[发明专利]一种基于图的乱序场景下3D点云物体实例分割方法

说明书

本发明涉及基于图的乱序场景下3D点云物体实例分割方法，包括如下步骤：步骤1）对原始场景点云数据进行降采样和去噪；步骤2）提取场景点云的关键点，根据关键点之间的近邻关系构成关键点图；步骤3）基于所述关键点图完成点云的粗分割；步骤4）拟基于粗分割后的区域，构建方向包围盒，由方向包围盒的大小判断该区域是否需要细分割，并根据方向包围盒从场景中提取完整的目标点云；并在细分割阶段通过图节点的合并、图的割点的剔除，将相互粘连的零件点云分割后再根据方向包围盒从场景中提取完整的目标点云。有益效果：实现更有效地将粘连在一起的零件分离。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于图的乱序场景下3D点云物体实例分割方法。

背景技术

随着三维数据获取技术、机器视觉等技术的不断发展，3D点云数据在工业检测、医学图像处理、三维重建、机器人智能视觉作业、文物保护等领域已经被广泛应用。点云物体实例分割是点云数据处理的重要一环，即将点云数据集分为多个区域，使每个区域的点只属于同一个物体，分割后提取的目标可以用于目标识别、语义理解、目标定位等。由于点云数据采样密度不均匀、缺乏明确结构，点云物体实例分割面临着许多挑战，在乱序场景中，物体相互堆叠、粘连，更增加了分割的难度。如何通过分割算法将单个物体从场景中分离出来，以实现后续物体定位、识别、特征提取等，是处理乱序场景点云数据的关键问题。

传统的点云分割算法主要有：基于边缘的分割方法、基于模型拟合的分割方法、区域生长算法、欧氏聚类算法。基于边缘的分割方法速度快，但是容易受噪声和点云密度影响，导致分割精度较低；基于模型拟合的点云分割算法只适合处理形状规则的物体，在乱序场景中的适用性较差；区域增长算法对于种子点的选择比较敏感，分割效果受区域生长准则的阈值影响较大；欧氏聚类算法是工程中最常用的点云分割方法，根据点与点之间的欧氏距离进行归类，但需要预先设置距离阈值，阈值过大过小会导致不同程度的欠分割和过分割，影响最终的分割效果。

发明内容

本发明目的在于上述现有技术的不足，提供了一种基于图的乱序场景下3D 点云物体实例分割方法，具体由以下技术方案实现：

所述基于图的乱序场景下3D点云物体实例分割方法，包括如下步骤：

步骤1)对原始场景点云数据进行降采样和去噪；

步骤2)提取场景点云的关键点，根据关键点之间的近邻关系构成关键点图；

步骤3)基于所述关键点图完成点云的粗分割；

步骤4)拟基于粗分割后的区域，构建方向包围盒，由方向包围盒的大小判断该区域是否需要细分割；并在细分割阶段通过图节点的合并、图的割点的剔除，再通过并查集算法对剩余节点分类完成细分割；

步骤5)根据方向包围盒从场景中提取完整的目标点云。

所述基于图的乱序场景下3D点云物体实例分割方法的进一步设计在于，所述步骤2)中的关键点图，具体方式为：当两个点互为k近邻点时，将两点相连接构成边，设生成的图即为关键点图，表示为G(V,E)，V表示图的顶点集合，E 表示边的集合。

所述基于图的乱序场景下3D点云物体实例分割方法的进一步设计在于，所述步骤2)关键点的提取采用ISS算法。

所述基于图的乱序场景下3D点云物体实例分割方法的进一步设计在于，所述步骤3)中粗分割为：基于所述关键点图，对于关键点图每一条边，根据两端节点、边的中点这三个点在原始点云中周围点云分布密度的差异，构建动态判断条件，将误连接的、在点云物体之外的边判定为虚边并进行剔除操作，再应用并查集算法查找子图完成粗分割。

所述基于图的乱序场景下3D点云物体实例分割方法的进一步设计在于，粗分割的具体步骤及动态判断条件具体为：