维数据投影至该立方块拟合平面形成二维数据,对二维数据进行网格划分,并将各网格中点的个数与设定的点数阈值对比,以将点数大于点数阈值的网格编号形成为新数据点,并将新数据点基于聚类算法进行编号归类,以得到立方块拟合平面的精分割平面;
D)重复步骤B)和步骤C)直至遍历初始点云,得出所有的精分割平面,并对精分割平面中的过分割平面进行优化。
具体地,步骤A)中的体素化过程包括:
其中,∆x、∆y和∆z为体素立方块的长、宽和高,为初始点云在x坐标上的尺寸大小,为初始点云在y坐标上的尺寸大小,为初始点云在z坐标上的尺寸大小,如图2a至图2d所示,以体素立方块均为正六面体为例,可通过改变体素立方块的边长大小的来调节初始点云体素化后的体素立方块的数量,从而能够对初始点云的运算解析的速度进行人为的干预,体素立方块的边长越小,则体素化后的体素立方块的数量越多,初始点云的运算解析速度越慢,但解析的精确度相对较高;体素立方块的边长越大,则体素化后的体素立方块的数量越少,初始点云的运算解析速度越快,但解析的精确度相对较高。
进一步地,遍历所有的体素立方块,对各个体素立方块g(l,w,h)中的点P(l’,w’, h’)={}使用PCA算法(主成分分析算法)进行平面拟合,并取得到特征矩阵的最小特征值所对应向量作为相应的拟合平面法向量或中心拟合平面法向量,如果中心立方块是位于初始点云中,则对与该中心立方块相邻的26个相邻立方块做相同操作,如果该中心立方块位于初始点云的外表面上,则该中心立方块仅仅只有8个相邻立方块,此外,为了排除噪声(即噪点)的影响,可以设置阈值,以去除掉包含的点数较少的相邻立方块,从而能够方便运算,如图3所示,以当前的中心立方块g(l,w,h)位于初始点云的外表面上,该外表面与坐标轴的y-z面平行,且与该中心立方块g(l,w,h)相邻的8个相邻立方块中所包含的点数也大于设置的阈值为例,则需要计算的相邻立方块与中心立方块g(l,w,h)的合集Θ为:
设置夹角阈值,将上述的法向量夹角合集Φ中的法向量夹角大小与夹角阈值对比,若某一相邻立方块的拟合平面法向量与中心立方块的中心拟合平面法向量之间的法向量夹角小于夹角阈值,则判定该相邻立方块与中心立方块处于同一平面上,若某一相邻立方块的拟合平面法向量与中心立方块的中心拟合平面法向量之间的法向量夹角大于等于夹角阈值,则继续遍历所有的相邻立方块,直到找到所有满足条件的相邻立方块,在找到所有满足条件的相邻立方块后,将中心立方块以及满足条件的相邻立方块利用最小二乘法进行平面拟合,得到立方块拟合平面:
计算中心立方块以及相邻立方块中各点到立方块拟合平面的距离,并将距离值与设定的距离阈值进行对比,以将距离值小于距离阈值的点作为立方块拟合平面的初步点云,也即是得到了初始数据的一个初始平面,随后重复上述的步骤,直至遍历初始点云以得到初始点云中所有的初始平面,实现基于体素的平面的粗提取,以上粗提取的逻辑代码如下所示:
9: break;
10: end if;
11: end for;
13: end for。
则立方块拟合平面中的所有初步点云投影到该立方块拟合平面内形成二维数据:
进一步地,如图4所示,统计各个网格中的点的个数,并将各网格中的点的点数与设定的点数阈值σ对比,以将点数大于点数阈值的网格编号形成为新数据点,该方法能大幅减少需要处理的点的数量,以图5中所示的数据变化过程为例,其网格数据将变化为如下的二维数据:
其中,空白的括号为筛除的网格;随后,基于聚类算法对编号后的新数据点进行归类,选择点的个数最大的一类作为待还原数据,即归类后,对每一类的网格中的数据点的个数进行统计和排序,数据点的个数最多的(排在第一)的那一类作为细分割得到的平面数据,并将其作为待还原数据,随后将待还原数据还原到对应的网格中,以得到精分割平面,随后遍历所有的初始平面,以得到所有的精分割平面,以上基于聚类算法得到精分割平面的逻辑代码如下:
4: for (i,j) do;
7: end if;
8: end for;
11:end for。
以某一建筑内部结构的初始点云数据为例,其在经由聚类算法处理前后的初始平面以及精分割平面的对比如图5所示,由图5可见经过聚类算法处理后得到的精分割平面,所包含的噪声(噪点)明显降低,对于墙壁边界的识别准确度也更高。
进一步地,由于不可避免的会存在一定程度山东各采集设备误差以及算法的误差,一个平面的点云会存在一定的厚度,这就导致了在开始划分体素时,一个平面会划分成多个平面,具体如图6所示,因此,需要对得到的精分割平面进行优化和校正,过分割平面的判定步骤为:计算两个精分割平面的精分割平面法向量,并计算两个精分割平面法向量之间的精分割平面法向量夹角,并将该精分割平面法向量夹角与设定的精分割平面法向量夹角阈值δ对比,以将精分割平面法向量夹角小于精分割平面法向量夹角阈值δ的两个平面判定为互为过分割平面,具体地,令所得到的所有的精分割平面为:
如果该精分割平面法向量夹角小于所设的精分割平面法向量夹角阈值δ,则将两个平面判定为互为过分割平面,则需要进一步将二者的平面法向量归一化,精分割平面的归一化的步骤包括:
a)计算互为过分割平面的两个精分割平面的所述精分割平面法向量,并将两个精分割平面法向量进行归一化即取平均值:
并将该精分割平面间距与设定的间距阈值进行对比;
c)当精分割平面间距小于等于间距阈值时,判定互为过分割平面的两个精分割平面以归为一个平面;当精分割平面间距大于间距阈值时,重复步骤a)和步骤b),直至精分割平面间距小于等于间距阈值。
以如图7所示的单独房间点云的墙壁分割以及如图9所示的某层建筑点云的墙壁分割为例,具体地,第一组数据为单独房间点云数据,在该房间中有很多的杂物,例如桌子、椅子、电脑等,房间的垂直三面为光滑的墙,另一面为落地窗帘,通过本发明的基于聚类算法的体素化平面分割方法,分割出的三个墙面和天花板点云如图8所示,由图8可知,所有墙面都被分割出来,房间里的杂物被认为非平面的噪声(即垂直墙面的点云下半部分呈现缺失状态),此外,在图中还可以看到有一个垂直墙面被分成了两个面,由于该墙面是由落地窗帘形成的,表面并不是平面,且中间有一墙柱,故导致了该面墙被分成了两面;第二组数据为某建筑中的某层的点云数据,在测量时没有进入每个房间,因此得到的点云数据是室内房间外的墙体表面,在该组数据中,平面包括可能相隔较远但处在同一大平面上的不同平面点,分割的结果如图10所示,有图10可知,平面分割的效果较好,并且基本没有太多的噪声。
通过上述技术方案,在本发明所提供的基于聚类算法的体素化平面分割方法中,基于聚类算法的体素化平面分割方法是先对初始点云中的数据进行体素化,从而以体素化后形成的体素立方块作为最小单元,先对各个体素立方块的拟合平面进行判断,判断相邻的体素立方块的拟合平面是否处于同一平面上,以将相邻体素立方块的拟合平面中处于同一平面上的拟合平面合并形成为立方块拟合平面,上述体素化的方法能够实现对平面分割速度的人为干预;进一步地,通过得出的立方块拟合平面,确定出立方块拟合平面的初步点云(即待处理的立方块拟合平面的三维数据),并将立方块拟合平面的三维数据投影至该立方块拟合平面形成二维数据,并对二维数据进行网格化划分,以根据划分出的网格中的点的数量,选出符合设定的网格,并将网格作为新数据点,以把新数据点作为聚类算法的处理对象,从而能够极大地减少运算量,提高平面分割的速度;此外,在得出所有的精分割平面还谱,还将判断是否存在互为过分割平面的精分割平面,并对互为过分割平面的精分割平面进行归一化,以能够使得对初始点云的解析结果更为精确。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于此。在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,包括各个具体技术特征以任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。但这些简单变型和组合同样应当视为本发明所公开的内容,均属于本发明的保护范围。
Claims (10)
1.基于聚类算法的体素化平面分割方法,其特征在于,包括如下步骤:
B)选定任一所述体素立方块作为中心立方块,计算每个与该中心立方块相邻的相邻立方块中的拟合平面法向量,并计算各所述拟合平面法向量与所述中心立方块的中心拟合平面法向量的夹角,当所述夹角小于设定的夹角阈值时,则判定该中心立方块与该相邻立方块能够拟合形成为立方块拟合平面,并确定所述立方块拟合平面的初步点云;
C)将所述立方块拟合平面的三维数据投影至该立方块拟合平面形成二维数据,对所述二维数据进行网格划分,并将各所述网格中点的个数与设定的点数阈值对比,以将点数大于所述点数阈值的网格编号形成为新数据点,并将所述新数据点基于聚类算法进行编号归类,以得到所述立方块拟合平面的精分割平面;
D)重复步骤B)和步骤C)直至遍历所述初始点云,得出所有的所述精分割平面,并对所述精分割平面中的过分割平面进行优化。
2.根据权利要求1所述的基于聚类算法的体素化平面分割方法,其特征在于,步骤A)中的体素化过程包括:
其中,G为体素立方块的合集,g(l,w,h)表示体素立方块,l,w,h分别表示体素立方块在x坐标上、y坐标上和z坐标上的位置编号。
3.根据权利要求1所述的基于聚类算法的体素化平面分割方法,其特征在于,步骤B)中,所述拟合平面法向量以及所述中心拟合平面法向量的计算步骤包括:对体素立方块中的点进行平面拟合,并取得到的特征矩阵中的最小特征值所对应向量作为相应的所述拟合平面法向量或所述中心拟合平面法向量。
4.根据权利要求3所述的基于聚类算法的体素化平面分割方法,其特征在于,所述拟合平面法向量的计算过程中,设有相邻立方块点数阈值,当所述相邻立方块中的点数小于所述相邻立方块点数阈值时,则无需对该相邻立方块进行拟合平面法向量计算。
8.根据权利要求7所述的基于聚类算法的体素化平面分割方法,其特征在于,所述精分割平面的获取步骤包括:统计各个所述网格中的点的个数,并将各所述网格中的点的点数与设定的所述点数阈值对比,以将点数大于所述点数阈值的网格编号形成为新数据点;并基于聚类算法对编号后的所述新数据点进行归类,选择点的个数最大的一类作为待还原数据,并将所述待还原数据还原到对应的所述网格中,以得到所述精分割平面。
9.根据权利要求8所述的基于聚类算法的体素化平面分割方法,其特征在于,所述过分割平面的判定步骤为:计算两个所述精分割平面的精分割平面法向量,并计算两个所述精分割平面法向量之间的精分割平面法向量夹角,并将该精分割平面法向量夹角与设定的精分割平面法向量夹角阈值对比,以将所述精分割平面法向量夹角小于所述精分割平面法向量夹角阈值的两个平面判定为互为过分割平面。
10.根据权利要求9所述的基于聚类算法的体素化平面分割方法,其特征在于,所述精分割平面的归一化的步骤包括:
a)计算互为过分割平面的两个所述精分割平面的所述精分割平面法向量,并将两个所述精分割平面法向量进行归一化;
b)计算归一化后的两个所述精分割平面之间的精分割平面间距,并将该精分割平面间距与设定的间距阈值进行对比;
c)当所述精分割平面间距小于等于所述间距阈值时,判定互为过分割平面的两个所述精分割平面以归为一个平面;当所述精分割平面间距大于所述间距阈值时,重复步骤a)和步骤b),直至所述精分割平面间距小于等于所述间距阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210659230.3A CN114742838B (zh) | 2022-06-13 | 2022-06-13 | 基于聚类算法的体素化平面分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210659230.3A CN114742838B (zh) | 2022-06-13 | 2022-06-13 | 基于聚类算法的体素化平面分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742838A CN114742838A (zh) | 2022-07-12 |
CN114742838B true CN114742838B (zh) | 2022-10-14 |
Family
ID=82287444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210659230.3A Active CN114742838B (zh) | 2022-06-13 | 2022-06-13 | 基于聚类算法的体素化平面分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742838B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034104B (zh) * | 2010-12-10 | 2013-04-03 | 中国人民解放军国防科学技术大学 | 三维点云中基于随机采样一致性的特征线检测方法 |
GB2543749A (en) * | 2015-10-21 | 2017-05-03 | Nokia Technologies Oy | 3D scene rendering |
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 |
CN111192284B (zh) * | 2019-12-27 | 2022-04-05 | 吉林大学 | 一种车载激光点云分割方法及系统 |
US11321953B2 (en) * | 2020-03-25 | 2022-05-03 | Hong Kong Applied Science and Technology Research Institute Company Limited | Method and apparatus for posture, dimension and shape measurements of objects in 3D scenes |
-
2022
- 2022-06-13 CN CN202210659230.3A patent/CN114742838B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114742838A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107123164B (zh) | 保持锐利特征的三维重建方法及系统 | |
CN108416785B (zh) | 面向封闭空间的拓扑分割方法及装置 | |
JP5703396B2 (ja) | 減数された測定点による公差評価 | |
US20170287231A1 (en) | Methods and systems for generating polycubes and all-hexahedral meshes of an object | |
CN108303037B (zh) | 一种基于点云分析的工件表面形状差异的检测方法及装置 | |
CN105844602B (zh) | 一种基于体元的机载lidar点云三维滤波方法 | |
CN110599506B (zh) | 一种复杂异形曲面机器人三维测量的点云分割方法 | |
CN112328715B (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
CN113470090A (zh) | 基于sift-shot特征的多固态激光雷达外参标定方法 | |
CN112164145B (zh) | 基于点云数据快速提取室内三维线段结构的方法 | |
Sveier et al. | Object detection in point clouds using conformal geometric algebra | |
CN115100116A (zh) | 一种基于三维点云的板材缺陷检测方法 | |
CN116503575A (zh) | 一种图形化生成高质量建筑模型的方法及电子设备 | |
CN111091594B (zh) | 多点云平面融合方法及装置 | |
CN109344750B (zh) | 一种基于结构描述子的复杂结构三维对象识别方法 | |
CN109345571B (zh) | 一种基于扩展高斯图像的点云配准方法 | |
CN114219899A (zh) | 一种基于改进叉树算法的网格生成方法及装置 | |
CN114742838B (zh) | 基于聚类算法的体素化平面分割方法 | |
CN116399241B (zh) | 一种贴片式电感几何参数测量方法及系统 | |
CN111765883A (zh) | 机器人蒙特卡罗定位方法、设备及存储介质 | |
WO2023005195A1 (zh) | 地图数据的处理方法、装置、家用电器和可读存储介质 | |
Tanaka et al. | Accuracy-based sampling and reconstruction with adaptive grid for parallel hierarchical tetrahedrization | |
CN109658489B (zh) | 一种基于神经网络的立体网格数据处理方法和系统 | |
CN117807875B (zh) | 石英器件的三维数据逆向重建和尺寸测量系统及方法 | |
CN113658166B (zh) | 一种基于网格模型的点云缺陷检测方法和装置 |
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 |