[发明专利]一种基于统计和凹凸性的点云数据集构建方法及装置

说明书

本发明涉及计算机视觉、点云分割技术领域，提供了一种基于统计和凹凸性的点云数据集构建方法及装置。目的在于将传统点云分割方法应用于深度学习数据集的构建，解决深度学习点云数据集匮乏的问题。主要方案包括，步骤1：获取目标原始点云数据，进行基于特征的滤波去噪；步骤2：第一次聚类，对点云进行超体聚类过分割，得到体素块集合；步骤3：第二次聚类，对步骤2获得的各体素块进行LCCP聚类，得到LCCP聚类集合；步骤4：第三次聚类，基于点特征直方图对LCCP聚类集合进行条件欧几里得聚类，得到最终聚类集合；步骤5：根据最终聚类集合的结果将点云进行标记，组织文件得到点云数据集。

技术领域

本发明涉及计算机视觉、点云分割技术领域，提供了一种基于统计和凹凸性的点云数据集构建方法及装置。

背景技术

近年来，深度传感器和三维激光扫描仪的普及推动了三维点云处理方法的快速发展。点云分割作为点云数据处理与分析的基础技术，成为自动驾驶、导航定位、智慧城市、医学影像分割等领域的研究热点。

点云分割是把点云分为若干个特定的、具有独特性质的区域并识别出点云内容的技术。传统的点云分割方法大多是通过提取三维形状几何属性的空间分布手工提取特征，构建相应的判别模型实现分割。手工提取的特征主要依靠设计者的先验知识以及手工调动参数，限制了大数据的使用。伴随着大型三维模型数据的出现和GPU计算能力的不断迭代更新，深度学习在点云分割领域逐渐占据了绝对主导地位。

但是基于深度学习的分割方法需要大量的数据对模型进行训练且需要大量的计算资源，目前已有的数据集并不能满足语义分割发展的需求，因此构建数据量丰富、有效且全面的数据集是目前语义分割的首要条件。而且，现有的三维数据集大部分局限在室内场景以及城市街道场景，例如图1所示的Matterport3D数据集。有标注且内容丰富的户外点云场景、遥感和机械零件等针对各领域的专门数据集相对较少，建立一套标准的数据集构建方法对构建针对各领域需求的数据集，以及加速深度学习技术在三维领域的发展十分必要。

目前，构建点云数据集的主要方法是首先通过标注软件对点云进行标注，然后按照深度学习模型的输入要求将数据组织成文件。其中最耗时耗力的工作就是点云标注，主流的标注软件有semantic-segmentation-editor等，但是都需要人工逐点操作，工作量大、效率低。为了提高标注效率，首要目标就是实现点云的精细预分割，将人工因素压缩到最小以实现数据的批量处理。

目前的点云分割方法主要分为传统方法和基于深度学习的方法两大类。

传统的点云分割方法主要分为以下4种：

一、以边缘为基础的分割方法：这种方法通过计算梯度检测表面上单位法向量方向的变化，或者计算点云强度，根据单位法向量或者点云强度变化来确定点云区域的边界，从而得到分割块，但是点云分割块边缘的损失会偏大，准确度也不能得到保证，原因在于边缘对于噪声、不均匀或稀疏的点云非常敏感。

二、区域生长算法：即根据点云法线、曲率估计算法获得其法线和曲率值，通过法线和曲率来判断某点是否属于该类，进而获取点云的不同分割区域，但存在分割过度或者分割不足的问题。

三、基于属性的分割算法：使用点云属性作为聚类阈值得到分割结果，但是过于依赖点云密度且相当耗时。

四、以模型为基础的分割方法：通过将提取的特征与存储在数据库中的场景相匹配来执行物体的分割，这种算法强烈依赖于检测测试场景和存储模型之间的重复性的、可靠的和描述性特征，以及相应的准确特征，当场景点云数量较大时，算法执行起来需要大量的时间和计算。

LCCP(Locally Convex Connected Patches)算法在区域生长算法的基础上做了进一步工作，通过距离以及法线信息分析体素块之间的凹凸性关系，比前述4类传统方法有更高的分割精度和效率，也能够分割发生接触或者层叠的点云。算法大致可以分成两个部分：基于超体聚类的过分割和在超体聚类基础上的再聚类。