[发明专利]基于规范性编码的复杂点云分割方法及系统

说明书

本发明公开了一种基于规范性编码的复杂点云分割方法及系统，所述方法包括：接收输入模板点云并进行标准化处理，获得预定格式的结构数据，结构数据包括模板点云整体结构数据及其各组成模块结构数据；根据目标点云模板，构建滑窗并在待分割点云中初步检测是否存在目标物体；判断滑窗内的点云数据是否与目标模板相符，判断是否为目标点云；对已检测到的目标点云，对目标点云进行标记后通过减小滑窗的移动距离进行优化匹配，获得最终的目标位置；根据模板点云各组成模块结构数据，调整滑窗大小，在目标点云中搜索模板点云各组成模块并标注。该方法可以高效地分割出点云，分割准确度高，且方法简单易实施。

技术领域

本发明属于计算机视觉与图像处理，尤其是点云分割技术。

背景技术

随着三维视觉的发展，物体三维信息的获得与处理受到越来越多的重视。使用三维传感设备获得物体点云数据后，对采集的点云数据进行有效分割是对物体三维处理的基础与前提。点云分割的目的是对杂乱无章的点云数据进行有效地划分，使每个点云的子集合具有相同或相近的属性，从而对感兴趣的子集合进行单独处理。点云分割在3D打印、虚拟现实、场景理解、智慧城市等领域有着广泛的应用。

传统的点云分割方法主要有基于边缘的分割算法，该算法通过检测边缘点的强度变化得到点云的边界，从而获取分割区域。该方法分割速度较快，但精度不高，并且对噪声敏感。针对边缘对噪声敏感的问题，现有技术一提供了基于区域增长的分割算法，该算法主要基于邻域的信息对相似点云进行归类，比较种子点与邻域点的法线夹角和邻域的曲率，小于阈值则满足生长要求，但算法过于依赖点云曲率和法线的变化，鲁棒性较差。现有技术二提出了基于正态估计的区域增长分割算法，采用多变量统计离群值在复杂3D模型中进行可靠的正态估计，对点云中的平面和非平面进行自动分割，该方法对有异常值和噪声的情况下效果比较好，但该类算法性能依赖种子的选取和区域增长策略，易产生过分割或分割不足的问题。现有技术三提出基于欧氏聚类算法下的点云数据分割，通过计算点云数据间的欧氏距离并确定阈值，对点云进行迭代至类间距大于阈值，该聚类算法比较稳定，但过于依赖点云的距离属性，并且在处理大规模点云数据时，时间复杂度高。

以上介绍的点云分割算法无先验信息，只能根据颜色、距离、法线或曲率等性质来判断同一分割类别，对于目标位于不连通区域，可能无法将同一类目标分割正确，技术人员提出了基于模型的分割算法，通过对点云进行局部采样和统计推理，并利用RANSAC来确定数据中的平面、圆柱体和曲面，该方法以数学原理为基础，速度快，但数学模型较为单一，先验信息不具有灵活性，无法处理大规模下的场景数据。现有技术四提出基于深度学习的点云分割，该方法通过训练样本获得先验信息，从而进行点云分割，但由于数据集样本大，训练时间长，算法效率较低。

发明内容

发明目的：提供一种基于规范性编码的复杂点云分割方法，以解决现有技术存在的上述问题。

技术方案：基于规范性编码的复杂点云分割方法，包括如下步骤：

步骤1、接收输入目标点云并进行标准化处理，获得预定格式的结构数据；

步骤2、根据目标点云模板，构建滑窗并在待分割点云中初步检测是否存在目标物体；

步骤3、判断滑窗内的点云数据是否与目标模板相符，判断是否为目标点云；

步骤4、对已检测到的目标点云，通过减小滑窗的移动距离进行优化匹配，获得最终的目标位置，并对目标点云进行标记。

步骤5、对已获得最终位置的目标点云，根据目标点云各组成模块大小调整滑窗，通过滑窗在目标点云中检测目标点云各组成模块，并对各组成模块进行标注。

在进一步的实施例中，所述步骤1进一步为：

步骤11、输入目标点云进行归一化处理；

步骤12、构建包含多个坐标系的标准坐标系集；