基于区域增长方法的点云分割算法及环境搭建

发布时间：2021-06-14 19:23

　　随着机器视觉和图像处理技术的不断发展,点云分割是目标识别、点云分类以及三维重建的基础,分割结果对后续的场景分析有着极其重要的作用,成为现代机器视觉的热门研究领域。通过对三维点云数据处理,计算机能够更好的理解环境场景,为工作和生活提供便利,如物体的自动检测、场景建模、无人驾驶等。本文针对点云分割展开研究,通过使用基于区域增长的点云分割方法,降低了图像处理的计算量,同时实现了对点云数据的实时、精确有效分割。本文具体研究工作总结如下:在数据采集方面,利用双目视觉采集系统获得立体图像对,得到深度视差图,重建三维场景,将三维场景数据格式进行转换得到三维点云数据,输入算法进行点云分割。首先,对点云数据进行聚类过分割。三维空间下,点云数据聚类过分割是把采集的原始点云数据进行聚类算法处理,用来降低计算复杂度,消除噪声,提高分割精度。体素化处理三维点云数据,选取种子体素,利用聚类算法形成超体素,再对超体素数据进行平面拟合获取残差值,选取种子超体素,实现点云数据的过分割过程,完成聚类过分割。然后,基于区域增长算法进行分割。输入数据为过分割步骤得到的超体素,综合考虑空间连通性、表面光滑性以及表面几何特征等约... 

【文章来源】：河北工程大学河北省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

三维扫描高精度点云数据

河北工程大学硕士学位论文10图2-1三维扫描高精度点云数据Fig.2-13Dscanninghighprecisionpointclouddata三维点云数据是真实空间位置的三维信息坐标，通常以X、Y、Z的三维坐标形式表示，主要是指用于表示对象外部形状的三维坐标系的一系列矢量。一些点云也带有颜色信息或强度信息，颜色信息一般都是由硬件设施采集时获取的颜色，强度信息一般是来测量目标物体表面材料、入射角方向以及物体表面周围的粗糙度，用来接收的回波强度。由于硬件采集点云信息的设备不同，工作原理也不同，获取的点云数据因此也会有差别，一般点云数据是根据点云的不同分布特点方式来进行分类，将其分为如下四类：（1）无序散乱点云散乱点云大部分是没有一定规律分布的几何形状，呈现无序散乱的分布状态，无明显分布的拓扑结构，且分布密度不均匀，如图2-2所示。一般由扫描设备获取到的点云数据都有很高的精度，但是由于这些扫描设备往往价格昂贵且体积庞大不便携带，一般不被研究工作人员使用，常被用于对工作质量要求极高的国防军工设备。图2-2无序散乱点云Fig.2-2Disorderlyscatteredpointcloud

第2章点云分割相关理论和关键技术11（2）扫描线式点云扫描线式点云一般是三维扫描仪设备按照一条直线扫描轨迹采集到的点云数据集，大部分扫描线是有几条组成，按照扫描轨迹扫描出来的点云数据一般会按线性排列，且测量出来的点都在同一个扫描平面内，但每条直线对应的扫描点是无规则的，如图2-3所示。图2-3扫描线式点云Fig.2-3Scanninglinepointcloud（3）网格化型点云网格化型点云中的点是以矩阵分布的方式存在的有序点云数据，又叫作阵列式点云。这种点云数据一般是由Kinect深度相机或立体摄像机采集到的有序点云数据，其中的每个点都均匀对应矩阵网格中的一个顶点，然后这些数据经过网格插值处理得到阵列式点云，如图2-4所示，这样的点云数据采集方便，适合研究人员工作使用。图2-4网格化型点云Fig.2-4Gridpointcloud（4）多边形点云多边形点云也是有序点云数据的一种，由三维扫描仪测出的点云数据排列在互相平行的平面内，通过直线线段把处于同一平面上的两个距离最近的点连接起

【参考文献】：
期刊论文
[1]激光雷达的应用及发展趋势[J]. 赵一鸣,李艳华,商雅楠,李静,于勇,李凉海.  遥测遥控. 2014(05)
[2]工业机器人及智能制造发展现状分析[J]. 张铁.  机电工程技术. 2014(04)
[3]基于Kinect深度信息的实时三维重建和滤波算法研究[J]. 陈晓明,蒋乐天,应忍冬.  计算机应用研究. 2013(04)
[4]番茄植株三维形态精确重构研究[J]. 袁晓敏,赵春江,温维亮,郭新宇,陆声链,魏学礼.  农业机械学报. 2012(12)
[5]基于Kinect系统的场景建模与机器人自主导航[J]. 杨东方,王仕成,刘华平,刘志国,孙富春.  机器人. 2012(05)
[6]基于全局关系探测的几何体一致拟合[J]. 李扬彦,吴晓堃,陈宝权.  计算机辅助设计与图形学学报. 2012(01)
[7]图像特征提取方法的综述[J]. 王志瑞,闫彩良.  吉首大学学报(自然科学版). 2011(05)
[8]图像边缘分割算法的优化研究与仿真[J]. 向方,王宏福.  计算机仿真. 2011(08)
[9]双目立体视觉的目标识别与定位[J]. 尚倩,阮秋琦,李小利.  智能系统学报. 2011(04)
[10]一种自适应的区域生长算法用于道路分割[J]. 肖晓明,马智,蔡自兴,唐琎.  控制工程. 2011(03)

博士论文
[1]灰度图像阈值分割的自适应和快速算法研究[D]. 阳树洪.重庆大学 2014

硕士论文
[1]基于局部表面凸性的散乱点云分割算法研究[D]. 王雅男.中国科学院长春光学精密机械与物理研究所 2016
[2]机载LiDAR点云滤波及分类算法研究[D]. 李炼.成都理工大学 2014



本文编号：3230179