CN117291936B - 点云分割方法、装置、设备和介质 - Google Patents
点云分割方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117291936B CN117291936B CN202311585763.2A CN202311585763A CN117291936B CN 117291936 B CN117291936 B CN 117291936B CN 202311585763 A CN202311585763 A CN 202311585763A CN 117291936 B CN117291936 B CN 117291936B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- point cloud
- neighborhood
- seed
- 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 96
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 81
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 18
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- 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
-
- 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
- G06T2207/20112—Image segmentation details
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明的实施例提供了一种点云分割方法、装置、设备和介质,涉及数据处理技术领域,方法包括:对点云数据进行预处理,得到待分割点云,计算得到待分割点云中每个点的法向量、平均曲率和距拟合平面的距离。以基于平均曲率和距离,确定出至少一个种子点,并针对每个种子点,基于各点的法向量、平均曲率和距离,确定出与种子点的相对关系满足设定生长准则的点划分为同一类,以实现对点云的准确分割。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种点云分割方法、装置、设备和介质。
背景技术
点云分割指根据点云数据的空间、几何、纹理等特征点将大型点云数据集划分为一些更小、更易处理的子集或者称之为“段”(segments)的过程,同一分割区域内的点云拥有相似的特征。
点云分割的目的包括提取出具有相似属性或几何特征的点的群体,以便后续的处理,如目标检测、物体识别、建模等。在对象识别和理解、场景建模、物体定位和姿态估计、医学影像处理等计算机视觉领域和计算机辅助几何领域中,点云分割的精度直接影响着最终结果的准确性和可信度,因此,点云分割的准确性至关重要,如何提升点云分割的准确性为需要研究的问题。
发明内容
本发明的目的之一包括,例如,提供了一种点云分割方法、装置、设备和介质,以至少部分地提高点云分割的准确性。
本发明的实施例可以这样实现:
第一方面,本发明提供一种点云分割方法,包括:
对点云数据进行预处理,得到待分割点云;
计算得到所述待分割点云中每个点的法向量和平均曲率,以及距拟合平面的距离;
基于所述平均曲率和距离,确定出至少一个种子点;
针对每个所述种子点,基于各所述点的法向量、平均曲率和距离,确定出与所述种子点的相对关系满足设定生长准则的点划分为同一类,以实现点云分割。
在可选的实施方式中,所述对点云数据进行预处理,得到待分割点云,包括:
删除所述点云数据中的无效点和重复点;
对删除无效点和重复点后的点云数据进行体素滤波;
确定体素滤波后各体素网格内的点数;
将各体素网格中点数小于设定值的体素网格确定为离散网格;
将所述离散网格内的点确定为离散点;
过滤掉所有离散点,得到待分割点云。
在可选的实施方式中,所述计算得到所述待分割点云中每个点的法向量,包括:
采用多尺度计算法向量算法,将所述待分割点云中的每个点作为目标点,针对每个所述目标点,将与该目标点相邻的设定数量个点作为邻域点;
分别计算每个所述邻域点的法向量,并将各所述邻域点的法向量加权计算得到所述目标点的法向量;
其中,在加权计算中,各邻域点的法向量的权重基于该邻域点与目标点的距离,以及所处区域平坦度得出。
在可选的实施方式中,所述分别计算每个所述邻域点的法向量,并将各所述邻域点的法向量加权计算得到所述目标点的法向量,包括:
确定拟合平面;
判断每个所述邻域点到所述拟合平面的距离是否超过设定阈值;
若存在距离超过设定阈值的邻域点,则剔除该邻域点,基于距离未超过设定阈值的邻域点的法向量加权计算得到所述目标点的法向量。
在可选的实施方式中,所述基于所述平均曲率和距离,确定出至少一个种子点,包括:
基于所述待分割点云中每个点到拟合平面的距离,计算得到各所述点到所述拟合平面的平均距离误差;
将所述待分割点云中距所述拟合平面的距离位于所述平均距离误差内的点确定为属于一平面;将所述待分割点云中距所述拟合平面的距离位于所述平均距离误差外的点确定为属于另一平面;
针对确定出的每个平面,将该平面中平均曲率最小的点作为种子点;
在基于所述种子点,针对每个平面内的点云完成至少一次点云分割后,将平面内其余未分割区域中平均曲率最小的点作为新的种子点,基于新的种子点,对未分割区域进行点云分割。
在可选的实施方式中,所述针对每个所述种子点,基于各所述点的法向量、平均曲率和距离,确定出与所述种子点的相对关系满足设定生长准则的点划分为同一类,以实现点云分割,包括:
针对每个所述种子点,确定出未进行分割的邻域点;
计算所述邻域点的法向量与所述种子点的法向量的夹角;
判断所述邻域点与所述种子点的相对关系是否满足三个生长准则,其中,所述三个生长准则包括:所述夹角的度数小于设定角度值;所述种子点的平均曲率与所述邻域点的平均曲率差值的绝对值小于设定曲率阈值;所述邻域点到所述种子点所在平面的距离小于设定距离阈值;
将满足所述三个生长准则的邻域点与所述种子点划分为同一类。
在可选的实施方式中,所述方法还包括:
在针对每个所述种子点均完成类别划分后,判断所述待分割点云中的每个点是否均完成划分;
在存在未进行类别划分的点的情况下,将未进行类别划分的点中平均曲率最小的点作为新的种子点进行区域生长,以进行类别划分。
第二方面,本发明实施例提供一种点云分割装置,包括:
预处理模块,用于对点云数据进行预处理,得到待分割点云;
分割模块,用于计算得到所述待分割点云中每个点的法向量和平均曲率,以及距拟合平面的距离;基于所述平均曲率和距离,确定出至少一个种子点;针对每个所述种子点,基于各所述点的法向量、平均曲率和距离,确定出与所述种子点的相对关系满足设定生长准则的点划分为同一类,以实现点云分割。
第三方面,本发明提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述实施方式任一项所述的点云分割方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在电子设备执行前述实施方式任一项所述的点云分割方法。
本发明实施例的有益效果包括,例如:通过对点云数据进行预处理,采用更平滑且具有整体分析特征的平均曲率,并引入法向量和距离进行点云分割,提高了对多平面和平行平面的分割精确度,提高了点云分割的准确性和可靠性。
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示出了本发明实施例提供的一种应用场景示意图。
图2示出了本发明实施例提供的一种点云分割方法的流程示意图之一。
图3示出了本发明实施例提供的一种点云分割方法的流程示意图之二。
图4示出了本发明实施例提供的一种点云分割方法的流程示意图之三。
图5示出了本发明实施例提供的一种点云分割方法的流程示意图之四。
图6示出了本发明实施例提供的一种干扰点示意图。
图7示出了本发明实施例提供的一种点云分割方法的流程示意图之五。
图8示出了本发明实施例提供的一种点云分割方法的流程示意图之六。
图9示出了本发明实施例提供的一种点云分割装置的示例性结构框图。
图标:100-电子设备;110-存储器;120-处理器;130-通信模块;140-点云分割装置;141-预处理模块;142-分割模块。
具体实施方式
现今,可以基于聚类、基于分割、基于特征等方法进行点云分割。在某些场景中,可以基于区域生长分割技术进行点云分割,它基于相邻点之间的相似性,将具有相似属性的点组成一个区域,从而实现对点云的分割。
经研究发现,基于区域生长的点云分割方法,分割结果的准确性有待提升。影响其分割结果质量的因素包括:
种子点选择、生长准则定义、输入点云的质量会对分割结果的准确性产生重要影响。
容易受到噪声的影响。基于区域生长的分割方法是通过计算相邻点之间的相似程度,如法向量、曲率值等进行相似度判断,从而进行分割,当点云中存在噪声时,会影响点附近邻域中点的分布,从而影响点相似特征的计算。
对相近平面的分割结果不够精确,利用法向量和主曲率作为生长准则,对于类似平行相近平面难以实现区分,容易将两个平面分割为一类。
基于上述研究,本发明实施例提供一种点云分割方案,通过对点云进行巧妙处理,并选用更为适配的分割准则,实现了对点云的可靠分割,尤其提高了平面较多的点云分割的准确性。
针对以上方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案,都应该是发明人在发明过程中做出的贡献。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
请参照图1,是本实施例提供的一种电子设备100的方框示意图,本实施例中的电子设备100可以为能够进行数据交互、处理的服务器、处理设备、处理平台等。所述电子设备100包括存储器110、处理器120及通信模块130。所述存储器110、处理器120以及通信模块130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,存储器110用于存储程序或者数据。所述存储器110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-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
处理器120用于读/写存储器110中存储的数据或程序,并执行相应地功能。
通信模块130用于通过所述网络建立所述电子设备100与其它通信终端之间的通信连接,并用于通过所述网络收发数据。
应当理解的是,图1所示的结构仅为电子设备100的结构示意图,所述电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请结合参阅图2,为本发明实施例提供的一种点云分割方法的流程示意图,可以由图1所述电子设备100执行,例如可以由电子设备100中的处理器120执行。该点云分割方法包括S110、S120、S130和S140。
S110,对点云数据进行预处理,得到待分割点云。
S120,计算得到所述待分割点云中每个点的法向量和平均曲率,以及距拟合平面的距离。
S130,基于所述平均曲率和距离,确定出至少一个种子点。
S140,针对每个所述种子点,基于各所述点的法向量、平均曲率和距离,确定出与所述种子点的相对关系满足设定生长准则的点划分为同一类,以实现点云分割。
在点云分割过程中,通过对预处理、法向量、平均曲率、距离等的巧妙应用和集成,提高了点云分割的准确性和可靠性。
S110中,预处理可以灵活选择,只要能降低干扰,提高后续分割处理的合理性、可靠性便可。例如,预处理可以包括过滤冗余信息,降低密度,滤除干扰等。
请结合参阅图3,在预处理包括去重、过滤的情况下,S110可以通过S111至S116实现。
S111,删除所述点云数据中的无效点和重复点;
S112,对删除无效点和重复点后的点云数据进行体素滤波;
S113,确定体素滤波后各体素网格内的点数;
S114,将各体素网格中点数小于设定值的体素网格确定为离散网格;
S115,将所述离散网格内的点确定为离散点;
S116,过滤掉所有离散点,得到待分割点云。
示例性地,以点云数据为3D相机采集的点云数据为例,鉴于点云数据可能含有较多干扰噪声,噪声的存在对计算点的相似性具有较大影响,为了改善该问题,采用离散滤波滤除干扰噪声。
本实施例中的离散滤波主要分为体素滤波和离散点过滤,进行体素滤波主要为了减少点云的点数,过滤冗余信息,降低数据密度,以提高计算效率和算法运行速度,同时在一定程度上减少噪声。
请结合参阅图4,提供了其中一种离散滤波的流程示意图。如图4所示,从点云数据中删除无效点和重复点后,进行体素滤波。在体素滤波后再进行离散点过滤,将体素网格内点数小于设定值(图中标识为阈值)的体素网格判定为离散网格,判定离散网格内的点为离散点,将其全部删除,从而过滤掉3D相机实际拍摄时产生的干扰点,提高分割点云的质量。
其中,设定值可以灵活设定,例如,在需要降低数据处理量,以确保处理效率的场景中,设定值可以设定为一相对较小值。又例如,在数据处理能力较佳,注重数据处理完整性的场景中,设定值可以设定为一相对较大值。
体素滤波过程中的网格与离散点过滤过程中的体素网格可以一致,也可以不一致。例如,为了提高离散点过滤的精确性,离散点过滤过程中的体素网格可以是重新划分的,重新划分的体素网格可以小于体素滤波过程中的网格。
确定离散点过程中,可以通过建立离散索引列,将确定的离散点加入离散索引列,并进行删除的形式实现离散点过滤。
S120中,法向量可以通过以下步骤计算得到:采用多尺度计算法向量算法,将所述待分割点云中的每个点作为目标点,针对每个所述目标点,将与该目标点相邻的设定数量个点作为邻域点。分别计算每个所述邻域点的法向量,并将各所述邻域点的法向量加权计算得到所述目标点的法向量。
其中,在加权计算中,各邻域点的法向量的权重基于该邻域点与目标点的距离,以及所处区域平坦度得出。
本实施例中,在针对点云数据进行预处理,得到待分割点云的情况下,采用多尺度计算法向量算法计算过滤后的待分割点云中每个点的法向量。请结合参阅图5,为本实施例提供的一种多尺度计算法向量的流程示意图。
法向量的计算是生长准则非常重要的一个条件。对于同一点云,法向量的计算通常涉及到选择最近邻点(又称邻域点)的数量。最近邻点数量的选择可以影响到法向量的准确性和稳定性。若选择更多的最近邻点,可以提供更平滑、更稳定的法向量估计,可以降低噪声对法向量计算的影响,提高估计的鲁棒性,但对具有丰富细节的区域会导致法向量估计过于平滑,丧失一些细节信息。若使用较少的最近邻点,可以降低计算复杂度,提高计算效率,更敏感地捕捉需要保留丰富细节的区域的曲率变化和细节,但对噪声会更加敏感,降低估计的鲁棒性。因而,针对不同的场景和应用需求,可以灵活选择最近邻点的数量。
图5中示出了分别获取最靠近的K1、K2、K3共3个点作为邻域点(最近邻点),分别计算法向量N1、N2、N3,再进行加权从而得到法向量估计N的实现流程。其中,法向量计算公式如下:
通过加权计算法向量,使得局部噪声点对法向量计算的干扰被其他法向量中和,从而有效地减小噪声的影响,更能适应法向量场中的曲率变化。
本实施例中,各法向量的权重可以灵活设置。示例性地,在平坦区域,距离更近的点可以被赋予更大的权重,而在曲率较大的区域,距离相对较远但在曲率方向上更为一致的点可以得到更大的权重。
在选择最近邻点的基础上,鉴于邻域中可能出现干扰点,影响平面拟合结果,如图6所示,图中B点为中心点,图中其余点为B最近K邻域内的点,其中部分点与B在同一平面,个别点如点A虽然不与B在同一平面,但A点是最靠近B的第k(k<K)个点,单个干扰点可能不会影响平面拟合效果,但多个干扰点会造成平面偏移,进而影响法向量的计算准确度。因此,计算单条分支法向量时,拟合平面方程后,进行干扰点的滤除,如判断邻域内每个点到拟合平面的距离,若距离超出设置阈值,则将该点从邻域点集中删除,再重新计算拟合平面获得法向量,从而减少非同一平面上点造成的误差。
相应地,分别计算每个所述邻域点的法向量,并将各所述邻域点的法向量加权计算得到所述目标点的法向量可以通过以下步骤实现:确定拟合平面,判断每个所述邻域点到所述拟合平面的距离是否超过设定阈值,若存在距离超过设定阈值的邻域点,则剔除该邻域点,基于距离未超过设定阈值的邻域点的法向量加权计算得到所述目标点的法向量。
在计算法向量过程中进行干扰点剔除,从而确保了法向量计算的准确性,进而确保后续点云分割的准确性。
现今区域分割使用的多为主曲率,主曲率提供了局部特征,对于曲面的局部形状变化更为敏感,但主曲率对于噪声比较敏感,可能受到离群点的影响。基于此,本发明实施例计算点云的平均曲率,即一点的两个主曲率的平均数以进行点云分割,与主曲率相比,平均曲率更具有平滑性,可以降低噪点的影响,全局特征也更准确,对于整体形状的分析更为有效。
S130中,基于平均曲率和距离确定种子点的方式可以灵活选择,只要能可靠进行种子点确定,并进行点云分割便可。在一种实现方式中,可以通过以下流程确定种子点:基于所述待分割点云中每个点到拟合平面的距离,计算得到各所述点到所述拟合平面的平均距离误差。将所述待分割点云中距所述拟合平面的距离位于所述平均距离误差内的点确定为属于一平面;将所述待分割点云中距所述拟合平面的距离位于所述平均距离误差外的点确定为属于另一平面。针对确定出的每个平面,将该平面中平均曲率最小的点作为种子点。
在基于所述种子点,针对每个平面内的点云完成至少一次点云分割后,将平面内其余未分割区域中平均曲率最小的点作为新的种子点,基于新的种子点,对未分割区域进行点云分割。
请结合参阅图7,为本实施例提供的其中一种计算平均距离误差的流程示意图。平均距离误差表示局部点云中每个点到拟合平面的距离的平均值。如果一个点到拟合平面的距离超过平均距离误差,说明这个点相对于拟合平面的偏离较大。表示该点可能不属于该平面或者平面模型不够适合。距离误差标准差是拟合平面误差的标准差,表示拟合平面的稳定性。如果一个点到拟合平面的距离超过标准差,说明这个点的偏离相对于整体拟合平面的变化较大。从而可以利用距离区分两点是在同一平面还是在平行的两个平面上。
选取未分割区域中平均曲率值最小的点作为种子点,平均曲率的最小值通常对应于曲面上的平坦区域或平面部分,可以帮助更好地实现区域生长。计算种子点的邻域点,并利用各点的平均曲率值再进行平均值的计算,平均曲率的平均值可以提供一个对整个邻域平坦性的全局视角。如果曲面在该区域是平坦的,那么邻域内的平均曲率值应该相对一致,平均值也应该相对稳定。平均曲率值的平均化可以在一定程度上减小局部噪声的影响。单个点的曲率值可能受到噪声或局部不规则性的干扰,而平均化操作有助于减弱这些影响。
S140中,设定生长规则可以灵活设定,例如,可以基于法向量、平均曲率和距离至少之一设定生长规则。
示例性地,针对未进行分割的邻域点,可以计算其法向量与种子点的夹角,若夹角度数小于设定角度阈值,则认为这两点在同一平面或两个平行平面上。再比较邻域点平均曲率与种子点平均曲率差值的绝对值是否小于设定曲率阈值,以判断是否在同一平坦区域。最后利用邻域点到种子点所在平面的距离是否小于设定距离阈值,判断邻域点与种子点是在同一平面上还是在平行平面上。
其中,设定距离阈值可以利用平均距离误差/>与距离误差标准差/>组合计算得到,计算公式可以如下:
将满足三个生长准则的点与种子点划分为同一类,针对每个种子点均进行上述点云分割操作,在针对每个种子点均完成类别划分后,判断所述待分割点云中的每个点是否均完成划分,在存在未进行类别划分的点的情况下,将未进行类别划分的点中平均曲率最小的点作为新的种子点进行区域生长,以进行类别划分。以此类推,直至完成所有待分割点云的分割。
请结合参阅图8,为本实施例提供的一种点云分割方法的整体流程示意图,如图8所示,在按上述流程进行点云分割过程中,为了便于识别处理,可以给种子点和满足生长规则的邻域点分配相同的区域标签,并将具备相同区域标签的点划分为同一类,从而完成点云分割。
本发明实施例提出的点云分割方案克服了传统基于区域生长分割算法对点云噪声的敏感性,显著减少了离散点对分割结果的影响。通过引入多尺度计算法向量的方法,有效地避免了局部点的干扰,提高了分割算法的鲁棒性和稳定性。
通过不依赖主曲率进行曲面判断,而是采用更平滑且具有整体分析特征的平均曲率,使分割方案不仅限于对局部曲面特征的敏感性,有助于更全面地理解曲面的几何性质,提高了对多平面和平行面的处理精度。克服了现有基于区域生长分割算法在处理相近平面时精度不足的问题。
通过引入局部平均距离误差和距离误差标准差,用以判断两点是否属于同一平面或不同平行平面,该种创新性的判断机制有效提高了对多平面和平行面的分割精确度,使分割方案在处理复杂场景时表现更为出色。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种点云分割装置的实现方式。请参阅图9,图9为本发明实施例提供的一种点云分割装置140的功能模块图,该点云分割装置140可以应用于图1所示电子设备100。需要说明的是,本实施例所提供的点云分割装置140,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。该点云分割装置140包括预处理模块141和分割模块142。
其中,预处理模块141用于对点云数据进行预处理,得到待分割点云。
分割模块142用于计算得到所述待分割点云中每个点的法向量和平均曲率,以及距拟合平面的距离;基于所述平均曲率和距离,确定出至少一个种子点;针对每个所述种子点,基于各所述点的法向量、平均曲率和距离,确定出与所述种子点的相对关系满足设定生长准则的点划分为同一类,以实现点云分割。
在上述基础上,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在电子设备执行上述的点云分割方法。
采用本发明实施例中的上述方案,不仅提高了对噪声的抵抗能力,还优化了对相近平面的分割结果,为处理多平面和平行面等复杂场景提供了更为准确和可靠的解决方案。本发明实施例中的方案不仅适用于针对平面较多的点云进行分割,通过巧妙调整阈值参数,还可以用于分割点云中其他显著曲面特征,如圆柱面,在处理不同几何结构的点云时具有较强的通用性和灵活性,具有较佳的实用性,能够适应不同场景的需求。
在本发明所提供的几个实施例中,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发明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,在本发明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。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种点云分割方法,其特征在于,包括:
对点云数据进行预处理,得到待分割点云;
计算得到所述待分割点云中每个点的法向量和平均曲率,以及距拟合平面的距离;
基于所述待分割点云中每个点到拟合平面的距离,计算得到各所述点到所述拟合平面的平均距离误差;
将所述待分割点云中距所述拟合平面的距离位于所述平均距离误差内的点确定为属于一平面;将所述待分割点云中距所述拟合平面的距离位于所述平均距离误差外的点确定为属于另一平面;
针对确定出的每个平面,将该平面中平均曲率最小的点作为种子点;
针对每个所述种子点,确定出未进行分割的邻域点;
计算所述邻域点的法向量与所述种子点的法向量的夹角;
判断所述邻域点与所述种子点的相对关系是否满足三个生长准则,其中,所述三个生长准则包括:所述夹角的度数小于设定角度值;所述种子点的平均曲率与所述邻域点的平均曲率差值的绝对值小于设定曲率阈值;所述邻域点到所述种子点所在平面的距离小于设定距离阈值;
将满足所述三个生长准则的邻域点与所述种子点划分为同一类。
2.根据权利要求1所述的点云分割方法,其特征在于,所述对点云数据进行预处理,得到待分割点云,包括:
删除所述点云数据中的无效点和重复点;
对删除无效点和重复点后的点云数据进行体素滤波;
确定体素滤波后各体素网格内的点数;
将各体素网格中点数小于设定值的体素网格确定为离散网格;
将所述离散网格内的点确定为离散点;
过滤掉所有离散点,得到待分割点云。
3.根据权利要求1所述的点云分割方法,其特征在于,计算得到所述待分割点云中每个点的法向量,包括:
采用多尺度计算法向量算法,将所述待分割点云中的每个点作为目标点,针对每个所述目标点,将与该目标点相邻的设定数量个点作为邻域点;
分别计算每个所述邻域点的法向量,并将各所述邻域点的法向量加权计算得到所述目标点的法向量;
其中,在加权计算中,各邻域点的法向量的权重基于该邻域点与目标点的距离,以及所处区域平坦度得出。
4.根据权利要求3所述的点云分割方法,其特征在于,所述分别计算每个所述邻域点的法向量,并将各所述邻域点的法向量加权计算得到所述目标点的法向量,包括:
确定拟合平面;
判断每个所述邻域点到所述拟合平面的距离是否超过设定阈值;
若存在距离超过设定阈值的邻域点,则剔除该邻域点,基于距离未超过设定阈值的邻域点的法向量加权计算得到所述目标点的法向量。
5.根据权利要求1至4任意一项所述的点云分割方法,其特征在于,所述方法还包括:
在基于所述种子点,针对每个平面内的点云完成至少一次点云分割后,将平面内其余未分割区域中平均曲率最小的点作为新的种子点,基于新的种子点,对未分割区域进行点云分割。
6.根据权利要求5所述的点云分割方法,其特征在于,所述方法还包括:
在针对每个所述种子点均完成类别划分后,判断所述待分割点云中的每个点是否均完成划分;
在存在未进行类别划分的点的情况下,将未进行类别划分的点中平均曲率最小的点作为新的种子点进行区域生长,以进行类别划分。
7.一种点云分割装置,其特征在于,包括:
预处理模块,用于对点云数据进行预处理,得到待分割点云;
分割模块,用于计算得到所述待分割点云中每个点的法向量和平均曲率,以及距拟合平面的距离;基于所述待分割点云中每个点到拟合平面的距离,计算得到各所述点到所述拟合平面的平均距离误差;将所述待分割点云中距所述拟合平面的距离位于所述平均距离误差内的点确定为属于一平面;将所述待分割点云中距所述拟合平面的距离位于所述平均距离误差外的点确定为属于另一平面;针对确定出的每个平面,将该平面中平均曲率最小的点作为种子点;针对每个所述种子点,确定出未进行分割的邻域点;计算所述邻域点的法向量与所述种子点的法向量的夹角;判断所述邻域点与所述种子点的相对关系是否满足三个生长准则,其中,所述三个生长准则包括:所述夹角的度数小于设定角度值;所述种子点的平均曲率与所述邻域点的平均曲率差值的绝对值小于设定曲率阈值;所述邻域点到所述种子点所在平面的距离小于设定距离阈值;将满足所述三个生长准则的邻域点与所述种子点划分为同一类。
8.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至6任一项所述的点云分割方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在电子设备执行权利要求1至6任一项所述的点云分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311585763.2A CN117291936B (zh) | 2023-11-27 | 2023-11-27 | 点云分割方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311585763.2A CN117291936B (zh) | 2023-11-27 | 2023-11-27 | 点云分割方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117291936A CN117291936A (zh) | 2023-12-26 |
CN117291936B true CN117291936B (zh) | 2024-02-20 |
Family
ID=89257592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311585763.2A Active CN117291936B (zh) | 2023-11-27 | 2023-11-27 | 点云分割方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117291936B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409437A (zh) * | 2018-11-06 | 2019-03-01 | 安徽农业大学 | 一种点云分割方法、装置、计算机可读存储介质及终端 |
CN113012161A (zh) * | 2021-03-05 | 2021-06-22 | 华南理工大学 | 一种基于凸性区域生长的堆叠散乱目标点云分割方法 |
CN113870435A (zh) * | 2021-09-28 | 2021-12-31 | 浙江华睿科技股份有限公司 | 一种点云分割方法、装置、电子设备及存储介质 |
CN115578398A (zh) * | 2022-10-25 | 2023-01-06 | 华南理工大学 | 一种基于区域增长法的焊缝点云分割方法 |
CN116721113A (zh) * | 2022-11-26 | 2023-09-08 | 天翼电子商务有限公司 | 一种三维点云平面分割方法及系统 |
CN116740361A (zh) * | 2023-08-11 | 2023-09-12 | 之江实验室 | 一种点云分割方法、装置、存储介质及电子设备 |
-
2023
- 2023-11-27 CN CN202311585763.2A patent/CN117291936B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409437A (zh) * | 2018-11-06 | 2019-03-01 | 安徽农业大学 | 一种点云分割方法、装置、计算机可读存储介质及终端 |
CN113012161A (zh) * | 2021-03-05 | 2021-06-22 | 华南理工大学 | 一种基于凸性区域生长的堆叠散乱目标点云分割方法 |
CN113870435A (zh) * | 2021-09-28 | 2021-12-31 | 浙江华睿科技股份有限公司 | 一种点云分割方法、装置、电子设备及存储介质 |
CN115578398A (zh) * | 2022-10-25 | 2023-01-06 | 华南理工大学 | 一种基于区域增长法的焊缝点云分割方法 |
CN116721113A (zh) * | 2022-11-26 | 2023-09-08 | 天翼电子商务有限公司 | 一种三维点云平面分割方法及系统 |
CN116740361A (zh) * | 2023-08-11 | 2023-09-12 | 之江实验室 | 一种点云分割方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117291936A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117291936B (zh) | 点云分割方法、装置、设备和介质 | |
CN112101278A (zh) | 基于k近邻特征提取和深度学习的宅基地点云分类方法 | |
CN111723721A (zh) | 基于rgb-d的三维目标检测方法、系统及装置 | |
CN111765882A (zh) | 激光雷达定位方法及其相关装置 | |
EP3089108B1 (en) | Image processing device, subject identification method and program | |
CN101964060A (zh) | 基于局部纹理特征的sar变体目标识别方法 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN111950498A (zh) | 一种基于端到端实例分割的车道线检测方法及装置 | |
CN117314987B (zh) | 点云配准方法和装置 | |
CN114511575A (zh) | 基于图像分割定位辅助点云配准的高反光物体的抓取方法 | |
CN112734816B (zh) | 基于CSS-Delaunay的异源图像配准方法 | |
CN112507992A (zh) | 道路图像之间的拍摄距离确定方法、装置、设备及介质 | |
CN113077473A (zh) | 三维激光点云路面分割方法、系统、计算机设备及介质 | |
CN111860359A (zh) | 一种基于改进随机森林算法的点云分类方法 | |
CN113744323B (zh) | 点云数据处理方法和装置 | |
CN116229128A (zh) | 实体图像的聚类处理方法、装置、电子设备及存储介质 | |
CN114067224A (zh) | 一种基于多传感器数据融合的无人机集群目标数量检测方法 | |
CN106652048B (zh) | 基于3d-susan算子的三维模型感兴趣点提取方法 | |
Liu et al. | A novel algorithm for planar extracting of 3D point clouds | |
CN117576172B (zh) | 基于改进关键点的配准方法和装置 | |
CN117237902B (zh) | 基于深度学习的机器人物体识别系统 | |
CN117994486B (zh) | 移动房屋室内环境控制方法以及系统 | |
CN117911792B (zh) | 一种电压基准源芯片生产用引脚检测系统 | |
CN115965639B (zh) | 一种智慧水利图像处理方法、装置及系统 | |
CN117011565A (zh) | 影像物件标签方法与电路系统 |
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 |