[发明专利]一种边缘感知的半自动点云目标分割方法

说明书

本发明涉及一种边缘感知的半自动点云目标分割方法。该方法首先运用了一种边界感知的Supervoxel分割，并以Supervoxel单元作为操作对象在较好保留边界信息的情况下对运算量进行削减；为了实现点云边界信息的利用，实现了对点云边界点的发现和对对于分割无意义的边界点的过滤并且提出了一种边界感知的MRF去考虑边界信息对分割的约束。本发明方法中提出的框架在准确分割点云场景中的目标时具有优越的性能。

技术领域

本发明属于计算机视觉领域，涉及计算机三维视觉领域，具体涉及一种边缘感知的半自动点云目标分割方法。

背景技术

随着深度扫描仪和激光扫描仪等三维扫描设备的快速发展和广泛使用，我们能快速便捷地获得大量、大范围的各种场景的高精密度的三维点云数据。三维点云数据具有可准确提供目标的空间和几何信息、与目标具有相同的尺寸和朝向及在收集过程中不受光照因素影响等特点。因此，三维点云数据在计算机视觉领域，获得了广泛的关注。然而当前，通过各种仪器、方式获取的三维点云数据受三维点云扫描设备存在的技术性困难限制，通常掺杂着一定数量的异常和噪声点，有着采样密度不均匀、三维点云数据无序、稀疏的缺点。此外，来自于自然场景的三维点云数据的统计分布特点是不固定、不鲜明的，可能会具有任意形式的符表面形状和分布。综上所述，三维点云数据分割的实现拥有广泛的应用需求和相当大技术难度，这也使得对三维点云分割同时成为研究的热点和难点问题，越来越被各大科技公司及科研院所所重视。

基于三维点云的场景理解一直是三维点云应用研究的热点，而基于深度学习和机器学习的三维点云场景需要大量手工标注的监督数据。然而，完全地手工进行这些监督数据的分割和标注需要耗费大量的时间和人力。高效且高质量的半自动点云分割算法是提高点云分割效率的一种有效方法。现有的半自动点云分割算法大多没有利用点云场景所包含的目标的边界信息，这使得在分割点云目标时场景所包含的边界信息被浪费，且在某些情况下，可能丢失分割结果的边界。

因此，本发明研究了如何在点云目标的半自动分割中提取和利用点云的边界信息并实现高效高质量的点云目标分割，提出了BASAS。该算法首先运用了一种边界感知的Supervoxel分割，并以Supervoxel单元作为操作对象在较好保留边界信息的情况下对算法的运算量进行削减。为了实现点云边界信息的利用，我们实现了对点云边界点的发现和对对于分割无意义的边界点的过滤并且提出了一种边界感知的MRF去考虑边界信息对分割的约束。

实验表明，本发明中提出的框架在准确分割点云场景中的目标时具有优越的性能。基于马尔可夫随机场的边界感知的半自动三维点云目标分割算法是高效、精确分割点云中三维目标物体的可行且有效的方法。

发明内容

本发明的目的在于提供一种边缘感知的半自动点云目标分割方法，

为实现上述目的，本发明的技术方案是：一种边缘感知的半自动点云目标分割方法，通过对点云边界信息的利用，实现对点云边界点的发现和对对于分割无意义的边界点的过滤，并提出一种边界感知的MRF去考虑边界信息对分割的约束，完成边界感知的半自动点云目标分割。

在本发明一实施例中，所述对对于分割无意义的边界点的过滤是利用不同尺度Supervoxel求得的边界点和由点云局部重心的偏移量求得的边界点取交集来逐步对无意义边界点进行过滤。

在本发明一实施例中，所述边界感知的MRF的能量函数被定义为以下形式：

其中，为数据项能量，为平滑项能量，为边界项能量，s和S分别代表超体素块和所有超体素块的合集，N_s是相邻的超体素块的集合，p和q代表相邻的两个超体素块，L_s、L_p和L_q分别代表超体素块s、p和q的标签，α和β是控制平滑能量项和边界能量项权重的参数。

在本发明一实施例中，所述边界项能量定义为以下公式：