CN109409437A - 一种点云分割方法、装置、计算机可读存储介质及终端 - Google Patents

一种点云分割方法、装置、计算机可读存储介质及终端 Download PDF

Info

Publication number
CN109409437A
CN109409437A CN201811315070.0A CN201811315070A CN109409437A CN 109409437 A CN109409437 A CN 109409437A CN 201811315070 A CN201811315070 A CN 201811315070A CN 109409437 A CN109409437 A CN 109409437A
Authority
CN
China
Prior art keywords
point cloud
curvature
neighbor
cloud
value
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.)
Granted
Application number
CN201811315070.0A
Other languages
English (en)
Other versions
CN109409437B (zh
Inventor
廖娟
汪鹞
朱德泉
尹俊楠
周平
吴敏
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.)
Anhui Agricultural University AHAU
Original Assignee
Anhui Agricultural University AHAU
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 Anhui Agricultural University AHAU filed Critical Anhui Agricultural University AHAU
Priority to CN201811315070.0A priority Critical patent/CN109409437B/zh
Publication of CN109409437A publication Critical patent/CN109409437A/zh
Application granted granted Critical
Publication of CN109409437B publication Critical patent/CN109409437B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于点云数据分割技术领域，特别是涉及一种点云分割方法、装置、计算机可读存储介质及终端。一种点云分割方法，包括：对所采集到的点云数据进行滤波处理，得到的滤波后的点云数据，得到精简处理后的离散点云，计算所有离散点云的曲率，并获取曲率中的最小值，将最小值对应的离散点云作为当前种子点云，以预设半径为尺寸，获取所述当前种子点云的预设半径圆邻域内的所有邻近点云，计算当前种子点云与每一个邻近点云的法线夹角、法线夹角所对应的平滑阈值、所有邻近点云的曲率值及曲率值所对应的曲率阈值。本可以有效的对一些离主体较远的离群点进行去除，本发明在保证不影响点云数据特征的前提下，大大的提高了数据处理的速度。

Description

一种点云分割方法、装置、计算机可读存储介质及终端
技术领域
本发明属于点云数据分割技术领域，特别是涉及一种点云分割方法、装置、计算机可读存储介质及终端。
背景技术
点云分割是根据空间、几何和纹理等特征对点云进行划分，使得同一划分内的点云拥有相似的特征，点云的有效分割往往是许多应用的前提，例如逆向工作，CAD领域对零件的不同扫描表面进行分割，然后才能更好的进行空洞修复曲面重建，特征描述和提取，进而进行基于3D内容的检索，组合重用等。
目前比较常用的点云分割方法有：欧式聚类、区域生长、最小分割等方法，其中区域生长由于其思想简单、算法易于实现、生长规则可以自由指定从而得到广泛应用。
传统的区域生长参数调整不够灵活，分割可控性差，以及数据中包含的噪声，以及曲率分布不均都会大幅度影响分割效果，导致空洞及过分割。而且在三维点云区域生长中主要采用随机采样一致性算法获取种子点云，但是基于此法进行区域生长容易出现分割不稳定的情况。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种点云分割方法、装置、计算机可读存储介质及终端，用于解决现有技术中的点云分割计算速度慢、分割效率低、需要人工重复设置阈值的问题。
为实现上述目的及其他相关目的，本发明提供一种点云分割方法，所述点云分割方法包括：
S1、采集点云数据，并对所采集到的点云数据进行滤波处理，得到滤波后的点云数据；
S2、对所述滤波后的点云数据进行精简处理，得到精简处理后的离散点云；
S3、计算所有离散点云的曲率，并获取曲率中的最小值，将最小值对应的离散点云作为当前种子点云；
S4、以预设半径为尺寸，获取所述当前种子点云的预设半径圆邻域内的所有邻近点云，并计算：所述当前种子点云与每一个邻近点云的法线夹角、法线夹角所对应的平滑阈值、所有邻近点云的曲率值及曲率值所对应的曲率阈值；
S5、设置一空的种子点云序列、空的聚类区域；
S6、针对第一邻近点云，判断目标夹角是否小于所述平滑阈值，如果是，将该邻近点云加入到聚类区域中，其中，所述目标夹角为所述第一邻近点云的法线与所述当前种子点云的法线所形成的夹角，所述第一邻近点云为所述当前种子点云的任意一个邻近点云；
S7、针对所述聚类区域中的邻近点云，获取所有曲率值小于曲率阈值的第二邻近点云，删除当前种子点云，并将所述第二邻近点云加入到种子点云序列；
S8、判断种子点云序列是否为空，如果否，从所述种子点云序列中选取任意一种子点云作为当前种子点云，返回步骤S4执行，如果是，分割结束。
在本发明的一实施例中，所述采集点云数据的步骤，包括：
利用ZED双目相机采集点云数据。
在本发明的一实施例中，所述对所采集到的点云数据进行滤波处理的步骤，包括：
采用双边滤波算法，将点云数据中的任意一个点作为采样点；
取所述采样点的目标区域范围内的邻近采样点；
计算所述邻近采样点的加权平均值；
根据加权平均值修正所述采样点的位置。
在本发明的一实施例中，所述对所述滤波后的点云数据进行精简处理，得到精简处理后的离散点云的步骤，包括：
将待精简的点云数据创建为一个三维体素栅格；
在所述三维体素栅格中，在每个体素内用体素中所有点的重心来显示体素中其他点，以使得该体素内所有点用一个重心点进行表示；得到精简处理后的离散点云。
在本发明的一实施例中，计算所有离散点云的曲率，并获取曲率中的最小值，将最小值对应的离散点云作为当前种子点云的步骤，包括：
S31、利用所述离散点云中的第一点云与所述第一点云的多个邻近点云，计算所述第一点云的协方差矩阵，其中，所述第一点云为所述离散点云中的任意一个点云；
S32、根据所述协方差矩阵和单位矩阵，计算所述第一点云的协方差矩阵所对应的第一特征值、第二特征值和第三特征值，其中，所述第一特征值小于所述第二特征值，所述第二特征值小于所述第三特征值；
S33、根据所述第一特征值、所述第二特征值和所述第三特征值，计算所述第一点云的曲率；
S34、获取所计算的曲率中的最小值，并确定所述最小值所对应的点云，将所确定的点云确定为种子点云。
在本发明的一实施例中，以预设半径为尺寸，获取所述当前种子点云的预设半径圆邻域内的所有邻近点云，并计算：所述当前种子点云与每一个邻近点云的法线夹角、法线夹角所对应的平滑阈值、所有邻近点云的曲率值及曲率值所对应的曲率阈值的步骤，包括：
S41、将种子点云的半径圆内的所有邻近点云置在一个局部平面上，通过最小二乘法拟合出所述局部平面方程z，
z＝Ax+By+C
其中，A为局部平面方程未知数x的系数、B分别为局部平面方程未知数y的系数，C为常数；
S42、由所述局部平面方程z得到偏差平方和d，其中，(xi,yi,zi)为第i个点云的坐标；
S43：对所述偏差平方和d进行求导，求出所述偏差平方和d的最小值；
S44、获得所述偏差平方和d的最小值所对应的系数A、系数B，此时的A，B，C组成的向量即为种子点云的法向量；
S45、求出每个邻域点的法向量，从而可以得出各邻域点法向量与种子点云法向量的夹角θ，其中，为邻域点法向量种子点云法向量，计算方法如下式所示：
求出所有夹角的平均值作为平滑阈值，计算方法如下式所示：
其中θi为第i个邻近点云的法向量与种子点云法向量的夹角。
在本发明的一实施例中，所述曲率阈值的计算公式为：
其中，kpi表示第i个邻近点云的曲率，将为曲率阈值。
此外，本发明实施例还提供了一种点云分割装置，所述装置包括：
采集单元，用于采集点云数据，并对所采集到的点云数据进行滤波处理，得到滤波后的点云数据；
精简单元，用于对所述滤波后的点云数据进行精简处理，得到精简处理后的离散点云；
计算单元，用于计算所有离散点云的曲率，并获取曲率中的最小值，将最小值对应的离散点云作为当前种子点云；
第一获取单元，用于以预设半径为尺寸，获取所述当前种子点云的预设半径圆邻域内的所有邻近点云，并计算：所述当前种子点云与每一个邻近点云的法线夹角、法线夹角所对应的平滑阈值、所有邻近点云的曲率值及曲率值所对应的曲率阈值；
设置单元，用于设置一空的种子点云序列、空的聚类区域；
第一判断单元，用于针对第一邻近点云，判断目标夹角是否小于所述平滑阈值，如果是，将该邻近点云加入到聚类区域中，其中，所述目标夹角为所述第一邻近点云的法线与所述当前种子点云的法线所形成的夹角，所述第一邻近点云为所述当前种子点云的任意一个邻近点云；
第二获取单元，用于针对所述聚类区域中的邻近点云，获取所有曲率值小于曲率阈值的第二邻近点云，删除当前种子点云，并将所述第二邻近点云加入到种子点云序列；
第二判断单元，用于判断种子点云序列是否为空，如果否，从所述种子点云序列中选取任意一种子点云作为当前种子点云，与所述第一判断单元连接，直至分割结束。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述点云分割方法的步骤。
本发明还提供了一种终端，包括处理器存储器，存储器存储有程序指令，处理器运行程序指令实现上述点云分割方法中的步骤。
如上所述，本发明的一种点云分割方法、装置、计算机可读存储介质及终端，具有以下有益效果：
本发明首先对所采集到的点云数据进行滤波处理，得到的滤波后的点云数据，对所述滤波后的点云数据进行精简处理，得到精简处理后的离散点云，计算所有离散点云的曲率，并获取曲率中的最小值，将最小值对应的离散点云作为当前种子点云，以预设半径为尺寸，获取所述当前种子点云的预设半径圆邻域内的所有邻近点云，并计算：所述当前种子点云与每一个邻近点云的法线夹角、法线夹角所对应的平滑阈值、所有邻近点云的曲率值及曲率值所对应的曲率阈值。
本发明加入了滤波算法，可以有效的对一些离主体较远的离群点进行去除，而且本发明在保证不影响点云数据特征的前提下，大大的提高了数据处理的速度。
本发明可以利用kd-tree方式建立离散点云之间的拓扑关系，可以加快对邻域点的搜索，提高分割效率。
本发明将曲率最小的离散点云作为种子点云，有效的减少了分割片段的总数，提高了效率。
本发明根据所述平滑阈值和曲率阈值设定生长规则，完成自适应阈值的区域生长，使得操作更加简便、不需重复人工设置阈值。
附图说明
图1显示为本发明的一个实施例的点云分割方法的流程示意图。
图2显示为本发明的一个实施例的点云分割方法的另一流程示意图。
图3显示为本发明的一个实施例的kd-tree的原理图。
图4显示为本发明的一个实施例的kd-tree的原理图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
具体地，请参阅图1和图2所示，图1显示为本发明的一个实施例的点云分割方法的流程示意图，图2显示为本发明的一个实施例的点云分割方法的另一流程示意图，本实施例提供一种点云分割方法，所述点云分割方法包括：
S1、利用ZED双目相机采集点云数据，并对所采集到的点云数据进行滤波处理，得到滤波后的点云数据。
具体的，步骤S1中的所述对所采集到的点云数据进行滤波处理的步骤，包括：
采用双边滤波算法，将点云数据中的任意一个点作为采样点；取所述采样点的目标区域范围内的邻近采样点；计算所述邻近采样点的加权平均值；根据加权平均值修正所述采样点的位置。
通过计算所述邻近采样点的加权平均值来修正当前采样点的位置，从而达到滤波效果，同时也会有选择剔除部分与当前采样点差异过大的相邻采样点，从而达到保持原特征的目的，具体的根据加权平均值修正所述采样点的位置的过程可以采用现有的平均值修正方式进行修正，本发明实施例在此不做赘述。
S2、对所述滤波后的点云数据进行精简处理，得到精简处理后的离散点云。
具体的，步骤S2中的所述对所述滤波后的点云数据进行精简处理，得到精简处理后的离散点云的步骤，包括：
将待精简的点云数据创建为一个三维体素栅格；
在所述三维体素栅格中，在每个体素内用体素中所有点的重心来显示体素中其他点，以使得该体素内所有点用一个重心点进行表示；得到精简处理后的离散点云。
具体的，可以通过通过输入的待精简的点云数据创建一个三维体素栅格，可把体素栅格想象为微小的空间三维立方体的集合，然后在每个体素内(即三维立方体内)用体素中所有点的重心来近似显示体素中其他点，这样该体素内所有点就用一个重心点最终表示，对于所有体素处理得到精简后的点云，该过程为现有技术，本发明实施例在此不做赘述。
通过计算点云数据的法向量和距离，确定每个精简后的点云数据在不失去其原有的特征的前提下，大大的提高了点云数据的处理速度。
所述的点云精简处理是采用体素栅格的方法对冗余的点云数据进行合理的精简，将输入的点云数据创建为一个三维体素栅格，通过计算点云数据的法向量和距离，确定每个精简后的点云数据在不失去其原有的特征的前提下，大大的提高了点云数据的处理速度。
S3、计算所有离散点云的曲率，并获取曲率中的最小值，将最小值对应的离散点云作为当前种子点云。
S31、利用所述离散点云中的第一点云与所述第一点云的多个邻近点云，计算所述第一点云的协方差矩阵，其中，所述第一点云为所述离散点云中的任意一个点云；
S32、根据所述协方差矩阵和单位矩阵，计算所述第一点云的协方差矩阵所对应的第一特征值、第二特征值和第三特征值，其中，所述第一特征值小于所述第二特征值，所述第二特征值小于所述第三特征值；
S33、根据所述第一特征值、所述第二特征值和所述第三特征值，计算所述第一点云的曲率；
S34、获取所计算的曲率中的最小值，并确定所述最小值所对应的点云，将所确定的点云确定为种子点云。
利用所述离散点云中的任意点云(第一点云)p与其的k个邻近点云，计算协方差矩阵C3x3，需要说明的是，C3x3是一个3x3的矩阵，
p1,...,pk为任意点云p的n个邻近点云，表示与任意点云p最邻近点云的三维质心，其中，的计算公式为：
(pxi,pyi,pzi)为与任意点云p的第i个邻近点云的坐标，n为邻近点云的总个数；
利用|kE-C3x3|＝0求取协方差矩阵C3x3的特征值，其中E是单位阵，k是特征值，求取的三个特征值记为k0,k1,k2，且k0＜k1＜k2，所述任意点云p的曲率kp的计算公式为：
S32、计算所有点云的曲率kp1,kp2,kp3,...,kpn，其中n为点云的个数，对n个点云的曲率进行排序，将曲率最小的点云作为种子点云。
S4、以预设半径为尺寸，获取所述当前种子点云的预设半径圆邻域内的所有邻近点云，并计算：所述当前种子点云与每一个邻近点云的法线夹角、法线夹角所对应的平滑阈值、所有邻近点云的曲率值及曲率值所对应的曲率阈值。
S41、将种子点云的半径圆内的所有邻近点云在一个局部平面上，通过最小二乘法拟合出所述局部平面方程为：z＝Ax+By+C，通过高等数学空间几何知识可知，若平面方程为Ax+By+Cz+D＝0，则平面的法向量就是(A,B,C)，
其中，A、B分别为局部平面方程未知数x、y前的系数，C为常数，且C是任意常数，每个点所对应的法向量都是不同的，C自然也不同，不同的点其对应的常数C是不同的，但是如果确定了哪一个点c就是不变常数。
S42、根据所述拟合出的局部平面方程，得到偏差平方和d，其中，d＝d(A,B,C)；
S43、分别对A,B,C求偏导得，结果分别为公式(4)、(5)、(6)：
令，得到：
记：
S44、获得所述偏差平方和d的最小值所对应的系数A、系数B，此时的A，B，C组成的向量即为种子点云的法向量，具体的将公式(9)、(10)、(11)式带入公式(8)中，得：
邻近点云的法向量和种子点云法向量的夹角θ，则夹角θ的计算公式为：
S45、计算出所有的n个点云的法向量和种子点云法向量的角度θ1，θ2，θ3，…，θn，
通过公式(14)计算出夹角的平均值
所述曲率阈值的计算公式为：
其中，kpi表示第i个邻近点云的曲率，将为曲率阈值。
其中，θi为第i个邻近点云的法向量与种子点云法向量的夹角，即平滑阈值为
S5、设置一空的种子点云序列、空的聚类区域。
即为针对一个点云序列和聚类区域的初始化操作，使其内容为空，便于进行下一步点云数据的存储和排列。
S6、针对第一邻近点云，判断目标夹角是否小于所述平滑阈值，如果是，将该邻近点云加入到聚类区域中，其中，所述目标夹角为所述第一邻近点云的法线与所述当前种子点云的法线所形成的夹角，所述第一邻近点云为所述当前种子点云的任意一个邻近点云。
通过第一邻近点云的法线与所述当前种子点云的法线所形成的夹角来判断该点云是加入到聚类区域中还是不进行处理，如果目标夹角小于所述平滑阈值，则将该邻近点云加入到聚类区域中，否则，该邻近点云不进行处理，如果不进行处理则该邻近点云保持不变。
具体的，如果目标夹角大于所述平滑阈值，则将该邻近点云保持不变，即不做处理。
S7、针对所述聚类区域中的邻近点云，获取所有曲率值小于曲率阈值的第二邻近点云，删除当前种子点云，并将所述第二邻近点云加入到种子点云序列。
针对步骤S6所获得的聚类区域中的邻近点云，在对其中的邻近点云进行曲率值和曲率阈值的比较，获取曲率值小于曲率阈值的第二邻近点云，并将第二邻近点云加入到种子点云序列中进行备用。具体的，将种子点云序列作为种子点云进行备用。
S8、判断种子点云序列是否为空，如果否，从所述种子点云序列中选取任意一种子点云作为当前种子点云，返回步骤S4执行，如果是，分割结束。
进而在种子点云序列不为空的情况下，重复执行步骤S4-S7，直至种子点云序列中的种子点云为空，这样，就对离散点云中的每一个点云进行处理。对离散点云中的每一个点云来说，要么作为不需要处理的点云，要么加入到聚类区域中，作为当前种子点云被删除或者加入到种子点云序列中作为下一个当前种子点云进行执行步骤S4-S7的循环处理，从而得到所有的处理结果且在这个过程中，完全不需要人为的参与，是一个全自动的执行过程，能够提高数据处理的速度。
本发明的点云分割方法还包括对所述精简处理后的点云利用kd-tree方式建立离散点云之间的拓扑关系，实现基于邻域关系的快速查找。
具体的，请参阅图3和图4，图3和图4显示为本发明的一个实施例的kd-tree的原理图。利用kd-tree方式建立离散点云之间的拓扑关系，首先计算a维度上的中值点为1点，将此点作为根节点，通过1点将点云数垂直划分为两个区域，比1点小的划分到左子树中，比1点大的划分到右子树中，因此2，4，5点为左子树点，而3，6，7点为右子树点；计算左右子树中b维的中值点分别为2，3点，再沿b维度将两个子树划分为两个子空间；以此类推，分别计算所有子树中c维度的中值点，再沿c维度进行划分，直至最后一个子树由一个节点组成为止。
此外，本发明实施例还公开了一种点云分割装置，所述装置包括：
采集单元，用于采集点云数据，并对所采集到的点云数据进行滤波处理，得到滤波后的点云数据；
精简单元，用于对所述滤波后的点云数据进行精简处理，得到精简处理后的离散点云；
计算单元，用于计算所有离散点云的曲率，并获取曲率中的最小值，将最小值对应的离散点云作为当前种子点云；
第一获取单元，用于以预设半径为尺寸，获取所述当前种子点云的预设半径圆邻域内的所有邻近点云，并计算：所述当前种子点云与每一个邻近点云的法线夹角、法线夹角所对应的平滑阈值、所有邻近点云的曲率值及曲率值所对应的曲率阈值；
设置单元，用于设置一空的种子点云序列、空的聚类区域；
第一判断单元，用于针对第一邻近点云，判断目标夹角是否小于所述平滑阈值，如果是，将该邻近点云加入到聚类区域中，其中，所述目标夹角为所述第一邻近点云的法线与所述当前种子点云的法线所形成的夹角，所述第一邻近点云为所述当前种子点云的任意一个邻近点云；
第二获取单元，用于针对所述聚类区域中的邻近点云，获取所有曲率值小于曲率阈值的第二邻近点云，删除当前种子点云，并将所述第二邻近点云加入到种子点云序列；
第二判断单元，用于判断种子点云序列是否为空，如果否，从所述种子点云序列中选取任意一种子点云作为当前种子点云，与所述第一判断单元连接，直至分割结束。
以及，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项点云分割方法的步骤。
此外，本发明实施例还提供了一种终端，包括处理器存储器，存储器存储有程序指令，处理器运行程序指令实现任一项所述点云分割方法中的步骤。
具体的，所述终端可以为手机或平板电脑或台式电脑。所述处理器可以为中央处理器(Central Processing Unit，CPU)，所述存储器可以为随机存取存储器(RandomAccess Memory，RAM)类型的内部存储器，所述处理器、存储器可以集成为一个或多个独立的电路或硬件，如：专用集成电路(Application SpecificIntegrated Circuit，ASIC)。
综上所述，本发明首先对所采集到的点云数据进行滤波处理，得到的滤波后的点云数据，对所述滤波后的点云数据进行精简处理，得到精简处理后的离散点云，计算所有离散点云的曲率，并获取曲率中的最小值，将最小值对应的离散点云作为当前种子点云，以预设半径为尺寸，获取所述当前种子点云的预设半径圆邻域内的所有邻近点云，并计算：所述当前种子点云与每一个邻近点云的法线夹角、法线夹角所对应的平滑阈值、所有邻近点云的曲率值及曲率值所对应的曲率阈值。本发明加入了滤波算法，可以有效的对一些离主体较远的离群点进行去除，而且本发明在保证不影响点云数据特征的前提下，大大的提高了数据处理的速度。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种点云分割方法，其特征在于，所述点云分割方法包括：
S1、采集点云数据，并对所采集到的点云数据进行滤波处理，得到滤波后的点云数据；
S2、对所述滤波后的点云数据进行精简处理，得到精简处理后的离散点云；
S3、计算所有离散点云的曲率，并获取曲率中的最小值，将最小值对应的离散点云作为当前种子点云；
S4、以预设半径为尺寸，获取所述当前种子点云的预设半径圆邻域内的所有邻近点云，并计算：所述当前种子点云与每一个邻近点云的法线夹角、法线夹角所对应的平滑阈值、所有邻近点云的曲率值及曲率值所对应的曲率阈值；
S5、设置一空的种子点云序列、空的聚类区域；
S6、针对第一邻近点云，判断目标夹角是否小于所述平滑阈值，如果是，将该邻近点云加入到聚类区域中，其中，所述目标夹角为所述第一邻近点云的法线与所述当前种子点云的法线所形成的夹角，所述第一邻近点云为所述当前种子点云的任意一个邻近点云；
S7、针对所述聚类区域中的邻近点云，获取所有曲率值小于曲率阈值的第二邻近点云，删除当前种子点云，并将所述第二邻近点云加入到种子点云序列；
S8、判断种子点云序列是否为空，如果否，从所述种子点云序列中选取任意一种子点云作为当前种子点云，返回步骤S4执行，如果是，分割结束。
2.根据权利要求1所述的一种点云分割方法，其特征在于，所述采集点云数据的步骤，包括：
利用ZED双目相机采集点云数据。
3.根据权利要求1或2所述的一种点云分割方法，其特征在于，所述对所采集到的点云数据进行滤波处理的步骤，包括：
采用双边滤波算法，将点云数据中的任意一个点作为采样点；
取所述采样点的目标区域范围内的邻近采样点；
计算所述邻近采样点的加权平均值；
根据加权平均值修正所述采样点的位置。
4.根据权利要求3所述的一种点云分割方法，其特征在于，所述对所述滤波后的点云数据进行精简处理，得到精简处理后的离散点云的步骤，包括：
将待精简的点云数据创建为一个三维体素栅格；
在所述三维体素栅格中，在每个体素内用体素中所有点的重心来显示体素中其他点，以使得该体素内所有点用一个重心点进行表示，得到精简处理后的离散点云。
5.根据权利要求4所述的一种点云分割方法，其特征在于，计算所有离散点云的曲率，并获取曲率中的最小值，将最小值对应的离散点云作为当前种子点云的步骤，包括：
S31、利用所述离散点云中的第一点云与所述第一点云的多个邻近点云，计算所述第一点云的协方差矩阵，其中，所述第一点云为所述离散点云中的任意一个点云；
S32、根据所述协方差矩阵和单位矩阵，计算所述第一点云的协方差矩阵所对应的第一特征值、第二特征值和第三特征值，其中，所述第一特征值小于所述第二特征值，所述第二特征值小于所述第三特征值；
S33、根据所述第一特征值、所述第二特征值和所述第三特征值，计算所述第一点云的曲率；
S34、获取所计算的曲率中的最小值，并确定所述最小值所对应的点云，将所确定的点云确定为种子点云。
6.根据权利要求5所述的一种点云分割方法，其特征在于，以预设半径为尺寸，获取所述当前种子点云的预设半径圆邻域内的所有邻近点云，并计算：所述当前种子点云与每一个邻近点云的法线夹角、法线夹角所对应的平滑阈值、所有邻近点云的曲率值及曲率值所对应的曲率阈值的步骤，包括：
S41、将种子点云的半径圆内的所有邻近点云置在一个局部平面上，通过最小二乘法拟合出所述局部平面方程z，
z＝Ax+By+C
其中，A为局部平面方程未知数x的系数、B分别为局部平面方程未知数y的系数，C为常数；
S42、由所述局部平面方程z得到偏差平方和d，其中，(xi,yi,zi)为第i个点云的坐标；
S43：对所述偏差平方和d进行求导，求出所述偏差平方和d的最小值；
S44、获得所述偏差平方和d的最小值所对应的系数A、系数B，此时的A，B，C组成的向量即为种子点云的法向量；
S45、求出每个邻域点的法向量，从而可以得出各邻域点法向量与种子点云法向量的夹角θ，其中，为邻域点法向量 种子点云法向量，计算方法如下式所示：
求出所有夹角的平均值作为平滑阈值，计算方法如下式所示：
其中θi为第i个邻近点云的法向量与种子点云法向量的夹角。
7.根据权利要求6所述的一种点云分割方法，其特征在于，所述曲率阈值的计算公式为：
其中，kpi表示第i个邻近点云的曲率，将为曲率阈值。
8.一种点云分割装置，其特征在于，所述装置包括：
采集单元，用于采集点云数据，并对所采集到的点云数据进行滤波处理，得到滤波后的点云数据；
精简单元，用于对所述滤波后的点云数据进行精简处理，得到精简处理后的离散点云；
计算单元，用于计算所有离散点云的曲率，并获取曲率中的最小值，将最小值对应的离散点云作为当前种子点云；
第一获取单元，用于以预设半径为尺寸，获取所述当前种子点云的预设半径圆邻域内的所有邻近点云，并计算：所述当前种子点云与每一个邻近点云的法线夹角、法线夹角所对应的平滑阈值、所有邻近点云的曲率值及曲率值所对应的曲率阈值；
设置单元，用于设置一空的种子点云序列、空的聚类区域；
第一判断单元，用于针对第一邻近点云，判断目标夹角是否小于所述平滑阈值，如果是，将该邻近点云加入到聚类区域中，其中，所述目标夹角为所述第一邻近点云的法线与所述当前种子点云的法线所形成的夹角，所述第一邻近点云为所述当前种子点云的任意一个邻近点云；
第二获取单元，用于针对所述聚类区域中的邻近点云，获取所有曲率值小于曲率阈值的第二邻近点云，删除当前种子点云，并将所述第二邻近点云加入到种子点云序列；
第二判断单元，用于判断种子点云序列是否为空，如果否，从所述种子点云序列中选取任意一种子点云作为当前种子点云，与所述第一判断单元连接，直至分割结束。
9.一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，该程序被处理器执行时实现权利要求1至7任意一项所述点云分割方法的步骤。
10.一种终端，其特征在于，包括处理器存储器，存储器存储有程序指令，处理器运行程序指令实现如1至7任意一项所述点云分割方法中的步骤。
CN201811315070.0A 2018-11-06 2018-11-06 一种点云分割方法、装置、计算机可读存储介质及终端 Active CN109409437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811315070.0A CN109409437B (zh) 2018-11-06 2018-11-06 一种点云分割方法、装置、计算机可读存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811315070.0A CN109409437B (zh) 2018-11-06 2018-11-06 一种点云分割方法、装置、计算机可读存储介质及终端

Publications (2)

Publication Number Publication Date
CN109409437A true CN109409437A (zh) 2019-03-01
CN109409437B CN109409437B (zh) 2021-06-01

Family

ID=65472078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811315070.0A Active CN109409437B (zh) 2018-11-06 2018-11-06 一种点云分割方法、装置、计算机可读存储介质及终端

Country Status (1)

Country Link
CN (1) CN109409437B (zh)

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961512A (zh) * 2019-03-19 2019-07-02 汪俊 地形机载点云提取方法及装置
CN110009029A (zh) * 2019-03-28 2019-07-12 北京智行者科技有限公司 基于点云分割的特征匹配方法
CN110017840A (zh) * 2019-04-16 2019-07-16 百度在线网络技术（北京）有限公司 导航数据的处理方法和装置、电子设备、计算机可读介质
CN110264481A (zh) * 2019-05-07 2019-09-20 熵智科技(深圳)有限公司 一种箱体类点云分割方法与装置
CN110458174A (zh) * 2019-06-28 2019-11-15 南京航空航天大学 一种无序点云关键特征点精确提取方法
CN111445472A (zh) * 2020-03-26 2020-07-24 达闼科技成都有限公司 激光点云地面分割方法、装置、计算设备及存储介质
CN111496789A (zh) * 2020-04-23 2020-08-07 佛山科学技术学院 一种离线复杂曲面喷涂轨迹规划***及控制方法
CN111738086A (zh) * 2020-05-22 2020-10-02 上海交通大学 用于点云分割的构图方法、***及点云分割***、装置
CN111768482A (zh) * 2019-03-15 2020-10-13 财团法人工业技术研究院 拼贴扩充方法、编码器与解码器
CN111882598A (zh) * 2020-06-11 2020-11-03 广州万维创新科技有限公司 一种基于逐点生长的点云法矢一致性校准方法
CN111986308A (zh) * 2020-07-14 2020-11-24 武汉数字化设计与制造创新中心有限公司 基于点云法线与曲率变化双约束曲面误差显著点识别方法
CN112070816A (zh) * 2020-07-29 2020-12-11 深圳瀚维智能医疗科技有限公司 人体背部三维点云重建方法、装置及计算机可读存储介质
CN112906118A (zh) * 2021-03-12 2021-06-04 河北工业大学 一种虚实耦合环境下的建筑机器人远程作业方法
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
CN113052193A (zh) * 2019-12-27 2021-06-29 沈阳新松机器人自动化股份有限公司 机器人重定位方法及***
WO2021129317A1 (zh) * 2019-12-26 2021-07-01 华南理工大学 一种基于法向量的点云平滑光顺滤波方法
CN113191207A (zh) * 2021-04-08 2021-07-30 华中科技大学 一种基于多视角特征的工件识别方法和装置
CN113269791A (zh) * 2021-04-26 2021-08-17 西安交通大学 一种基于边缘判定与区域生长的点云分割方法
CN113465552A (zh) * 2021-06-29 2021-10-01 湖北中烟工业有限责任公司 一种包装盒的表面平面度检测方法及装置
CN113850854A (zh) * 2021-09-27 2021-12-28 北京理工大学 基于点面配准的平面检测方法
CN114066893A (zh) * 2022-01-17 2022-02-18 湖南视比特机器人有限公司 检测工件质量的方法、装置和***
CN114494301A (zh) * 2022-02-14 2022-05-13 北京智弘通达科技有限公司 一种基于机载雷达点云的铁路场景点云分割方法
CN115995013A (zh) * 2023-03-21 2023-04-21 江苏金恒信息科技股份有限公司 覆盖剂添加方法、装置、计算机设备和存储介质
CN117237428A (zh) * 2023-11-15 2023-12-15 南京航空航天大学 一种面向三维点云的数据配准方法、装置及介质
CN117291936A (zh) * 2023-11-27 2023-12-26 法奥意威(苏州)机器人***有限公司 点云分割方法、装置、设备和介质
CN117576087A (zh) * 2024-01-15 2024-02-20 海克斯康制造智能技术(青岛)有限公司 基于点云法线的物体表面凹凸性的检测方法
WO2024043406A1 (ko) * 2022-08-22 2024-02-29 한국전자기술연구원 스트리밍용 포인트 클라우드 압축 시스템 및 방법
CN117808703A (zh) * 2024-02-29 2024-04-02 南京航空航天大学 一种多尺度大型部件装配间隙点云滤波方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040075656A1 (en) * 2002-10-18 2004-04-22 Kimia Benjamin B. Method and apparatus for multi-dimensional shape representation via shock flows
CN105354829A (zh) * 2015-10-08 2016-02-24 西北农林科技大学 一种自适应的点云数据分割方法
CN108256417A (zh) * 2017-12-01 2018-07-06 西安电子科技大学 基于室外场景点云数据处理的违章建筑识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040075656A1 (en) * 2002-10-18 2004-04-22 Kimia Benjamin B. Method and apparatus for multi-dimensional shape representation via shock flows
CN105354829A (zh) * 2015-10-08 2016-02-24 西北农林科技大学 一种自适应的点云数据分割方法
CN108256417A (zh) * 2017-12-01 2018-07-06 西安电子科技大学 基于室外场景点云数据处理的违章建筑识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANH NGUYEN等: "《3D point cloud segmentation: A survey》", 《 2013 6TH IEEE CONFERENCE ON ROBOTICS, AUTOMATION AND MECHATRONICS》 *
何鄂龙 等: "《一种改进的空间上下文点云分类方法》", 《测绘学报》 *

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768482A (zh) * 2019-03-15 2020-10-13 财团法人工业技术研究院 拼贴扩充方法、编码器与解码器
CN109961512A (zh) * 2019-03-19 2019-07-02 汪俊 地形机载点云提取方法及装置
CN110009029A (zh) * 2019-03-28 2019-07-12 北京智行者科技有限公司 基于点云分割的特征匹配方法
CN110017840A (zh) * 2019-04-16 2019-07-16 百度在线网络技术（北京）有限公司 导航数据的处理方法和装置、电子设备、计算机可读介质
CN110264481A (zh) * 2019-05-07 2019-09-20 熵智科技(深圳)有限公司 一种箱体类点云分割方法与装置
CN110264481B (zh) * 2019-05-07 2022-05-20 熵智科技(深圳)有限公司 一种箱体类点云分割方法与装置
CN110458174A (zh) * 2019-06-28 2019-11-15 南京航空航天大学 一种无序点云关键特征点精确提取方法
WO2021129317A1 (zh) * 2019-12-26 2021-07-01 华南理工大学 一种基于法向量的点云平滑光顺滤波方法
CN113052193A (zh) * 2019-12-27 2021-06-29 沈阳新松机器人自动化股份有限公司 机器人重定位方法及***
CN113052193B (zh) * 2019-12-27 2023-07-11 沈阳新松机器人自动化股份有限公司 机器人重定位方法及***
CN111445472A (zh) * 2020-03-26 2020-07-24 达闼科技成都有限公司 激光点云地面分割方法、装置、计算设备及存储介质
CN111445472B (zh) * 2020-03-26 2023-05-12 达闼机器人股份有限公司 激光点云地面分割方法、装置、计算设备及存储介质
CN111496789B (zh) * 2020-04-23 2021-09-28 佛山科学技术学院 一种离线复杂曲面喷涂轨迹规划***及控制方法
CN111496789A (zh) * 2020-04-23 2020-08-07 佛山科学技术学院 一种离线复杂曲面喷涂轨迹规划***及控制方法
CN111738086A (zh) * 2020-05-22 2020-10-02 上海交通大学 用于点云分割的构图方法、***及点云分割***、装置
CN111882598A (zh) * 2020-06-11 2020-11-03 广州万维创新科技有限公司 一种基于逐点生长的点云法矢一致性校准方法
CN111986308A (zh) * 2020-07-14 2020-11-24 武汉数字化设计与制造创新中心有限公司 基于点云法线与曲率变化双约束曲面误差显著点识别方法
CN111986308B (zh) * 2020-07-14 2023-09-01 武汉数字化设计与制造创新中心有限公司 基于点云法线与曲率变化双约束曲面误差显著点识别方法
CN112070816A (zh) * 2020-07-29 2020-12-11 深圳瀚维智能医疗科技有限公司 人体背部三维点云重建方法、装置及计算机可读存储介质
CN112070816B (zh) * 2020-07-29 2024-04-05 深圳瀚维智能医疗科技有限公司 用于按摩设备的人体背部三维点云重建方法、装置及计算机可读存储介质
CN113012161B (zh) * 2021-03-05 2023-04-28 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
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
CN112906118A (zh) * 2021-03-12 2021-06-04 河北工业大学 一种虚实耦合环境下的建筑机器人远程作业方法
CN113191207A (zh) * 2021-04-08 2021-07-30 华中科技大学 一种基于多视角特征的工件识别方法和装置
CN113269791A (zh) * 2021-04-26 2021-08-17 西安交通大学 一种基于边缘判定与区域生长的点云分割方法
CN113465552A (zh) * 2021-06-29 2021-10-01 湖北中烟工业有限责任公司 一种包装盒的表面平面度检测方法及装置
CN113850854A (zh) * 2021-09-27 2021-12-28 北京理工大学 基于点面配准的平面检测方法
CN114066893A (zh) * 2022-01-17 2022-02-18 湖南视比特机器人有限公司 检测工件质量的方法、装置和***
CN114494301A (zh) * 2022-02-14 2022-05-13 北京智弘通达科技有限公司 一种基于机载雷达点云的铁路场景点云分割方法
WO2024043406A1 (ko) * 2022-08-22 2024-02-29 한국전자기술연구원 스트리밍용 포인트 클라우드 압축 시스템 및 방법
CN115995013A (zh) * 2023-03-21 2023-04-21 江苏金恒信息科技股份有限公司 覆盖剂添加方法、装置、计算机设备和存储介质
CN117237428A (zh) * 2023-11-15 2023-12-15 南京航空航天大学 一种面向三维点云的数据配准方法、装置及介质
CN117237428B (zh) * 2023-11-15 2024-02-20 南京航空航天大学 一种面向三维点云的数据配准方法、装置及介质
CN117291936A (zh) * 2023-11-27 2023-12-26 法奥意威(苏州)机器人***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***有限公司 点云分割方法、装置、设备和介质
CN117576087A (zh) * 2024-01-15 2024-02-20 海克斯康制造智能技术(青岛)有限公司 基于点云法线的物体表面凹凸性的检测方法
CN117808703A (zh) * 2024-02-29 2024-04-02 南京航空航天大学 一种多尺度大型部件装配间隙点云滤波方法
CN117808703B (zh) * 2024-02-29 2024-05-10 南京航空航天大学 一种多尺度大型部件装配间隙点云滤波方法

Also Published As

Publication number Publication date
CN109409437B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN109409437A (zh) 一种点云分割方法、装置、计算机可读存储介质及终端
CN104700451B (zh) 基于迭代就近点算法的点云配准方法
CN110363719B (zh) 一种细胞分层图像处理方法及***
CN103310481B (zh) 一种基于模糊熵迭代的点云精简方法
CN109903319B (zh) 一种基于多分辨率的快速迭代最近点配准算法
CN108665491A (zh) 一种基于局部参考点的快速点云配准方法
CN115222625A (zh) 一种基于多尺度噪声的激光雷达点云去噪方法
CN109712160B (zh) 基于广义熵结合改进的狮群算法实现图像阈值分割方法
CN106097313B (zh) 图像分割方法及装置
CN109712161A (zh) 一种图像分割方法、装置、设备及存储介质
CN112270332A (zh) 一种基于子流稀疏卷积的三维目标检测方法及***
CN108961385B (zh) 一种slam构图方法及装置
CN109766866B (zh) 一种基于三维重建的人脸特征点实时检测方法和检测***
CN105231978A (zh) 一种引导式虚拟内窥镜导航方法
Faion et al. Recursive Bayesian pose and shape estimation of 3D objects using transformed plane curves
CN106991660A (zh) 基于改进型八叉树分解的三维超声图像数据抽样方法
CN108510591A (zh) 一种基于非局部均值与双边滤波的改进泊松曲面重建方法
CN109416743A (zh) 一种用于识别人为动作的三维卷积装置
CN108447038A (zh) 一种基于非局部全变分算子的网格去噪方法
CN117011175A (zh) 一种矿山三维模型点云数据组合滤波方法及介质
CN115409950B (zh) 一种面绘制三角网格的优化方法
CN109448107A (zh) 基于球坐标的植物果实点云重建方法
CN104794747A (zh) 一种基于射线原理的三维点云数据精简算法
CN112613528B (zh) 一种基于显著性变分的点云精简方法、装置及存储介质
CN113077504A (zh) 基于多粒度特征匹配大场景深度图生成方法

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