论文部分内容阅读
近年来,随着三维扫描技术的不断发展,三维点云的处理算法逐渐成为研究的热点。相比于传统的二维图像,三维图像包含更多空间结构和特征信息,更易于机器理解场景内的空间结构,实现场景语义化。而要想机器能够正确理解场景信息,就要对三维点云地图进行分割,将场景内不同对象分割开,为后续处理打下基础。三维点云的分割对于物体分类、识别、定位导航等自动化任务至关重要,分割的结果直接影响到下一步的处理任务。本文主要研究和对比了主流的点云分割算法,结合当前室内场景和室外场景中点云的数据特点和分割中存在的主要问题,对这两种场景下的分割算法做出相应的改进,并进行实验验证。本文的主要工作如下:(1)首先介绍了点云分割的研究现状和一些主流的分割方法、点云分割的应用场景,以及点云滤波、点云配准等点云预处理方法,这是进行点云处理的基础。其中详细介绍了点云的超体素聚类方法,为本文提出的一种改进的基于局部表面凸性的分割算法奠定基础。(2)在室内场景的分割中,主要存在以下问题:(a)场景内物体形状相似且距离较近时难以分割。(b)场景内存在噪声点较多时,传统的区域增长方法在选取种子点时受噪声影响较大,容易导致误分割现象。因此本文引入维度特征,提出了一种改进的将局部表面凸性和维度特征相结合的分割算法,针对区域增长种子点的选取、增长规则以及处理过程上做了一些改进,并且在处理前利用随机采样一致(RANSAC)方法去掉场景中的桌面等平面,并通过实验对比了原算法与本文算法的效果,结果表明本文算法能在一定程度上减少误分割的现象。(3)在室外场景中,对点云处理的速度要求较高,原始算法计算量大,无法满足实时性的需求。针对这一问题,结合场景的特殊性,我们提出了一种室外场景点云分割算法:首先对RANSAC方法进行改进,去除地面点云数据,再将余下数据通过聚类的方式分割开。由于RANSAC算法是随机采样,经常会采样到非地面点,造成不必要的计算。利用地面点云数据的特点,选取传感器附近、且高度低于固定值的数据作为样本,并且减少迭代次数,提高处理效率。通过实验验证,每一帧的处理时间大概在60ms左右,可基本满足实时性的要求。