[发明专利]一种基于反馈控制的交互式点云分割方法

说明书

本发明公开了一种基于反馈控制的交互式点云分割方法。该方法如下：根据基于区域增长的点云分割原理确定反馈状态，设计反馈控制框架及其数学概念表达式；对用户输入的点云进行处理，并扩散输入效果；根据用户输入和预估分割结果表达式，利用李雅普诺夫直接法确定预估分割表达式的控制律，使得预估分割结果趋向于理想分割结果；利用李雅普诺夫直接法确定输出分割表达式的控制律，使得输出分割的结果跟踪预估分割结果，得到用户期望的点云分割结果。本发明从反馈控制角度分析交互式点云分割系统的稳定性和收敛性，提高了交互式分割的抗干扰能力，减少了用户交互；采用预估分割结果估计用户理想分割结果，提高了交互式分割的精确度。

技术领域

本发明涉及计算机视觉和反馈控制技术领域，特别是一种基于反馈控制的交互式点云分割方法。

背景技术

近年来，随着硬件三维扫描设备(激光扫描仪、深度扫描仪、Kinect等)的普及，可以针对不同的目标轻松地获取点云数据。此外，随着三维重建、AR/VR、3D打印等任务需求增加，点云数据的处理，尤其是点云分割得到了更为广泛的关注。由于点云数据自身的种种特性以及自动点云分割算法本身的局限性，自动点云分割往往达不到百分之百的精确度，无法完全满足用户需求。根据是否包含交互阶段，点云分割主要分为以下几类：

自动点云分割方法，主要包括使用纯数学模型和几何推理的传统分割方法和基于深度学习的点云分割。传统分割方法常用的有：计算边缘强度，参考强度阈值判断边缘；选定种子点，将附近邻域内具有相同属性的点集合在一起组成一个区域；对点云数据进行模型拟合，根据不同几何形状的数学模型对其进行分类。传统分割方法受几何约束、调参困难，且分割结果不可控。基于深度学习的分割方法从点云数据中提取特征，并使用深度学习/机器学习来学习不同类别的对象类型，然后使用结果模型对所获取的数据进行分类。基于深度学习的点云分割方法虽然可以提供更好的结果，但它们对GPU要求很高、训练模型需要大量的数据、运算速度通常很慢。当用户对分割结果不满意时，自动点云分割方法不能实时交互，修正分割结果。

交互式点云分割方法，通常是由用户添加前景背景约束，在此基础上运行分割算法。若是分割结果不满足要求则继续添加约束，直至得到满意的结果。常用的方法有基于最小割(Min-Cut)的点云分割算法，该算法只能将数据分为前景/背景，并且不可继承前一次的分割结果；Lazy Snaping标记前景背景约束，可以将先前获得的分割结果作为新的种子点，进行下一次分割，但是没有分析整体系统的稳定性和收敛性，没有考虑过度的用户输入对分割结果造成的不利影响。

2018年，Zhu等(Zhu L,Karasev P,Kolesov I,et al.Guiding ImageSegmentation on the Fly:Interactive Segmentation From a Feedback ControlPerspective[J]//IEEE Transactions on Automatic Control.2018)在文献中提出了基于反馈控制的图像分割方法，从反馈控制的角度设计用户输入以及目标分割结果，给出了相应的控制律，并分析了用户输入对系统的稳定性以及收敛性的影响。但是该方法应用在图像分割领域，不适用于3D场景。

发明内容

本发明的目的在于提供一种鲁棒性强、交互效率高、精确度高的基于反馈控制的交互式点云分割方法。

实现本发明目的的技术解决方案为：一种基于反馈控制的交互式点云分割方法，包括以下步骤：

步骤1、根据基于区域增长的点云分割原理确定反馈状态，设计反馈控制框架，给出反馈控制框架的数学概念表达式；

步骤2、对用户输入的点云进行处理，并扩散输入效果；

步骤3、根据用户输入和预估分割结果表达式，利用李雅普诺夫直接法确定预估分割表达式的控制律，使得预估分割结果趋向于理想分割结果；