基于平面度约束的点云分割方法和系统

摘要

本发明提供了一种基于平面度约束的点云分割方法和系统，包括：步骤1：通过RGBD深度相机获取点云数据，并在八叉树中铺开点云；步骤2：设置八叉树的最大尺度深度和节点最小点数量；步骤3：计算任一节点对应的点的平面度、平面法向量和离群点数；步骤4：以不同尺度的点云进行条件判断，若该节点符合预设条件，则定义为符合预设条件的叶子；步骤5：定义最大平面度、最小法向量夹角和最小包围框距离；步骤6：对相邻的叶子依照定义的值进行条件判断，将符合预设条件的叶子融合在一起，达到点云分割效果。本发明的算法对于点云连续无明显截断部分搜索效率高，分割效果好，运用了八叉树搜索，对于激光扫描得到的高精度数据有良好的计算效率。

说明书

技术领域

本发明涉及三维点云分割技术领域，具体地，涉及一种基于平面度约束的点云分割方法和系统。

背景技术

从二维图像理解三维世界是现如今计算机视的基本问题之一。随着技术的发展，RGBD相机，激光扫描仪被人们越来越广泛的运用在三维视觉领域。通常我们可以通过它们获取三维世界的点云信息，从而进一步的对现实世界中的物体，目标进行分析。如三维重构，目标识别，目标分割等技术手段。因而，点云分割则是其中一个重要的领域，很好的运用这项技术可以使得人们对原始点云数据中的信息有一个外在的理解。

传统的点云分割算法有基于聚类，基于邻近点的区域生长，基于点云频率，基于凹凸形的分割算法等。近来，深度学习也开始逐渐被运用在点云分割领域中。如专利CN107369161A提供了一种基于改进欧式聚类的散乱工件点云分割方法，该专利提出基于自适应邻域搜索半径的聚类方法，但本质上，仍是基于欧式聚类的方法，如点云之间边缘区分不明显的很难分割，而且，对于大数量级的点云信息，计算量过大。专利CN106204705A提供了一种基于多线激光雷达的3D点云分割方法，虽然利用了八叉树和区域生长提高了效率，但算法对于特定的系统如360°激光雷达依赖性较大，对于其他传感器得到的点云数据泛用性不强，并且区域生长部分考虑了全局点云信息，算法效率仍然有待提高。

专利文献CN111260735A(申请号：CN202010034949.9)公开了一种单次拍摄的LIDAR与全景相机的外参数标定方法，包括如下内容将LIDAR与全景相机固定在Robotnik移动机器人上。然后将多个棋盘放置于LIDAR与全景相机的共同视场下，一次拍摄收集单帧的全景图像与该帧全景图像对应的点云数据；接着，利用生长的棋盘角点检测算法，检测出全景图像的棋盘角点；对点云数据进行预处理，分割去除点云地面，分割点云平面、提取棋盘点云；基于点云的反射强度，估计出棋盘点云的棋盘角点；最后，通过定义从棋盘左下侧开始的角点共同计数顺序，建立全景图像的棋盘角点与点云的棋盘角点的几何约束方程，求解出外部校准参数。然而该专利对于点云之间边缘区分不明显的很难分割，而且，对于大数量级的点云信息，计算量过大。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于平面度约束的点云分割方法和系统。

根据本发明提供的基于平面度约束的点云分割方法，包括：

步骤1：通过RGBD深度相机获取点云数据，并在八叉树中铺开点云；

步骤2：设置八叉树的最大尺度深度和节点最小点数量；

步骤3：计算任一节点对应的点的平面度、平面法向量和离群点数；

步骤4：以不同尺度的点云进行条件判断，若该节点符合预设条件，则定义为符合预设条件的叶子；

步骤5：定义最大平面度、最小法向量夹角和最小包围框距离；

步骤6：对相邻的叶子依照定义的值进行条件判断，将符合预设条件的叶子融合在一起，达到点云分割效果。

优选的，所述步骤1包括：

步骤1.1：点云分辨率为1毫米，以2毫米的间距进行体素降采样，得到分布均匀的点云；

步骤1.2：对分布均匀的点云进行八叉树结构划分，八叉树最大包围框长度为lo

优选的，所述步骤3包括：

步骤3.1：计算平面度：s

其中，cov(s

当λz＝cov(s

步骤3.2：计算离群点条件：计算s

优选的，所述步骤4包括：

步骤4.1：对八叉树中深度大于d

步骤4.2：依据节点的平面度p

步骤4.3：重复步骤4.1-步骤4.2，直到遍历完点云中所有点。

优选的，所述步骤5包括：

步骤5.1：遍历完点云中所有点后得到叶片集合L，随机取L中的一个节点L

步骤5.2：若L

步骤5.3：对随机节点L

步骤5.4：在没有遍历过的L中的剩下节点中随机取另一个起始点，重复执行步骤5.1-步骤5.3，直到所有的节点都被遍历。

根据本发明提供的基于平面度约束的点云分割系统，包括：

模块M1：通过RGBD深度相机获取点云数据，并在八叉树中铺开点云；

模块M2：设置八叉树的最大尺度深度和节点最小点数量；

模块M3：计算任一节点对应的点的平面度、平面法向量和离群点数；

模块M4：以不同尺度的点云进行条件判断，若该节点符合预设条件，则定义为符合预设条件的叶子；

模块M5：定义最大平面度、最小法向量夹角和最小包围框距离；

模块M6：对相邻的叶子依照定义的值进行条件判断，将符合预设条件的叶子融合在一起，达到点云分割效果。

优选的，所述模块M1包括：

模块M1.1：点云分辨率为1毫米，以2毫米的间距进行体素降采样，得到分布均匀的点云；

模块M1.2：对分布均匀的点云进行八叉树结构划分，八叉树最大包围框长度为lo

优选的，所述模块M3包括：

模块M3.1：计算平面度：s

其中，cov(s

当λz＝cov(s

模块M3.2：计算离群点条件：计算s

优选的，所述模块M4包括：

模块M4.1：对八叉树中深度大于d

模块M4.2：依据节点的平面度p

模块M4.3：重复调用模块M4.1-模块M4.2，直到遍历完点云中所有点。

优选的，所述模块M5包括：

模块M5.1：遍历完点云中所有点后得到叶片集合L，随机取L中的一个节点L

模块M5.2：若L

模块M5.3：对随机节点L

模块M5.4：在没有遍历过的L中的剩下节点中随机取另一个起始点，重复调用模块M5.1-模块M5.3，直到所有的节点都被遍历。

与现有技术相比，本发明具有如下的有益效果：

1)本发明对于RGBD相机，激光扫描获取的不同类型的点云可复用分割逻辑；

2)本发明的算法对于点云连续无明显截断部分搜索效率高，分割效果好，由于运用了八叉树搜索，对于激光扫描得到的高精度数据有良好的计算效率；

3)本发明得利于只靠相邻节点判断融合点云，由于加入了多个限定条件，在减少计算量的同时能得到与传统八叉树全局判断融合点云的相同效果。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为RGBD相机得到的三维点云图；

图2为对应的深度为4的八叉树储存结构示意图；

图3为本发明方法流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

实施例：

在本发明的算法中用八叉树结构处理点云。如图1、图2所示，图1为RGBD相机得到的三维点云图，图2为对应的深度为4的八叉树储存结构。八叉树以最大包围框为起始，每个节点有八个子节点，深度为n，点储存在它的叶子上。这种结构可以利于找到并操作相邻节点的空间关系。以便于对点云中的一个点或多个点的邻域快速检索运用，获取它们的相关性。然后，以平面度为依据，对八叉树进行划分直到每一片定义的叶子都能对应一个局部的平面以及法向量。然后，通过对法向量相近的点云数据融达到分割效果。具体的，如图3，本算法包括如下步骤：

步骤1：点云S铺开在深度为n的八叉树O中，假设J为它的节点集合，L为它的叶片集合；

步骤2：设置最大尺度深度d

步骤3：计算某一节点J

步骤4：以不同尺度的点云进行条件判断。假设达到一定深度的八叉树节点J

步骤5：定义最大平面度p

步骤6：对相邻的叶子依照步骤5中的值进行条件判断，符合条件的叶子融合在一起，达到点云分割效果。

其中，步骤1包括如下步骤：

步骤1.1：图1中的点云分辨率为1毫米，以2毫米的间距对它进行体素降采样，得到分布均匀的点云S。

步骤1.2：假设对S进行八叉树结构划分，八叉树最大包围框长度为lo

步骤2包括如下步骤：

步骤2.1：八叉树O划分的点云S可以依据节点看作n个尺度的数据，如尺度不足，得到的数据密度和可靠度则不足。因此设定一个最大尺度d

步骤2.2：设置一个对每个节点的最小点数数量J

步骤3包括如下步骤：

步骤3.1：计算平面度：假设s

其中，cov(s

则当λz＝cov(s

步骤3.2：计算离群点条件：计算s

步骤4包括如下步骤：

步骤4.1：对于八叉树中深度大于d

步骤4.2：依据步骤3.1中得到节点的平面度描述p

步骤4.3：重复步骤4.1-步骤4.2直到遍历完点云中所有点。

步骤5包括如下步骤：

步骤5.1：在步骤4得到叶片集合L，随机取L中的一个节点L

步骤5.2：若L

步骤5.3：对随机节点L

步骤5.4：在没有遍历过的L中的剩下节点中随机取另一个起始点，重复步骤5.1-步骤5.3，直到所有的节点都被遍历。

根据本发明提供的基于平面度约束的点云分割系统，包括：模块M1：通过RGBD深度相机获取点云数据，并在八叉树中铺开点云；模块M2：设置八叉树的最大尺度深度和节点最小点数量；模块M3：计算任一节点对应的点的平面度、平面法向量和离群点数；模块M4：以不同尺度的点云进行条件判断，若该节点符合预设条件，则定义为符合预设条件的叶子；模块M5：定义最大平面度、最小法向量夹角和最小包围框距离；模块M6：对相邻的叶子依照定义的值进行条件判断，将符合预设条件的叶子融合在一起，达到点云分割效果。

所述模块M1包括：模块M1.1：点云分辨率为1毫米，以2毫米的间距进行体素降采样，得到分布均匀的点云；模块M1.2：对分布均匀的点云进行八叉树结构划分，八叉树最大包围框长度为lo

所述模块M3包括：模块M3.1：计算平面度：s

其中，cov(s

当λz＝cov(s

所述模块M4包括：模块M4.1：对八叉树中深度大于d

所述模块M5包括：模块M5.1：遍历完点云中所有点后得到叶片集合L，随机取L中的一个节点L

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。