CN116721113A - 一种三维点云平面分割方法及系统 - Google Patents

一种三维点云平面分割方法及系统 Download PDF

Info

Publication number
CN116721113A
CN116721113A CN202211495082.2A CN202211495082A CN116721113A CN 116721113 A CN116721113 A CN 116721113A CN 202211495082 A CN202211495082 A CN 202211495082A CN 116721113 A CN116721113 A CN 116721113A
Authority
CN
China
Prior art keywords
point
dimensional
point cloud
seed
cloud data
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.)
Pending
Application number
CN202211495082.2A
Other languages
English (en)
Inventor
陈佳俊
张维杰
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.)
Tianyi Electronic Commerce Co Ltd
Original Assignee
Tianyi Electronic Commerce Co Ltd
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 Tianyi Electronic Commerce Co Ltd filed Critical Tianyi Electronic Commerce Co Ltd
Priority to CN202211495082.2A priority Critical patent/CN116721113A/zh
Publication of CN116721113A publication Critical patent/CN116721113A/zh
Pending legal-status Critical Current

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明提出了一种三维点云平面分割方法及系统，涉及三维点云分割领域。该方法通过对获取的三维点云数据进行主成分分析，得到三维点云数据的维度特征信息，然后基于维度特征信息从三维点云数据中筛选出多个二维面状点作为种子点集，并按约束条件对种子点集进行区域生长，将区域生长得到的其他数据点和二维面状点组成初始平面，可以避免种子点从两个完全相反的方向同时生长而造成的欠分割和过分割现象，然后对得到的初始平面进行优化可以得到比较精确的平面分割结果，最终提高三维点云平面分割的精度。

Description

一种三维点云平面分割方法及系统
技术领域
本发明涉及三维点云分割技术领域，具体而言，涉及一种三维点云平面分割方法及系统。
背景技术
点云分割技术是对点云数据进行划分，通常同一划分区域的点云数据具有相似的特征属性(例如几何特征、纹理特征等)，常常使用于三维模型重建等领域。而建筑物平面点云分割是实现数字城市三维模型重建的前提和基础，如何高效率、高精度地从点云数据中提取平面信息作为城市建模的基本构成要素，具有一定的必要性。但是，现有的传统平面分割方法，如RANSAC算法等，存在着平面欠分割和过分割的问题，平面分割的精度和速度都有待提高。
发明内容
本发明的目的在于提供一种三维点云平面分割方法及系统，其通过对获取的三维点云数据进行主成分分析，得到三维点云数据的维度特征信息，然后基于维度特征信息从三维点云数据中筛选出多个二维面状点作为种子点集，并按约束条件对种子点集进行区域生长，将区域生长得到的其他数据点和二维面状点组成初始平面，可以避免种子点从两个完全相反的方向同时生长而造成的欠分割和过分割现象，然后对得到的初始平面进行优化可以得到比较精确的平面分割结果，最终提高三维点云平面分割的精度。
本发明的实施例是这样实现的：
第一方面，本申请实施例提供一种三维点云平面分割方法，包括以下步骤：
获取三维点云数据，并对三维点云数据进行主成分分析处理，得到所述三维点云数据的维度特征信息；
基于所述维度特征信息从所述三维点云数据中筛选出多个二维面状点作为种子点集；
对所述种子点集中的种子点进行区域生长，获取初始平面；
对所述初始平面进行优化，得到所述三维点云数据平面分割结果。
在本发明的一些实施例中，所述对三维点云数据进行主成分分析处理，得到所述三维点云数据的维度特征信息的步骤具体包括：
计算所述三维点云数据邻域点集的协方差矩阵；
通过所述协方差矩阵计算每个数据点的特征值及法向量；
基于所述特征值估算每个数据点的曲率。
在本发明的一些实施例中，所述基于所述维度特征信息从所述三维点云数据中筛选出多个二维面状点作为种子点集的步骤具体包括：
根据所述特征值计算每个数据点拟合残差；
基于所述拟合残差计算每个数据点的维度概率；
根据所述维度概率，从所述三维点云数据中筛选出多个二维面状点作为种子点集。
在本发明的一些实施例中，所述对所述种子点集中的种子点进行区域生长，获取初始平面的步骤具体包括：
将所述种子点集按曲率的大小进行排列，并存储到队列中；
每次从所述队列中取出曲率最小的种子点作为当前种子点，按预设的约束条件对当前种子点进行区域生长操作；
直到选取的种子点的曲率和最小曲率的差值大于预设的曲率阈值，停止进行区域生长操作并提取出由区域生长得到的初始平面。
在本发明的一些实施例中，所述按预设的约束条件对所述当前种子点进行区域生长操作的步骤具体包括：
获取当前种子点的邻域生长点，计算所述当前种子点和所述邻域生长点的点面距，根据所述点面距与预设的点面距阈值进行区域生长操作；
随机选取所述当前种子点的邻域中的一个新种子点，分别计算所述当前种子点与所述邻域生长点、所述新种子点之间的法向量夹角；
根据所述法向量夹角与预设的生长角度阈值进行区域生长操作。
在本发明的一些实施例中，所述对所述初始平面进行优化的步骤具体包括：
对于邻域点集中的非二维面状点，重新判断是否属于初始平面；
对初始平面中的近似面片进行合并。
第二方面，本申请实施例提供一种三维点云平面分割系统，其包括：
获取和处理模块，用于获取三维点云数据，并对三维点云数据进行主成分分析处理，得到所述三维点云数据的维度特征信息；
筛选模块，用于基于所述维度特征信息从所述三维点云数据中筛选出多个二维面状点作为种子点集；
区域生长模块，用于对所述种子点集中的种子点进行区域生长，获取初始平面；
优化模块，用于对所述初始平面进行优化，得到所述三维点云数据平面分割结果。
在本发明的一些实施例中，所述获取和处理模块具体包括：
第一计算子模块，用于计算所述三维点云数据邻域点集的协方差矩阵；
第二计算字模块，用于通过所述协方差矩阵计算每个数据点的特征值及法向量；
估算模块，用于基于所述特征值估算每个数据点的曲率。
第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器，当上述一个或多个程序被上述处理器执行时，实现如上述第一方面中任一项上述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项上述的方法。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
本发明的实施例提出了一种三维点云平面分割方法，其通过对获取的三维点云数据进行主成分分析，得到三维点云数据的维度特征信息，然后基于维度特征信息从三维点云数据中筛选出多个二维面状点作为种子点集，并按约束条件对种子点集进行区域生长，将区域生长得到的其他数据点和二维面状点组成初始平面，可以避免种子点从两个完全相反的方向同时生长而造成的欠分割和过分割现象，然后对得到的初始平面进行优化可以得到比较精确的平面分割结果，最终提高三维点云平面分割的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明一种三维点云平面分割方法一实施例的流程图；
图2为本发明实施例中对三维点云数据进行主成分分析处理，得到所述三维点云数据的维度特征信息的步骤的具体流程图；
图3为本发明实施例中基于所述维度特征信息从所述三维点云数据中筛选出多个二维面状点作为种子点集的具体流程图；
图4为本发明实施例中对所述种子点集中的种子点进行区域生长，获取初始平面的步骤的具体流程图；
图5为本申请实施例中每次从所述队列中取出曲率最小的种子点作为当前种子点，按预设的约束条件对当前种子点进行区域生长操作的步骤的具体流程图；
图6为本申请实施例中对所述初始平面进行优化的步骤的具体流程图；
图7为本发明一种三维点云平面分割系统一实施例的结构框图；
图8为本发明实施例提供的一种电子设备的结构框图。
图标：1、获取和处理模块；2、筛选模块；3、区域生长模块；4、优化模块；5、处理器；6、存储器；7、数据总线。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
实施例1
请参阅图1-5，本申请实施例提供了一种三维点云平面分割方法，其通过对获取的三维点云数据进行主成分分析，得到三维点云数据的维度特征信息，然后基于维度特征信息筛选出多个二维面状点作为种子点集，并按约束条件对种子点集进行区域生长，将区域生长得到的其他数据点和二维面状点组成初始平面，可以避免种子点从两个完全相反的方向同时生长而造成的欠分割和过分割现象，对得到的初始平面进行优化可以得到比较精确的平面分割结果，最终提高三维点云平面分割的精度。
如图1所示，上述三维点云平面分割方法包括以下步骤：
步骤S101：获取三维点云数据，并对三维点云数据进行主成分分析处理，得到所述三维点云数据的维度特征信息。
上述步骤中，三维点云数据通常使用三维扫描仪采集并以pcd、ply、txt、bin等文件格式存储与外部存储设备如磁盘中，可以将存储于文件中的三维点云数据读取到以k-d树构建的数据结构的内存中来，加快数据的搜索和处理速度。
其中，如图2所示，上述步骤S101中，对三维点云数据进行主成分分析处理，得到所述三维点云数据的维度特征信息的步骤具体包括：
步骤S1011：计算所述三维点云数据邻域点集的协方差矩阵；
步骤S1012：通过所述协方差矩阵计算每个数据点的特征值及法向量；
步骤S1013：基于所述特征值估算每个数据点的曲率。
上述步骤中，可以通过主成分分析PCA的方法对获取到的三维点云数据进行处理，得到三维点云数据的包括每个数据点的特征值、法向量、曲率等的维度特征信息，具体可以先计算三维点云数据集K的邻域点集P的协方差矩阵Ci：
然后对协方差矩阵Ci进行奇异值分解，得到特征值λ0、λ1、λ2和对应的特征向量v0、v1、v2，其中λ0≤λ1≤λ2，最小特征值λ0对应的特征向量v0即为邻域点集P的任一数据点Pi的法向量。由于特征值λ0、λ1、λ2分别代表一个点随着三个主要方向的变化程度，因此可以基于上述特征值λ0、λ1、λ2估算出每个数据点的曲率
步骤S102：基于所述维度特征信息从所述三维点云数据中筛选出多个二维面状点作为种子点集。
相应地，如图3所示，上述步骤S102：基于所述维度特征信息从所述三维点云数据中筛选出多个二维面状点作为种子点集的步骤具体包括：
步骤S1021：根据所述特征值计算每个数据点拟合残差；
步骤S1022：基于所述拟合残差计算每个数据点的维度概率；以及
步骤S1023：根据所述维度概率，从所述三维点云数据中筛选出多个二维面状点作为种子点集。
上述步骤中，在三维空间中，通常可以利用拟合残差来获取点云数据的维度特征，然后根据维度特征将点云数据分为三个类别：代表一维空间的线性形状、代表二维空间的面状和代表三维空间的曲面状。因此，可以根据三维点云数据的维度特征信息对三维点云数据的所有数据点进行分类，从中筛选出所有的二维面状点。
具体的，可以根据获得的数据点Pi的特征值λ0、λ1、λ2来计算数据点的拟合残差，即将作为局部拟合平面对应的三个特征向量方向的拟合残差，然后分别利用拟合残差δ1、δ2、δ3来对应表示数据点为一维线状点、二维面状点和三维散乱点，并可以基于拟合残差δ1、δ2、δ3计算出每个数据点的维度概率，计算公式如下：
其中μ为归一化系数，且可以选取μ＝δ1，当μ＝δ1时，α1D+α2D+α3D＝1,α1D、α2D、α3D可以分别表示数据点被标记为一维线状点、二维面状点、三维散乱点的概率，且可以定义维度标记VP＝argd∈[1,3]max[αdD]，于是，当VP＝1时该数据点为一维线状点，VP＝2时该数据点为二维面状点，VP＝3时该数据点为三维散乱点。然后可以依据维度标记VP，从上述三维点云数据中筛选出所有的VP＝2的二维面状点组成种子点集。
步骤S103：对所述种子点集中的种子点进行区域生长，获取初始平面。
相应地，如图4所示，上述步骤S103：对所述种子点集中的种子点进行区域生长，获取初始平面具体包括：
步骤S1031：将所述种子点集按曲率的大小进行排列，并存储到队列中；
步骤S1032：每次从所述队列中取出曲率最小的种子点作为当前种子点，按预设的约束条件对当前种子点进行区域生长操作；
步骤S1033：直到选取的种子点的曲率和最小曲率的差值大于预设的曲率阈值，停止进行区域生长操作并提取出由区域生长得到的初始平面。
上述步骤中，首先对筛选出的二维面状点组成的种子点集中的数据点进行排序，具体可以按数据点的曲率H由小到大进行排列，并依次存储到预设于内存的队列中，然后按队列先进先出的方式每次从队列中快速取出曲率最小的种子点作为当前种子点，并根据点面距、法向量夹角以及生长角度阈值等约束条件来进行当前种子点的区域生长操作，直到选取的种子点曲率和最小曲率的差值大于曲率阈值，则种子点搜索选取完毕，停止对剩下的种子点区域生长并提取由种子点区域生长得到的初始平面。
其中，如图5所示，上述步骤S1032：每次从所述队列中取出曲率最小的种子点作为当前种子点，按预设的约束条件对当前种子点进行区域生长操作具体包括：
步骤S10321：获取当前种子点的邻域生长点，计算所述当前种子点和所述邻域生长点的点面距，根据所述点面距与预设的点面距阈值进行区域生长操作；
步骤S10322：随机选取所述当前种子点的邻域中的一个新种子点，分别计算所述当前种子点与所述邻域生长点、所述新种子点之间的法向量夹角；
步骤S10323：根据所述法向量夹角与预设的生长角度阈值进行区域生长操作。
上述步骤中，当前种子点的邻域生长点可以是当前种子点所在的邻域点集中的其他数据点，可以从该当前种子点的邻域点集中获取任一数据点，计算当前种子点和其邻域生长点的点面距d：
式中，rpp为当前种子点指向生长点的向量，np为当前种子点的法向量；然后根据点面距d与预设的点面距阈值d*进行区域生长操作,即从邻域点集中选取点面距d≤点面距阈值d*的所有邻域生长点，并将种子点集和选取出的邻域生长点组合成初始平面。
相应地，从当前种子点所在的区域，即当前种子点的邻域或邻域点集内随机选取一个新的种子点，然后将当前种子点和随机选取的种子点的法向量与获取的邻域生长点的法向量的夹角进行加权计算，然后再通过生长角度阈值来判断邻域生长点是否属于当前种子点所在的区域(邻域)进行区域生长操作，具体的判断公式如下所示：
(1-ω)β1+ωβ2≤β*
式中，β1为当前种子点与邻域生长点的法向量夹角，β2为新种子点与邻域生长点的法向量夹角，β*为生长角度阈值，ω作为一个权值用于调节两个种子点对于邻域生长点的作用效果，在本发明中可取ω＝β2/β1+β2。如果新的种子点与邻域生长点的法向量夹角β2更大，说明新的种子点对邻域生长点有更大的约束，此时ω>0.5；如果当前种子点与邻域生长点的法向量夹角更大，说明当前种子点对邻域生长点有更大的约束，此时1-ω>0.5；因此可以将β1、β1及与β*的上述关系来共同从邻域点集中筛选出满足上述关系的所有数据点，实现种子点的区域生长操作，从而可以将种子点集和筛选出的邻域生长点组合成初始平面。通过以上对三维点云数据的分析处理、筛选、按约束条件进行区域生长以及优化等步骤，可以避免种子点从两个完全相反的方向同时生长而造成的欠分割和过分割现象，在提升平面分割速度的同时，提高平面分割精度。
步骤S104：对所述初始平面进行优化。
其中，如图6所示，上述步骤S104：对所述初始平面进行优化具体包括：
步骤S1041：对于邻域点集中的非二维面状点，重新判断是否属于初始平面；
步骤S1042：对初始平面中的近似面片进行合并。
上述步骤中，对于邻域点集中的非二维面状点，如边界点，可以通过点到平面的距离对非二维面状点进行其归属平面的重新判断，判断其是否属于初始平面；并可以利用法向量夹角、面片法矢之间的距离以及面片邻近距离对获得的初始平面中的近似面片进行合并，从而三维点云数据的平面分割进行优化，得到比较精确的平面分割结果。
需要说明的是，本发明实施例中未具体展开说明的技术内容，可以通过现有的相关技术实现，属于现有技术，在本发明实施例中不再赘述。
实施例2
相应地，请参阅图7，本申请实施例提供了一种三维点云平面分割系统，其包括：
获取和处理模块1，用于获取三维点云数据，并对三维点云数据进行主成分分析处理，得到所述三维点云数据的维度特征信息；筛选模块2，用于基于所述维度特征信息从所述三维点云数据中筛选出多个二维面状点作为种子点集；区域生长模块3，用于对所述种子点集中的种子点进行区域生长，获取初始平面；优化模块4，用于对所述初始平面进行优化，得到所述三维点云数据平面分割结果。
其中，所述获取和处理模块1具体包括：
第一计算子模块，用于计算所述三维点云数据邻域点集的协方差矩阵；第二计算字模块，用于通过所述协方差矩阵计算每个数据点的特征值及法向量；估算模块，用于基于所述特征值估算每个数据点的曲率。
上述系统具体实现过程请参照实施例1中提供的一种三维点云平面分割方法，在此不再赘述。
实施例3
请参阅图8，本申请实施例提供了一种电子设备，该电子设备包括至少一个处理器5、至少一个存储器6和数据总线7；其中：处理器5与存储器6通过数据总线7完成相互间的通信；存储器6存储有可被处理器5执行的程序指令，处理器5调用程序指令以执行一种三维点云平面分割方法。例如实现：
获取三维点云数据，并对三维点云数据进行主成分分析处理，得到所述三维点云数据的维度特征信息；基于所述维度特征信息从所述三维点云数据中筛选出多个二维面状点作为种子点集；对所述种子点集中的种子点进行区域生长，获取初始平面；对所述初始平面进行优化，得到所述三维点云数据平面分割结果。
其中，存储器6可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器5可以是一种集成电路芯片，具有信号处理能力。该处理器5可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图8所示的结构仅为示意，电子设备还可包括比图8中所示更多或者更少的组件，或者具有与图8所示不同的配置。图8中所示的各组件可以采用硬件、软件或其组合实现。
实施例4
本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器5执行时实现一种三维点云平面分割方法。例如实现：
获取三维点云数据，并对三维点云数据进行主成分分析处理，得到所述三维点云数据的维度特征信息；基于所述维度特征信息从所述三维点云数据中筛选出多个二维面状点作为种子点集；对所述种子点集中的种子点进行区域生长，获取初始平面；对所述初始平面进行优化，得到所述三维点云数据平面分割结果。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种三维点云平面分割方法，其特征在于，包括：
获取三维点云数据，并对三维点云数据进行主成分分析处理，得到所述三维点云数据的维度特征信息；
基于所述维度特征信息从所述三维点云数据中筛选出多个二维面状点作为种子点集；
对所述种子点集中的种子点进行区域生长，获取初始平面；
对所述初始平面进行优化，得到所述三维点云数据平面分割结果。
2.如权利要求1所述的一种三维点云平面分割方法，其特征在于，所述对三维点云数据进行主成分分析处理，得到所述三维点云数据的维度特征信息的步骤具体包括：
计算所述三维点云数据邻域点集的协方差矩阵；
通过所述协方差矩阵计算每个数据点的特征值及法向量；
基于所述特征值估算每个数据点的曲率。
3.如权利要求2所述的一种三维点云平面分割方法，其特征在于，所述基于所述维度特征信息从所述三维点云数据中筛选出多个二维面状点作为种子点集的步骤具体包括：
根据所述特征值计算每个数据点拟合残差；
基于所述拟合残差计算每个数据点的维度概率；
根据所述维度概率，从所述三维点云数据中筛选出多个二维面状点作为种子点集。
4.如权利要求3所述的一种三维点云平面分割方法，其特征在于，所述对所述种子点集中的种子点进行区域生长，获取初始平面的步骤具体包括：
将所述种子点集按曲率的大小进行排列，并存储到队列中；
每次从所述队列中取出曲率最小的种子点作为当前种子点，按预设的约束条件对当前种子点进行区域生长操作；
直到选取的种子点的曲率和最小曲率的差值大于预设的曲率阈值，停止进行区域生长操作并提取出由区域生长得到的初始平面。
5.如权利要求4所述的一种三维点云平面分割方法，其特征在于，所述按预设的约束条件对所述当前种子点进行区域生长操作的步骤具体包括：
获取当前种子点的邻域生长点，计算所述当前种子点和所述邻域生长点的点面距，根据所述点面距与预设的点面距阈值进行区域生长操作；
随机选取所述当前种子点的邻域中的一个新种子点，分别计算所述当前种子点与所述邻域生长点、所述新种子点之间的法向量夹角；
根据所述法向量夹角与预设的生长角度阈值进行区域生长操作。
6.如权利要求5所述的一种三维点云平面分割方法，其特征在于，所述对所述初始平面进行优化的步骤具体包括：
对于邻域点集中的非二维面状点，重新判断是否属于初始平面；
对初始平面中的近似面片进行合并。
7.一种三维点云平面分割系统，其特征在于，包括：
获取和处理模块，用于获取三维点云数据，并对三维点云数据进行主成分分析处理，得到所述三维点云数据的维度特征信息；
筛选模块，用于基于所述维度特征信息从所述三维点云数据中筛选出多个二维面状点作为种子点集；
区域生长模块，用于对所述种子点集中的种子点进行区域生长，获取初始平面；
优化模块，用于对所述初始平面进行优化，得到所述三维点云数据平面分割结果。
8.如权利要求7所述的一种三维点云平面分割系统，其特征在于，所述获取和处理模块具体包括：
第一计算子模块，用于计算所述三维点云数据邻域点集的协方差矩阵；
第二计算字模块，用于通过所述协方差矩阵计算每个数据点的特征值及法向量；
估算模块，用于基于所述特征值估算每个数据点的曲率。
9.一种电子设备，其特征在于，包括至少一个处理器、至少一个存储器和数据总线；其中：所述处理器与所述存储器通过所述数据总线完成相互间的通信；所述存储器存储有被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行如权利要求1-6任一项所述的方法。
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，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
CN202211495082.2A 2022-11-26 2022-11-26 一种三维点云平面分割方法及系统 Pending CN116721113A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211495082.2A CN116721113A (zh) 2022-11-26 2022-11-26 一种三维点云平面分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211495082.2A CN116721113A (zh) 2022-11-26 2022-11-26 一种三维点云平面分割方法及系统

Publications (1)

Publication Number Publication Date
CN116721113A true CN116721113A (zh) 2023-09-08

Family

ID=87866616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211495082.2A Pending CN116721113A (zh) 2022-11-26 2022-11-26 一种三维点云平面分割方法及系统

Country Status (1)

Country Link
CN (1) CN116721113A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291936A (zh) * 2023-11-27 2023-12-26 法奥意威(苏州)机器人系统有限公司 点云分割方法、装置、设备和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291936A (zh) * 2023-11-27 2023-12-26 法奥意威(苏州)机器人系统有限公司 点云分割方法、装置、设备和介质
CN117291936B (zh) * 2023-11-27 2024-02-20 法奥意威(苏州)机器人系统有限公司 点云分割方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
CN111080660B (zh) 一种图像分割方法、装置、终端设备及存储介质
CN110781756A (zh) 基于遥感图像的城市道路提取方法及装置
CN111275724B (zh) 一种基于八叉树和边界优化的机载点云屋顶平面分割方法
CN116188805B (zh) 海量图像的图像内容分析方法、装置和图像信息网络
El‐Sayed et al. Plane detection in 3D point cloud using octree‐balanced density down‐sampling and iterative adaptive plane extraction
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
KR101618996B1 (ko) 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치
CN109978888B (zh) 一种图像分割方法、装置及计算机可读存储介质
CN109345536B (zh) 一种图像超像素分割方法及其装置
CN111862222A (zh) 一种目标检测方法及电子设备
CN116721113A (zh) 一种三维点云平面分割方法及系统
CN116486259B (zh) 遥感图像中的点目标的提取方法和装置
CN116596750A (zh) 一种点云处理方法、装置、电子设备及存储介质
CN113496138A (zh) 稠密点云数据的生成方法、装置、计算机设备及存储介质
CN113903016B (zh) 分岔点检测方法、装置、计算机设备和存储介质
CN113780532B (zh) 语义分割网络的训练方法、装置、设备及存储介质
CN113486590A (zh) 一种数据处理方法、设备和存储介质
CN115081542A (zh) 子空间聚类方法、终端设备及计算机可读存储介质
CN112816959A (zh) 用于车辆的聚类方法、装置、设备和存储介质
CN114255326A (zh) 点云数据的处理方法、装置、电子设备和存储介质
CN111815637A (zh) 3d图像边缘点云的提取方法、设备及计算机存储介质
CN114511571A (zh) 一种点云数据语义分割方法、系统及相关组件
CN116681767B (zh) 一种点云搜索方法、装置及终端设备
CN115082709B (zh) 遥感大数据处理方法、系统及云平台
CN111506766B (zh) 音频帧聚类方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination