CN117036653A - 基于超体素聚类的点云分割方法及系统 - Google Patents
基于超体素聚类的点云分割方法及系统 Download PDFInfo
- Publication number
- CN117036653A CN117036653A CN202311030914.8A CN202311030914A CN117036653A CN 117036653 A CN117036653 A CN 117036653A CN 202311030914 A CN202311030914 A CN 202311030914A CN 117036653 A CN117036653 A CN 117036653A
- Authority
- CN
- China
- Prior art keywords
- adjacent
- super
- voxels
- voxel
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000004927 fusion Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000003190 augmentative effect Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于超体素聚类的点云分割方法及系统,涉及点云分割技术领域,该方法包括:通过对场景点云进行体素降采样及网格化处理得到目标网格模型,根据目标网格模型确定初始种子点;基于初始种子点通过迭代的方式根据邻接体素间的相似度将降采样后体素划分为超体素得到超体素集合;根据超体素间的邻接关系构造无向加权图,将当前无向加权图中邻接超体素间的距离作为邻接权重,各邻接权重构成邻接权重集合;通过迭代的方式,根据当前无向加权图中的最小邻接权重聚类相似超体素,对当前超体素集合进行更新,直到当前无向加权图中的最小邻接权重大于或者等于设定阈值,得到场景点云分割结果。本发明降低了分割复杂度。
Description
技术领域
本发明涉及点云分割技术领域,特别是涉及一种基于超体素聚类的点云分割方法及系统。
背景技术
增强现实是融合虚拟与现实的技术,涉及计算机视觉、计算机图形学、光学等多个研究领域,在智慧医疗、工业制造、辅助装配、机器人路径规划、自然科学等场景有着广泛的应用。增强现实是融合虚拟与现实、可交互且虚实对齐的系统。实现虚拟世界与现实世界的精确对齐是增强现实系统的要解决的基本问题,实现精确注册限制增强现实系统发展的关键技术,现有基于立体视觉感知的增强现实应用通常基于点云信息识别目标模型并估计目标位姿实现虚实对齐。
深度传感器的发展为增强现实应用中的虚实注册任务提供了基于立体视觉感知的解决方案,与基于2D图像中的标记识别方案不同,基于立体视觉感知的虚实注册的方案可以在传感器传回图像构造的场景点云中依据给定目标模型的特征确定模型在相机坐标系下的位姿。受限于点云数据计算量大的特点,基于立体视觉感知的目标位姿估计算法选择基于场景点云信息提取各实例点云,根据各实例点云估计目标模型位姿。使用场景点云分割算法将场景点云按定义的特征相似度聚类,在计算机视觉、机器人感知、遥感测绘、增强现实等领域是基本且关键的任务,有着广泛的研究和应用。目前现有的传统点云分割算法多应用于室内外场景的平面检测和基本的图元拟合,计算效率低。基于深度学习的点云分割算法还存在真实数据集不足、数据集标注代价大、虚拟数据集训练效果差等问题,限制了深度学习算法在增强现实领域的应用。
立体视觉条件下的增强现实应用采用深度相机获取稠密的场景点云,在稠密点云中实现目标模型的识别与位姿估计存在计算量大、估计效率低等问题。在场景点云中提取实例点云,并根据实例点云识别并估计目标位姿可以降低计算量、提高估计效率。基于特征的欧式聚类方法提取实例点云的过程中,存在逐点判定导致计算量大、过分割等问题。
发明内容
本发明的目的是提供一种基于超体素聚类的点云分割方法及系统,降低了分割复杂度。
为实现上述目的,本发明提供了如下方案:
本发明公开了一种基于超体素聚类的点云分割方法,包括:
通过对场景点云进行体素降采样及网格化处理,得到目标网格模型,根据所述目标网格模型确定初始种子点;
基于所述初始种子点,通过迭代的方式根据邻接体素间的相似度将降采样后体素划分为超体素,得到超体素集合;
基于所述超体素集合,根据超体素间的邻接关系构造无向加权图,将当前无向加权图中邻接超体素间的距离作为邻接权重,各邻接权重构成邻接权重集合;
通过迭代的方式,根据当前无向加权图中的最小邻接权重,对当前超体素集合进行更新,直到当前无向加权图中的最小邻接权重大于或者等于设定阈值,将当前超体素集合作为场景点云分割结果。
可选地,通过对场景点云进行体素降采样及网格化处理,得到目标网格模型,根据所述目标网格模型确定初始种子点,具体包括:
根据第一预设步长对所述场景点云进行体素降采样;
根据第二预设步长将所述场景点云网格化,将降采样后体素映射到所述场景点云网格化后的坐标系下,得到目标网格模型;
将所述目标网格模型的中心作为所述初始种子点。
可选地,基于所述初始种子点,通过迭代的方式根据邻接体素间的相似度将降采样后体素划分为超体素,得到超体素集合,具体包括:
为降采样后体素构造k-d树,记为第一k-d树;
对每个种子点,查询所述第一k-d树找到种子点的邻接体素;
计算各邻接体素间的邻接色差距离、归一化几何距离和归一化欧式距离;
根据各邻接体素间的邻接色差距离、归一化几何距离和归一化欧式距离,计算各邻接体素间的特征距离;
将与各种子点距离最近的体素归类为种子点对应的簇;
对每个簇,计算簇的中心点作为簇对应的种子点;
返回对每个种子点,查询所述第一k-d树找到种子点的邻接体素的步骤,直到降采样后体素均归类到簇,且归类的簇均不再进行变化,将各簇作为一个超体素,得到超体素集合。
可选地,基于所述超体素集合,根据超体素间的邻接关系构造无向加权图,将当前无向加权图中邻接超体素间的距离作为邻接权重,各邻接权重构成邻接权重集合,具体包括:
根据所述超体素集合中各邻接超体素间的邻接关系构造无向加权图;
计算所述超体素集合中各邻接超体素间的归一化色差距离和归一化几何距离;
根据各邻接超体素间的归一化色差距离和归一化几何距离,计算各邻接超体素间的邻接融合特征距离;
将各邻接超体素间的邻接融合特征距离作为邻接权重,各邻接权重构成邻接权重集合。
可选地,通过迭代的方式,根据当前无向加权图中的最小邻接权重,对当前超体素集合进行更新,直到当前无向加权图中的最小邻接权重大于或者等于设定阈值,将当前超体素集合作为点云分割结果,具体包括:
将当前无向加权图中的最小邻接权重对应的邻接超体素进行合并,得到构造超体素,将最小邻接权重对应的邻接超体素从当前超体素集合中移除,并将当前构造超体素加入当前超体素集合,并根据当前超体素集合更新当前无向加权图;
返回将当前无向加权图中的最小邻接权重对应的邻接超体素进行合并的步骤进行迭代,直到当前无向加权图中的最小邻接权重大于或者等于设定阈值,将当前超体素集合作为点云分割结果。
本发明还公开了一种基于超体素聚类的点云分割系统,包括:
降采样及网格化处理模块,用于通过对场景点云进行体素降采样及网格化处理,得到目标网格模型,根据所述目标网格模型确定初始种子点;
超体素划分模块,用于基于所述初始种子点,通过迭代的方式根据邻接体素间的相似度将降采样后体素划分为超体素,得到超体素集合;
无向加权图构造模块,用于基于所述超体素集合,根据超体素间的邻接关系构造无向加权图,将当前无向加权图中邻接超体素间的距离作为邻接权重,各邻接权重构成邻接权重集合;
场景点云分割模块,用于通过迭代的方式,根据当前无向加权图中的最小邻接权重,对当前超体素集合进行更新,直到当前无向加权图中的最小邻接权重大于或者等于设定阈值,将当前超体素集合作为场景点云分割结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明通过对场景点云进行体素降采样及网格化处理,实现了场景点云的分级分割,降低了分割复杂度;根据邻接体素间的相似度将降采样后体素划分为超体素,得到超体素集合,根据超体素间的邻接关系判定实例归属,进一步降低了分割复杂度,提高了运算速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于超体素聚类的点云分割方法流程示意图;
图2为本发明实施例提供的一种基于超体素聚类的点云分割方法具体流程示意图;
图3为本发明实施例提供的一种基于超体素聚类的点云分割系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于超体素聚类的点云分割方法及系统,降低了分割复杂度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明基于深度相机传回的RGB-D图像构造装配现场场景点云,面向场景点云中的实例点云分割任务,实现了一种基于超体素聚类的场景实例点云分割方法,为后续根据实例点云识别并估计目标模型位姿提供场景理解信息。
本发明的基本思想和工作流程如图2所示,整个过程分为场景点云超体素化和超体素聚类两个阶段。
在场景点云超体素化阶段,将体素降采样后的场景点云网格化,以距离网格中心最近的场景点作为初始簇的种子点,迭代计算邻接场景点到各簇中心的距离,选择距离最近的场景点并入对应簇并重新计算簇的种子点进行新一轮迭代,直到所有点归类稳定。
在超体素聚类阶段,根据自定义距离度量计算邻接超体素间距后,迭代合并最小距离对应的邻接超体素直到最小距离大于阈值,将合并结果作为实例点云分割结果输出。
实施例1
如图1和图2所示,本实施例提供了一种基于超体素聚类的点云分割方法,具体包括如下步骤。
步骤101:通过对场景点云进行体素降采样及网格化处理,得到目标网格模型,根据所述目标网格模型确定初始种子点。
步骤102:基于所述初始种子点,通过迭代的方式根据邻接体素间的相似度将降采样后体素划分为超体素,得到超体素集合。
步骤103:基于所述超体素集合,根据超体素间的邻接关系构造无向加权图,将当前无向加权图中邻接超体素间的距离作为邻接权重,各邻接权重构成邻接权重集合。
步骤104:通过迭代的方式,根据当前无向加权图中的最小邻接权重,对当前超体素集合进行更新,直到当前无向加权图中的最小邻接权重大于或者等于设定阈值,将当前超体素集合作为场景点云分割结果。
其中,步骤101具体包括:
基于深度相机传回的RGB-D图像构造场景点云。
根据第一预设步长对所述场景点云进行体素降采样。其中,第一预设步长为0.005dM,dM为目标网格模型的直径。该步骤以0.005dM建立体素网格,将降采样后场景点云映射到体素坐标系,包含场景点的体素作为有效体素,根据有效体素构成的体素模型中各体素包含场景点计算得到的质心作为体素化结果,以体素中心代替局部点云。体素是降采样后的单元,以自定义步长划分的体素可能包含多个点,根据体素内所有数据点计算降采样后的体素质心,作为体素化结果。
根据第二预设步长将所述场景点云网格化,将降采样后体素映射到所述场景点云网格化后的坐标系下,得到目标网格模型。其中,第二预设步长为0.05dM。该步骤以0.05dM为步长将场景点云网格化,以相机位置作为网格坐标系原点,将体素化结果映射到网格坐标系下。
将所述目标网格模型的中心作为所述初始种子点。
其中,步骤102具体包括:
为降采样后体素构造k-d树,记为第一k-d树。第一k-d树将降采样后场景点云结构化,第一k-d树用于查询体素间的邻接关系。
对每个种子点,查询所述第一k-d树找到种子点的邻接体素。
计算各邻接体素间的邻接色差距离、归一化几何距离和归一化欧式距离,具体包括:
邻接体素间的邻接色差距离的计算公式表示为:
其中,Dc(pi,pj)表示体素i和体素j间的邻接色差距离,体素i和体素j为邻接体素,pi、pj为任意邻接体素中心,pi为体素i的中心,pj为体素j的中心;ΔE00(pi,pj)为CIEDE2000标准色差值;为CIEDE2000的色差范围;Dc(pi,pj)为邻接体素间的归一化标准色差距离(邻接色差距离)。
邻接体素间的归一化几何距离的计算公式表示为:
Dn(ni,nj)=1-|cos(ni,nj)|;
其中,Dn(ni,nj)表示体素i和体素j间的归一化几何距离,ni、nj为邻接体素对应的法向量,ni为体素i对应的法向量,nj为体素j对应的法向量;邻接体素间的几何相似度计算为邻接体素间的法向量相似度。
邻接体素间的归一化欧式距离的计算公式表示为:
其中,Ds(pi,pj)表示体素i和体素j间的归一化欧式距离,pi、pj为任意邻接体素中心;使用邻接网格中心间最大距离将邻接体素间距离归一化,rs为网格化步长,rs设置为0.05dM。
根据各邻接体素间的邻接色差距离、归一化几何距离和归一化欧式距离,计算各邻接体素间的特征距离。
特征距离的计算公式为:
其中,D1(pi,pj)表示体素i和体素j间的特征距离,Dc=Dc(pi,pj),Dn=Dn(ni,nj),Ds=Ds(pi,pj),pi、pj为任意邻接体素中心。
将与各种子点距离最近的体素归类为种子点对应的簇。
对每个簇,计算簇的中心点作为簇对应的种子点p。
其中,n为簇中包含的数据量,计算簇中n个点的Lab(颜色模型)特征、空间距离、法向量均值作为种子点特征,其中,(xi,yi,zi)为点坐标,Li、ai、bi分别为点在Lab空间下的L、a、b值。
返回对每个种子点,查询所述第一k-d树找到种子点的邻接体素的步骤,直到降采样后体素均归类到簇,且归类的簇均不再进行变化,将各簇作为一个超体素,得到超体素集合。
其中,步骤103具体包括:
采用k-d树将超体素集合进行结构化,得到第二k-d树,第二k-d树用于邻接超体素查询。
根据所述超体素集合中各邻接超体素间的邻接关系构造无向加权图。
计算所述超体素集合中各邻接超体素间的归一化色差距离和归一化几何距离,具体包括:
1)对任意超体素rp,计算其与邻接超体素rq间的归一化色差距离:
式中,De(pp,pq)表示超体素rp和超体素rq间的归一化色差距离,超体素rp和超体素rq为邻接超体素,pp、pq分别为rp、rq对应超体素中心;ΔE00为CIEDE2000标准色差值;为CIEDE2000的色差范围。
2)判断rp、rq间的邻接状态,设ni、nj分别为rp、rq对应超体素中心pp、pq对应的法向量;cij为pp指向pq的单位向量;当ni·cij<nj·cij时认定rp和rq凹邻接,认定邻接的rp、rq属于不同实例;当ni·cij≥nj·cij时认定rp、rq凸邻接,认定rp、rq属于同一实例;
3)根据rp、rq间的邻接状态计算rp、rq间的归一化几何距离:
其中,Dr(pp,pq)表示超体素rp和超体素rq间的归一化几何距离,rp、rq凹邻接时认定rp、rq属于不同实例,根据两者间的几何关系定义两者几何距离;rp、rq凸邻接时认定rp、rq属于相同实例,降低两者几何间距。
根据各邻接超体素间的归一化色差距离和归一化几何距离,计算各邻接超体素间的邻接融合特征距离,具体包括:
其中,D2(rp,rq)表示超体素rp和超体素rq间的邻接融合特征距离,λ为特征融合权重,De=De(pp,pq),Dr=Dr(pp,pq),设所有邻接超体素间的色彩与几何距离统计分布均值分别为μc、μg,取λ=μg/(μc+μg)。
将各邻接超体素间的邻接融合特征距离作为邻接权重,各邻接权重构成邻接权重集合。
查询第二k-d树,计算所有邻接体素间的融合特征距离,构成距离集合Wk,即邻接权重集合。
根据邻接超体素间的邻接关系构造无向加权图Gk={Rk,Wk},邻接权重计算为邻接超体素间的融合特征距离。
其中,步骤104具体包括:
将当前无向加权图中的最小邻接权重对应的邻接超体素进行合并,得到构造超体素,将最小邻接权重对应的邻接超体素从当前超体素集合中移除,并将当前构造超体素加入当前超体素集合,并根据当前超体素集合更新当前无向加权图,具体包括:
将邻接权重集合Wk中各邻接权重从小到大排序。
设Wk中最小加权距离wmin,wmin对应邻接超体素合并/>构造新的超体素:
式中:为合并构造的超体素(构造超体素)。
在超体素集合中移除最小加权距离wmin对应的邻接超体素,加入对应构造集合,更新超体素集合:
式中:Rk-1为在原始集合Rk上去除最小加权距离对应邻接超体素后加入合并超体素得到的更新后的超体素集合。
计算构造超体素与其他超体素之间的邻接距离(邻接融合特征距离):
式中:为/>与邻接超体素间的邻接距离,/>表示邻接超体素/>间的邻接融合特征距离。
更新距离集合与无向加权图:
Gk-1={Rk-1,Wk-1}。
其中,Gk-1表示更新后的无向加权图,Wk-1表示更新后的邻接权重集合,Rk-1表示更新后的超体素集合。
返回将当前无向加权图中的最小邻接权重对应的邻接超体素进行合并的步骤进行迭代,直到当前无向加权图中的最小邻接权重大于或者等于设定阈值ξ(wmin≥ξ),将当前超体素集合作为点云分割结果。
本发明的有益效果如下:
本发明针对增强现实应用获取场景点云数据量大、现有点云分割方法运行时间长、分割效率低的问题,使用分级分割方法,将场景点云降采样降低分割复杂度,使用场景点几何与色彩特征将场景点云中局部特征相似的场景点云聚类为超体素,根据超体素间的邻接关系判定实例归属,使用几何与色彩特征聚类相似的超体素实现实例点云提取,简化的场景点云实例分割问题,提高了分割精度,缩短了估计时长,提高运算了效率。
实施例2
如图3所示,本实施例提供的一种基于超体素聚类的点云分割系统,具体包括:
降采样及网格化处理模块201,用于通过对场景点云进行体素降采样及网格化处理,得到目标网格模型,根据所述目标网格模型确定初始种子点。
超体素划分模块202,用于基于所述初始种子点,通过迭代的方式根据邻接体素间的相似度将降采样后体素划分为超体素,得到超体素集合。
无向加权图构造模块203,用于基于所述超体素集合,根据超体素间的邻接关系构造无向加权图,将当前无向加权图中邻接超体素间的距离作为邻接权重,各邻接权重构成邻接权重集合。
场景点云分割模块204,用于通过迭代的方式,根据当前无向加权图中的最小邻接权重,对当前超体素集合进行更新,直到当前无向加权图中的最小邻接权重大于或者等于设定阈值,将当前超体素集合作为场景点云分割结果。
实施例3
本实施例提供了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据实施例1所述的基于超体素聚类的点云分割方法。
本实施例还提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如实施例1所述的基于超体素聚类的点云分割方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于超体素聚类的点云分割方法,其特征在于,包括:
通过对场景点云进行体素降采样及网格化处理,得到目标网格模型,根据所述目标网格模型确定初始种子点;
基于所述初始种子点,通过迭代的方式根据邻接体素间的相似度将降采样后体素划分为超体素,得到超体素集合;
基于所述超体素集合,根据超体素间的邻接关系构造无向加权图,将当前无向加权图中邻接超体素间的距离作为邻接权重,各邻接权重构成邻接权重集合;
通过迭代的方式,根据当前无向加权图中的最小邻接权重,对当前超体素集合进行更新,直到当前无向加权图中的最小邻接权重大于或者等于设定阈值,将当前超体素集合作为场景点云分割结果。
2.根据权利要求1所述的基于超体素聚类的点云分割方法,其特征在于,通过对场景点云进行体素降采样及网格化处理,得到目标网格模型,根据所述目标网格模型确定初始种子点,具体包括:
根据第一预设步长对所述场景点云进行体素降采样;
根据第二预设步长将所述场景点云网格化,将降采样后体素映射到所述场景点云网格化后的坐标系下,得到目标网格模型;
将所述目标网格模型的中心作为所述初始种子点。
3.根据权利要求1所述的基于超体素聚类的点云分割方法,其特征在于,基于所述初始种子点,通过迭代的方式根据邻接体素间的相似度将降采样后体素划分为超体素,得到超体素集合,具体包括:
为降采样后体素构造k-d树,记为第一k-d树;
对每个种子点,查询所述第一k-d树找到种子点的邻接体素;
计算各邻接体素间的邻接色差距离、归一化几何距离和归一化欧式距离;
根据各邻接体素间的邻接色差距离、归一化几何距离和归一化欧式距离,计算各邻接体素间的特征距离;
将与各种子点距离最近的体素归类为种子点对应的簇;
对每个簇,计算簇的中心点作为簇对应的种子点;
返回对每个种子点,查询所述第一k-d树找到种子点的邻接体素的步骤,直到降采样后体素均归类到簇,且归类的簇均不再进行变化,将各簇作为一个超体素,得到超体素集合。
4.根据权利要求1所述的基于超体素聚类的点云分割方法,其特征在于,基于所述超体素集合,根据超体素间的邻接关系构造无向加权图,将当前无向加权图中邻接超体素间的距离作为邻接权重,各邻接权重构成邻接权重集合,具体包括:
根据所述超体素集合中各邻接超体素间的邻接关系构造无向加权图;
计算所述超体素集合中各邻接超体素间的归一化色差距离和归一化几何距离;
根据各邻接超体素间的归一化色差距离和归一化几何距离,计算各邻接超体素间的邻接融合特征距离;
将各邻接超体素间的邻接融合特征距离作为邻接权重,各邻接权重构成邻接权重集合。
5.根据权利要求1所述的基于超体素聚类的点云分割方法,其特征在于,通过迭代的方式,根据当前无向加权图中的最小邻接权重,对当前超体素集合进行更新,直到当前无向加权图中的最小邻接权重大于或者等于设定阈值,将当前超体素集合作为点云分割结果,具体包括:
将当前无向加权图中的最小邻接权重对应的邻接超体素进行合并,得到构造超体素,将最小邻接权重对应的邻接超体素从当前超体素集合中移除,并将当前构造超体素加入当前超体素集合,并根据当前超体素集合更新当前无向加权图;
返回将当前无向加权图中的最小邻接权重对应的邻接超体素进行合并的步骤进行迭代,直到当前无向加权图中的最小邻接权重大于或者等于设定阈值,将当前超体素集合作为点云分割结果。
6.一种基于超体素聚类的点云分割系统,其特征在于,包括:
降采样及网格化处理模块,用于通过对场景点云进行体素降采样及网格化处理,得到目标网格模型,根据所述目标网格模型确定初始种子点;
超体素划分模块,用于基于所述初始种子点,通过迭代的方式根据邻接体素间的相似度将降采样后体素划分为超体素,得到超体素集合;
无向加权图构造模块,用于基于所述超体素集合,根据超体素间的邻接关系构造无向加权图,将当前无向加权图中邻接超体素间的距离作为邻接权重,各邻接权重构成邻接权重集合;
场景点云分割模块,用于通过迭代的方式,根据当前无向加权图中的最小邻接权重,对当前超体素集合进行更新,直到当前无向加权图中的最小邻接权重大于或者等于设定阈值,将当前超体素集合作为场景点云分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311030914.8A CN117036653A (zh) | 2023-08-16 | 2023-08-16 | 基于超体素聚类的点云分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311030914.8A CN117036653A (zh) | 2023-08-16 | 2023-08-16 | 基于超体素聚类的点云分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117036653A true CN117036653A (zh) | 2023-11-10 |
Family
ID=88601952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311030914.8A Pending CN117036653A (zh) | 2023-08-16 | 2023-08-16 | 基于超体素聚类的点云分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036653A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710717A (zh) * | 2024-02-05 | 2024-03-15 | 法奥意威(苏州)机器人系统有限公司 | 超体聚类点云分割方法、装置、设备和存储介质 |
CN117710717B (zh) * | 2024-02-05 | 2024-05-28 | 法奥意威(苏州)机器人系统有限公司 | 超体聚类点云分割方法、装置、设备和存储介质 |
-
2023
- 2023-08-16 CN CN202311030914.8A patent/CN117036653A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710717A (zh) * | 2024-02-05 | 2024-03-15 | 法奥意威(苏州)机器人系统有限公司 | 超体聚类点云分割方法、装置、设备和存储介质 |
CN117710717B (zh) * | 2024-02-05 | 2024-05-28 | 法奥意威(苏州)机器人系统有限公司 | 超体聚类点云分割方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
Dong et al. | PPR-Net: point-wise pose regression network for instance segmentation and 6D pose estimation in bin-picking scenarios | |
CN108564616B (zh) | 快速鲁棒的rgb-d室内三维场景重建方法 | |
CN111795704B (zh) | 一种视觉点云地图的构建方法、装置 | |
CN111060115B (zh) | 一种基于图像边缘特征的视觉slam方法及系统 | |
CN109584302B (zh) | 相机位姿优化方法、装置、电子设备和计算机可读介质 | |
Sun et al. | Aerial 3D building detection and modeling from airborne LiDAR point clouds | |
Huang | Review on LiDAR-based SLAM techniques | |
CN112634451A (zh) | 一种融合多传感器的室外大场景三维建图方法 | |
WO2019057179A1 (zh) | 一种基于点线特征的视觉slam方法和装置 | |
CN112419497A (zh) | 基于单目视觉的特征法与直接法相融合的slam方法 | |
CN110969648A (zh) | 一种基于点云序列数据的3d目标跟踪方法及系统 | |
CN112712589A (zh) | 一种基于激光雷达和深度学习的植株3d建模的方法和系统 | |
CN114463396B (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 | |
Tschopp et al. | Superquadric object representation for optimization-based semantic SLAM | |
Jisen | A study on target recognition algorithm based on 3D point cloud and feature fusion | |
CN116664851A (zh) | 一种基于人工智能的自动驾驶数据提取方法 | |
Cárdenas-Donoso et al. | Modeling of the 3D tree skeleton using real-world data: A survey | |
CN117036653A (zh) | 基于超体素聚类的点云分割方法及系统 | |
Bojanić et al. | A review of rigid 3D registration methods | |
Li et al. | An SLAM Algorithm Based on Laser Radar and Vision Fusion with Loop Detection Optimization | |
CN111414802B (zh) | 蛋白质数据特征提取方法 | |
Zhang et al. | Feature regions segmentation based RGB-D visual odometry in dynamic environment | |
CN115729250A (zh) | 一种无人机的飞行控制方法、装置、设备及存储介质 | |
Hu et al. | Efficient Visual-Inertial navigation with point-plane map |
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 |