CN104700398A - 一种点云场景物体提取方法 - Google Patents

Abstract

本发明公开了一种点云场景物体提取方法，具体实施步骤为：步骤1、利用点云数据在高斯球上的分布情况，利用均值偏移算法对点云数据进行粗分割；步骤2、对步骤1中进行粗分割后的点云数据，采用基于距离的点聚类方法进行细分割；步骤3、对步骤2中进行细分割后的点云数据利用高斯球的性质及曲率信息进行形状识别；步骤4、对步骤3中进行形状识别后的点云数据进行修正。本发明点云场景物体提取方法可以适用于提取包含复杂对象的点云场景，而不仅仅针对场景中特定的对象或是针对包含对象较少的航空LiDAR数据进行对象提取。

Description

一种点云场景物体提取方法

技术领域

本发明属于计算机图形学和模式识别相结合的交叉学科技术领域，涉及一种点云场景物体提取方法。

背景技术

从点云场景中提取对象一直都是计算机图形学和模式识别的一个重要研究领域。传统的提取方法多是针对单一的对象进行提取，因此难以适用于包含复杂对象的点云场景。

由于点云数据的大范围、大尺度以及海量性，场景中包含有丰富的对象，且对象特征各异，再加上扫描场景时物体间存在遮挡，导致场景中的每个物体不可能得到多方位的扫描，造成对象对应的点云数据不完整。这使得从点云场景的提取对象比较困难。

在近几年中，很多学者集中于研究对象提取算法的研究。根据输入数据类型的不同，现有的方法分为两类：基于图像的对象提取以及基于点云数据的对象提取。

①基于图像的对象提取

图像是一种比较容易获得的数据类型，已经有很多方法从地面拍摄图像或者航空拍摄的图像提取对象。

Yang通过分析点云的空间分布特征(平面距离、高程差异和点密集程度等)确定激光扫描点的权值，采用距离加权倒数IDW(Inverse DistanceWeighted)内插方法生成车载激光扫描点云的特征图像。然后，利用图像分割、轮廓提取等图像处理手段，与三维空间几何分析相结合的方法，完成对场景中建筑物、树木的提取。Xiao提出一种从航拍图像中提取建筑物的方法，该方法通过检测航拍图像的边界和高度信息提取建筑物，其中高度信息是从密集图像的匹配技术中提取的。王根据遥感影像的建筑物纹理区别于其它空间对象纹理的特点，为提高影像分辨率，提出Gabor纹理块的遥感影像对象模型方法应用于遥感影像城镇建筑物的提取，以整个城镇为对象，以建筑物、道路、绿地等不同城镇区域为组成对象的纹理块，建立基于纹理块的对象模型，利用模型进行遥感影像对象的纹理标定，最终提取出城镇建筑物。于提出了一种彩色遥感图像建筑物提取方法，该算法结合中性集和均值偏移算法(Mean shift)，对转换到中性集空间的影像进行均值偏移算法分割，生成以影像中主要地物类型为核心的光谱类别图像，提取建筑物。李在考虑建筑物光谱特征的基础上，建立了平行与垂直于目标建筑物主方向的各向异性邻域，并采用基于各向异性马尔可夫随机场的亚像元定位模型进行了亚像元尺度的建筑物提取。

②基于点云数据的对象提取

Yao利用自适应Mean shift算法对机载激光扫描点云数据进行分割，然后提取每一个分割簇的面积、平面性、垂直位置以及垂直高度差五个特征，利用支持向量机完成对场景中运动汽车和静止汽车的提取。Boyko提出了一种从规模非结构化的三维点云城景中提取道路的方法，该方法首先将二维地图映射到给定的三维点云数据，完成路线图注册，然后根据输入地图的拓扑和几何产生大体相当完成点云的分割，接着构造图谱，通过提取道路的边界点完成道路的提取。方通过分析扫描线上激光点云的空间分布和统计特征，提出一种适用于结构化道路环境的道路点云自动提取方法。徐首先根据目标的几何特征建立吉布斯自由能变模型，通过目标的一致性建立该模型的数据项，通过目标的拓扑性质等空间特性建立该模型的先验项，然后利用可逆跳转马尔可夫蒙特卡洛算法进行采样，并采用模拟退火算法进行优化求解，实现建筑物目标和树冠目标几何对象的自动提取。Yang根据获取Gibbs能量模型的全局最优解后，可以初步地从机载激光扫描数据中提取出建筑物目标，然后利用建筑物目标的几何属性特征结合区域生长算法剔除错误提取的地面点、树冠点、噪声点，对初步提取出的建筑物目标进行了精细化处理，最终从点云数据中精确的提取出每个建筑物目标。

目前这些相关的方法多是针对场景中特定的对象(例如建筑物、道路等)，或者是针对包含对象较少的航空LiDAR数据。真实的城市场景中，往往包含多种复杂的对象，现有的方法并不适用于地面点云数据。

发明内容

本发明的目的是提供一种点云场景物体提取方法，解决了现有技术仅能够针对特定对象进行提取或者从包含对象较少的航空LiDAR点云数据进行对象提取的问题。

本发明所采用的技术方案是，一种点云场景物体提取方法，具体实施步骤为：

步骤1、利用点云数据在高斯球上的分布情况，利用均值偏移算法利用均值偏移算法对点云数据进行粗分割；

步骤2、对步骤1中进行粗分割后的点云数据，采用基于距离的点聚类方法进行细分割；

步骤3、对步骤2中进行细分割后的点云数据利用高斯球的性质及曲率信息进行形状识别；

步骤4、对步骤3中进行形状识别后的点云数据进行修正。

本发明的特点还在于，

步骤1中粗分割的具体实施步骤为：

步骤1.1、利用主元分析法计算点云的法向量

点云中的任意一点p，找到点p的k个邻近点点p的三阶协方差矩阵M为：

$M=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}(p_i-\stackrel{\‾}{p}){(p_i-\stackrel{\‾}{p})}^T---\left(1\right)$

其中，为点p的k个邻近点的平均位置，

$\stackrel{\‾}{p}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{p}_i---\left(2\right)$

通过奇异值分解对点p的三阶协方差矩阵M进行特征值分解，得到协方差矩阵M的特征值λ₃＞λ₂＞λ₁＞0，点p的法向量为最小特征值λ₁所对应的特征向量 ${\stackrel{\→}{n}}_p=(n_x,n_y,n_z);$

步骤1.2、高斯映射

根据步骤1.1中点p的法向量通过公式(3)获得点p在高斯球上的映射位置：

$\left\{\begin{array}{c}\mathrm{ud}=\arcsin \left(n_y\right)\\ \mathrm{ld}=\arctan (n_x,n_z)\end{array}\right.---\left(3\right)$

建立以高斯球的球心为坐标系原点的球坐标系转换公式为公式(4)：

$\left\{\begin{array}{c}{x}_{\mathrm{norm}}=\cos \left(\mathrm{ud}\right)\·\cos \left(\mathrm{ld}\right)\\ y_{\mathrm{norm}}=\cos \left(\mathrm{ud}\right)\·\sin \left(\mathrm{ld}\right)\\ z_{\mathrm{norm}}=\sin \left(\mathrm{ud}\right)\end{array}\right.---\left(4\right)$

由于点云场景中包含多个对象，点云数据进行高斯映射后，具有相同法向量的点会映射到高斯球上同一位置，根据Mean-Shift方法对高斯球上的点进行分割。

步骤1.1中，点云数据中的任意一点p，利用k-d树找出与点p最近的点q，如果n_p·n_q≈-1，将点p的法向量方向反转。

步骤1.2中Mean-Shift方法的具体实施步骤为：

①选择点云数据中的任意一点x为圆心，以h为半径，做一个高维球，并记录落在球内的所有点x_i；

②计算Meanshift向量m_h,G(x)，如果m_h,G(x)＜ε，此时算法收敛到数据空间中密度最大的点，退出程序，否则，重复步骤①。

ε的范围为0-0.01。

步骤2中细分割的具体实施步骤为：

步骤2.1、对于每一点p_i，利用k-d树找出点p_i的k个邻近点，筛选与点p_i距离小于阈值r的点集NN；

步骤2.2、遍历粗分割后的点云数据，如果点p_i是被遍历的第一个点，标记点集NN中所有的点label＝1；如果点p_i不是被遍历的第一个点，则遍历点集NN中的每一点是否已经被标记，如果点集NN中所有的点均未被标记，则label++，将点集NN中所有的点标记为label，如果点集NN中存在已经被标记的点，找出被标记的点中最小的标记值mLabel，将点集NN中所有的点标记为mLabel；

步骤2.3、重复步骤2.1、步骤2.2，直到点云数据中所有点均被标记。

步骤3的形状识别的具体步骤为：

经过步骤2细分割后的点云数据集合分别为P₁,P₂...P_m，经过细分割的点云数据进行高斯映射后的数据集分别为G(P₁),G(P₂)...G(P_m)；

①平面识别

首先，利用公式(5)计算G(P_i)的中心

${\stackrel{\‾}{c}}_i=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}G\left(p_i\right)---\left(5\right)$

其中，p_i为点云数据集合P_i中的任意一点，N为该点云数据集合P_i点的个数；

其次，利用公式(6)计算出每一点云数据集合的法向量的方差var(G(P_i))：

$\mathrm{var}\left(G\left(P_i\right)\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(G\left(p_i\right)-{\stackrel{\‾}{c}}_i)}^2---\left(6\right)$

如果方差var(G(P_i))小于阈值ε，判断点云数据集合P_i为平面，如果方差var(G(P_i))大于阈值ε，点云数据集合P_i不为平面；

②圆柱识别

首先，圆柱面参数方程为(ρcosu,ρsinu,v)，计算圆柱的两个曲率分别为：

|k₁|＝1/ρ，

k₂＝0，

其中，ρ为圆柱半径，

其次，利用公式(7)计算每一点云数据集合P_i的曲率聚集的中心：

${\stackrel{\‾}{k}}_1=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|k_{i1}\right|---\left(7\right)$

其中，N为点云数据集合P_i中|k_i2|＜1点的个数，

以为圆心，统计与圆心距离小于1的点的集合，与圆心距离小于1的点数占点云数据集合P_i的点数的70％以上，即断定为圆柱；

③球体识别

球体的参数方程为(ρcosusinv,ρsinucosv,ρsinv)，计算球体的两个曲率为：

|k₁|＝|k₂|＝1/ρ，

其中，ρ为球体半径，

利用公式(8)、(9)分别计算两个曲率的平均值：

${\stackrel{\‾}{k}}_1=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|k_{i1}\right|---\left(8\right)$

${\stackrel{\‾}{k}}_2=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|k_{i2}\right|---\left(9\right)$

其中，N为点云数据集合P_i中点的个数，

以为圆心，统计与圆心距离小于1的点的集合，与圆心距离小于1的点数占点云数据集合P_i的点数的70％以上，即断定为球体。

经过步骤1-3对点云数据进行分割并形状识别后，一个基本形状会被分成多个，为避免细碎面片和过分割，对分割并形状识别后的点云数据进行修正，步骤4中对点云数据进行修正的具体步骤为：

①对平面修正

如果两簇数据S_i和S_j类型都为平面，分别是S_i,S_j的平均法向量，满足两簇数据法向量方向相同同时对于一个平面簇S_i，平面簇S_i内每一点找其k个邻近点，如果其中包含有平面簇S_i和S_j的点，将两个平面簇S_i和S_j合并；

②对圆柱修正

如果两簇数据类型都为圆柱，利用k-d树找出一个圆柱簇中每一点的k个邻近点，判断是否包含有其它圆柱簇的点，如果有，将两簇进行合并；

③对球体修正

如果两簇数据类型都为球体，用k-d树找出一个圆柱簇中每一点的k个邻近点，判断是否包含有其它球体簇的点，如果有，将两簇进行合并。

本发明的有益效果是：本发明点云场景物体提取方法可以适用于提取包含复杂对象的点云场景，而不仅仅针对场景中特定的对象或是针对包含对象较少的航空LiDAR数据进行对象提取。

附图说明

图1是本发明点云场景物体提取方法中点云场景数据图；

图2是本发明点云场景物体提取方法中点云场景数据粗分割结果图；

图3是本发明点云场景物体提取方法中基于距离的点聚类方法的示意图；

图4是本发明点云场景物体提取方法中圆柱曲率映射图；

图5是本发明点云场景物体提取方法中基本形状提取示意图；

图6是本发明点云场景物体提取方法中非基本形状提取示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明点云场景数据如图1所示，本发明一种点云场景物体提取方法，具体实施步骤为：

步骤1、利用点云数据在高斯球上的分布情况，利用均值偏移算法对点云数据进行粗分割，具体实施步骤为：

步骤1.1、利用主元分析法计算点云的法向量

点云中的任意一点p，找到点p的k个邻近点点p的三阶协方差矩阵M为：

$M=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}(p_i-\stackrel{\‾}{p}){(p_i-\stackrel{\‾}{p})}^T---\left(1\right)$

其中，为点p的k个邻近点的平均位置，

$\stackrel{\‾}{p}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{p}_i---\left(2\right)$

通过奇异值分解对点p的三阶协方差矩阵M进行特征值分解，得到协方差矩阵M的特征值λ₃＞λ₂＞λ₁＞0，点p的法向量为最小特征值λ₁所对应的特征向量由于法向量的方向有二义性，所以对于点云数据中的任意一点p，利用k-d树找出与点p最近的点q，如果n_p·n_q≈-1，则将点p的法向量方向反转。

步骤1.2、高斯映射

根据步骤1.1中点p的法向量通过公式(3)获得点p在高斯球上的映射位置：

$\left\{\begin{array}{c}\mathrm{ud}=\arcsin \left(n_y\right)\\ \mathrm{ld}=\arctan (n_x,n_z)\end{array}\right.---\left(3\right)$

建立以高斯球的球心为坐标系原点的球坐标系转换公式为公式(4)：

$\left\{\begin{array}{c}{x}_{\mathrm{norm}}=\cos \left(\mathrm{ud}\right)\·\cos \left(\mathrm{ld}\right)\\ y_{\mathrm{norm}}=\cos \left(\mathrm{ud}\right)\·\sin \left(\mathrm{ld}\right)\\ z_{\mathrm{norm}}=\sin \left(\mathrm{ud}\right)\end{array}\right.---\left(4\right)$

由于点云场景中包含多个对象，点云数据进行高斯映射后，具有相同法向量的点会映射到高斯球上同一位置，根据Mean-Shift方法对高斯球上的点进行分割。

Mean-Shift方法实质是一个梯度上升算法，它是变步长的，也可以称为自适应梯度上升算法，它的具体实施步骤为：

①选择点云数据中的任意一点x为圆心，以h为半径，做一个高维球，并记录落在球内的所有点x_i；

②计算Meanshift向量m_h,G(x)，如果m_h,G(x)＜ε(ε的范围为0-0.01)，此时算法收敛到数据空间中密度最大的点，退出程序，否则，重复步骤①。

根据高斯映射的性质可知，对于法向量方向相同的点，在高斯球上都映射成为同一个点。所以，相同类型的曲面在高斯映射后会在高斯球上会出现相同的位置，即重叠。这会导致法向量方向相同类型的曲面，利用Mean-shift聚类算法会被分割成相同的簇。

粗分割后的结果图如图2所示。

步骤2、采用基于距离的点聚类方法进行细分割

根据观察可以发现，多个重叠的曲面之间都具有一定的距离，所以本发明采用基于距离的点云聚类方法(distance-based clustering)，将这些相同类型的曲面分开。基于距离的点云聚类方法的主要思想，是将距离小于r的点归为一类。对于点p_i，p_i∈T_i，首先，利用k-d树找出点p_i的k(k一般情况取30)个近临点，与p_i距离小于r的点被归为一类，即P_r-distace＝{{p_i,p_j,d_ij}|d_ij≤r,i≠j}，其中，d_ij为点p_i和p_j的距离如图3所示。

细分割的具体实施步骤为：

步骤2.1、对于每一点p_i，利用k-d树找出点p_i的k个邻近点，筛选与点p_i距离小于阈值r的点集NN；

步骤2.2、遍历粗分割后的点云数据，如果点p_i是被遍历的第一个点，标记点集NN中所有的点label＝1；如果点p_i不是被遍历的第一个点，则遍历点集NN中的每一点是否已经被标记，如果点集NN中所有的点均未被标记，则label++，将点集NN中所有的点标记为label，如果点集NN中存在已经被标记的点，找出被标记的点中最小的标记值mLabel，将点集NN中所有的点标记为mLabel；

步骤2.3、重复步骤2.1、步骤2.2，直到点云数据中所有点均被标记。

步骤3、利用高斯球的性质及曲率信息进行形状识别

经过步骤2细分割后的点云数据集合分别为P₁,P₂...P_m，经过细分割的点云数据进行高斯映射后的数据集分别为G(P₁),G(P₂)...G(P_m)。要分别判断每一簇点云数据P_i的类型，以便实现对单个物体的提取。

①平面识别

由于平面点云数据在高斯映射后的点并不是严格的映射成为一个点，它们会聚集在一个小的区域内。所以要判断一簇点云数据P_i是否为平面，首先判断它们的高斯映射后的数据集G(P_i)是否集中在一个小的区域内。

首先，利用公式(5)计算G(P_i)的中心

${\stackrel{\‾}{c}}_i=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}G\left(p_i\right)---\left(5\right)$

其中，p_i为点云数据集合P_i中的任意一点，N为该点云数据集合P_i点的个数；

其次，利用公式(6)计算出每一点云数据集合的法向量的方差var(G(P_i))：

$\mathrm{var}\left(G\left(P_i\right)\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(G\left(p_i\right)-{\stackrel{\‾}{c}}_i)}^2---\left(6\right)$

如果方差var(G(P_i))小于阈值ε(ε范围为0-0.15)，则说明该簇的法向量分布在一个较小的区域内，可以判断点云数据集合P_i为平面。相反，如果方差大于阈值ε，说明该簇的法向量分布比较分散，不符合平面的要求。

②圆柱识别

由于点云数据量较多，同时包含许多噪声，所以在实际计算过程中，曲率映射点会重合于坐标轴上的一个区域。所以要判断一簇点云数据P_i是否为圆柱，首先判断该簇曲率映射后的数据集C(P_i)是否集中在坐标轴一个小的区域内。

首先，圆柱面参数方程为(ρcosu,ρsinu,v)，计算圆柱的两个曲率分别为：

|k₁|＝1/ρ，

k₂＝0，

其中，ρ为圆柱半径，这决定了其曲率映射点重合于坐标轴正方向上的一点，如图4所示，

其次，利用公式(7)计算每一点云数据集合P_i的曲率聚集的中心：

${\stackrel{\‾}{k}}_1=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|k_{i1}\right|---\left(7\right)$

其中，N为点云数据集合P_i中|k_i2|＜1点的个数，

由于噪声或者曲率计算不准确等原因，曲率映射并不全部集中在一个小的区域，有很多散乱点分布于x轴的正方向。所以利用公式(7)统计|k₂|≈0的点的平均坐标，以便正确的确定曲率聚集的中心。由于曲率映射点重合于坐标轴上的一个区域，所以以为圆心，统计与圆心距离小于1的点的集合，与圆心距离小于1的点数占点云数据集合P_i的点数的70％以上，即断定为圆柱；

③球体识别

球体的参数方程为(ρcosusinv,ρsinucosv,ρsinv)，计算球体的两个曲率为：

|k₁|＝|k₂|＝1/ρ，

其中，ρ为球体半径，

利用公式(8)、(9)分别计算两个曲率的平均值：

${\stackrel{\‾}{k}}_1=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|k_{i1}\right|---\left(8\right)$

${\stackrel{\‾}{k}}_2=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|k_{i2}\right|---\left(9\right)$

其中，N为点云数据集合P_i中点的个数，

以为圆心，统计与圆心距离小于1的点的集合，与圆心距离小于1的点数占点云数据集合P_i的点数的70％以上，即断定为球体；

如图5所示为基本形状提取示意图。

④非基本形状点云数据识别

利用高斯球的性质、曲率等微分几何特征对点云场景中的基本形状进行识别。另外，场景中还包含许多不能由基本形状组成的对象，利用排除法，去除基本形状，剩余的点云数据即为非基本形状点云数据。

点云场景中去除基本形状后的点云数据，其中包括噪声、树木、低矮的灌木等对象。对于非基本形状的点云数据，利用基于距离的点聚类方法进行分割，将树木等不能用基本形状表示的对象分割成单个物体。

如图6所示为非基本形状提取示意图。

步骤4、修正

经过步骤1-3对点云数据进行分割并形状识别后，一个基本形状会被分成多个，为避免细碎面片和过分割，对分割并形状识别后的点云数据进行修正，步骤4中对点云数据进行修正的具体步骤为：

①对平面修正

如果两簇数据S_i和S_j类型都为平面，分别是S_i,S_j的平均法向量，满足两簇数据法向量方向相同同时对于一个平面簇S_i，平面簇S_i内每一点找其k个邻近点，如果其中包含有平面簇S_i和S_j的点，将两个平面簇S_i和S_j合并；

②对圆柱修正

如果两簇数据类型都为圆柱，利用k-d树找出一个圆柱簇中每一点的k个邻近点，判断是否包含有其它圆柱簇的点，如果有，将两簇进行合并；

③对球体修正

如果两簇数据类型都为球体，用k-d树找出一个圆柱簇中每一点的k个邻近点，判断是否包含有其它球体簇的点，如果有，将两簇进行合并。

本发明点云场景物体提取方法可以适用于提取包含复杂对象的点云场景，而不仅仅针对场景中特定的对象或是针对包含对象较少的航空LiDAR数据进行对象提取。

Claims (8)

1.一种点云场景物体提取方法，其特征在于，具体实施步骤为：

步骤1、利用点云数据在高斯球上的分布情况，利用均值偏移算法对点云数据进行粗分割；

步骤2、对步骤1中进行粗分割后的点云数据，采用基于距离的点聚类方法进行细分割；

步骤3、对步骤2中进行细分割后的点云数据利用高斯球的性质及曲率信息进行形状识别；

步骤4、对步骤3中进行形状识别后的点云数据进行修正。

2.根据权利要求1所述的一种点云场景物体提取方法，其特征在于，所述步骤1中粗分割的具体实施步骤为：

步骤1.1、利用主元分析法计算点云的法向量

点云中的任意一点p，找到点p的k个邻近点点p的三阶协方差矩阵M为：

$M=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}(p_i-\stackrel{\‾}{p}){(p_i-\stackrel{\‾}{p})}^T,$

其中，为点p的k个邻近点的平均位置，

$\stackrel{\‾}{p}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{p}_i,$

通过奇异值分解对点p的三阶协方差矩阵M进行特征值分解，得到协方差矩阵M的特征值λ₃＞λ₂＞λ₁＞0，点p的法向量为最小特征值λ₁所对应的特征向量 ${\stackrel{\→}{n}}_p=(n_x,n_y,n_z);$

步骤1.2、高斯映射

根据步骤1.1中点p的法向量通过下式获得点p在高斯球上的映射位置：

$\left\{\begin{array}{c}\mathrm{ud}=\arcsin \left(n_y\right)\\ \mathrm{ld}=\arctan (n_x,n_z)\end{array}\right.,$

建立以高斯球的球心为坐标系原点的球坐标系转换公式为：

$\left\{\begin{array}{c}{x}_{\mathrm{norm}}=\cos \left(\mathrm{ud}\right)\·\cos \left(\mathrm{ld}\right)\\ y_{\mathrm{norm}}=\cos \left(\mathrm{ud}\right)\·\sin \left(\mathrm{ld}\right)\\ z_{\mathrm{norm}}=\sin \left(\mathrm{ud}\right)\end{array}\right.,$

由于点云场景中包含多个对象，点云数据进行高斯映射后，具有相同法向量的点会映射到高斯球上同一位置，根据Mean-Shift方法对高斯球上的点进行分割。

3.根据权利要求2所述的一种点云场景物体提取方法，其特征在于，所述步骤1.1中，点云数据中的任意一点p，利用k-d树找出与点p最近的点q，如果：

n_p·n_q≈-1，

将点p的法向量方向反转。

4.根据权利要求2所述的一种点云场景物体提取方法，其特征在于，所述步骤1.2中Mean-Shift方法的具体实施步骤为：

①选择点云数据中的任意一点x为圆心，以h为半径，做一个高维球，并记录落在球内的所有点xi；

②计算Meanshift向量m_h,G(x)，如果m_h,G(x)＜ε，此时算法收敛到数据空间中密度最大的点，退出程序，否则，重复步骤①。

5.根据权利要求4所述的一种点云场景物体提取方法，其特征在于，所述ε的范围为0-0.01。

6.根据权利要求1所述的一种点云场景物体提取方法，其特征在于，所述步骤2中细分割的具体实施步骤为：

步骤2.1、对于每一点p_i，利用k-d树找出点p_i的k个邻近点，筛选与点p_i距离小于阈值r的点集NN；

步骤2.2、遍历粗分割后的点云数据，如果点p_i是被遍历的第一个点，标记点集NN中所有的点label＝1；如果点p_i不是被遍历的第一个点，则遍历点集NN中的每一点是否已经被标记，如果点集NN中所有的点均未被标记，则label++，将点集NN中所有的点标记为label，如果点集NN中存在已经被标记的点，找出被标记的点中最小的标记值mLabel，将点集NN中所有的点标记为mLabel；

步骤2.3、重复步骤2.1、步骤2.2，直到点云数据中所有点均被标记。

7.根据权利要求1所述的一种点云场景物体提取方法，其特征在于，所述步骤3的形状识别的具体步骤为：

经过步骤2细分割后的点云数据集合分别为P₁,P₂...P_m，经过细分割的点云数据进行高斯映射后的数据集分别为G(P₁),G(P₂)...G(P_m)；

①平面识别

首先，利用下式计算G(P_i)的中心

${\stackrel{\‾}{c}}_i=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}G\left(p_i\right),$

其中，p_i为点云数据集合P_i中的任意一点，N为该点云数据集合P_i点的个数；

其次，利用下式计算出每一点云数据集合的法向量的方差var(G(P_i))：

$\mathrm{var}\left(G\left(P_i\right)\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(G\left(p_i\right)-{\stackrel{\‾}{c}}_i)}^2,$

如果方差var(G(P_i))小于阈值ε，判断点云数据集合P_i为平面，如果方差var(G(P_i))大于阈值ε，点云数据集合P_i不为平面；

②圆柱识别

首先，圆柱面参数方程为(ρcosu,ρsinu,v)，计算圆柱的两个曲率分别为：

|k₁|＝1/ρ，

k₂＝0，

其中，ρ为圆柱半径，

其次，利用下式计算每一点云数据集合P_i的曲率聚集的中心：

${\stackrel{\‾}{k}}_1=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|k_{i1}\right|,$

其中，N为点云数据集合P_i中|k_i2|＜1点的个数，

以为圆心，统计与圆心距离小于1的点的集合，与圆心距离小于1的点数占点云数据集合P_i的点数的70％以上，即断定为圆柱；

③球体识别

球体的参数方程为(ρcosusinv,ρsinucosv,ρsinv)，计算球体的两个曲率为：

|k₁|＝|k₂|＝1/ρ，

其中，ρ为球体半径，

利用下述两个公式分别计算两个曲率的平均值：

${\stackrel{\‾}{k}}_1=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|k_{i1}\right|,$

${\stackrel{\‾}{k}}_2=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|k_{i2}\right|,$

其中，N为点云数据集合P_i中点的个数，

以为圆心，统计与圆心距离小于1的点的集合，与圆心距离小于1的点数占点云数据集合P_i的点数的70％以上，即断定为球体。

8.根据权利要求1所述的一种点云场景物体提取方法，其特征在于，经过所述步骤1-3对点云数据进行分割并形状识别后，一个基本形状会被分成多个，为避免细碎面片和过分割，对分割并形状识别后的点云数据进行修正，所述步骤4中对点云数据进行修正的具体步骤为：

①对平面修正

如果两簇数据S_i和S_j类型都为平面，分别是S_i,S_j的平均法向量，满足两簇数据法向量方向相同同时对于一个平面簇S_i，平面簇S_i内每一点找其k个邻近点，如果其中包含有平面簇S_i和S_j的点，将两个平面簇S_i和S_j合并；

②对圆柱修正

如果两簇数据类型都为圆柱，利用k-d树找出一个圆柱簇中每一点的k个邻近点，判断是否包含有其它圆柱簇的点，如果有，将两簇进行合并；

③对球体修正

如果两簇数据类型都为球体，用k-d树找出一个圆柱簇中每一点的k个邻近点，判断是否包含有其它球体簇的点，如果有，将两簇进行合并。