[发明专利]基于平面度约束的点云分割方法和系统

说明书

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。

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；