一种三维点云模型的分割方法与流程

本发明属于三维虚拟重建
技术领域：
，涉及一种三维点云模型的分割方法。
背景技术：
：随着三维激光扫描技术的发展，各种三维激光扫描设备层出不穷，使得获取目标对象的三维几何数据信息更加方便，同时获取的数据精确度也在增加，推动了遥感技术、文物研究、逆向工程研究等多个领域的发展。通常，经扫描得出的三维点云数据还需进行处理，其中尤为重要的一步便是点云分割。点云分割是指根据点云的几何特征和空间特征对三维点云进行按区域划分，使得同一个区域内的点云具有相近的属性特征。现有点云分割的方法针对物体外部构件分解，主要包括：基于边界、基于面、基于骨架以及基于数据驱动的分割方法。基于边界和基于面都是从表面入手，分割后的结果多是分块的曲面，没有考虑物体结构的几何形状，从模型整体上看无法有效保证分解后的各子部分是有意义的部分；基于骨架的分割多是从模型内部入手，将物体空间结构进行分割，能够将模型分割成独立的部分，但是缺乏模型表面特征信息，易导致物体分割后的不同部分的连接细节处并不完全符合人的视觉；基于数据驱动的物体分割方法需要大量的手工标记数据去训练分类器，在数据模型较少的情况下，无法获得满意的分割效果，普适性不足。技术实现要素：本发明的目的是提供一种三维点云模型的分割方法，解决了现有技术中存在的对不规则数据表面存在的小范围凸面体，细节特征分割不出来的问题。本发明所采用的技术方案是，一种三维点云模型的分割方法，按照以下步骤实施：步骤1，对三维点云模型进行骨架点提取并分割；步骤2，获取三维点云模型的外部特征点；步骤3，联合骨架点的分割点和外部特征点构建分割平面进行分割；步骤4：对经步骤2的外部特征点进行检查，若还有剩余，补充外部特征点再进行分割。步骤1具体为：步骤1.1，对输入的点云数据进行骨架点的提取；步骤1.2，将步骤1.1得到的骨架点利用基于八叉树的区域增长算法进行分割。在步骤2.1，根据二维图像的方向梯度和角度，将此公式扩展到三维层面上，即可得到三维空间当中一点梯度和角度；α代表着二维过渡到三维的偏离角度，由于m2d总为正，即可得出α所处的区间为相比于二维图像，多增加了一个参数值，表示三维上的梯度方向；步骤2.2，在给定关键点的三维邻域内构建加权直方图，利用经线和纬线对三维邻域进行划分，同时对方位角进行标准化，以避免从二维数据扩展到三维数据而产生的偏差；添加到直方图的实际值如公式(4)所示，其中(x,y,z)代表关键点的坐标，(x0,y0,z0)代表添加到方向直方图的位置，利用公式即可计算直方图的实际值；步骤2.3，计算sift描述符，首先以关键点为中心旋转其三维邻域，使得三维邻域的主方向指向α＝θ＝0的方向，此步骤用矩阵(6)转换实现：以关键点为中心，将关键点的邻域划分成4×4的小邻域空间，计算每个小邻域8个方向梯度直方图的累加值，即可得到一个128(4×4×8)维的特征向量作为此关键点的sift描述子。在步骤3.1，把原始点云数据读取到一个集合a中，骨架点读取到一个集合b中，外部特征点存放在一个集合c中，扫描集合b中的每一个点，如果集合b中一点bi是分割点，则以bi点为中心扫描邻近集合c中的关键点，bi与ci共同拟合成平面mi，其法向量为vi，得到分割平面，步骤3.2，对于步骤3.1得到的分割平面，若不规范待分割的方向以及分割平面的区域范围，则无法确定要把数据的哪个部分分割出来，或是造成分割出的这部分数据中包含应属于其他部分的数据；再对bi进行判定，如果bi点是端点，则将bi点存放在集合e中；从端点ei开始到此分支另一端连接点处所有点的集合记为集合p，此集合中的连接点即为pi,遍历集合a所有的点，找出距离pi最近的点m，过点点pi+1与pipi+1为法向量构建平面l，从点m开始对邻近点进行区域增长，直至平面l的点，则停止，此部分为分割出的部分；在步骤4.1，在剩余的外部特征点集合c中，提取出其中某一点ci，由于三点即可构成一个平面，以ci为中心点，最大半径为r，搜索距离ci最近的两个点cj和cn；步骤4.2，如果在半径r内寻找不到两个点，则停止，选择另一个点ci+1，重新开始上一个步骤，以ci，cj，cn构成分割平面。步骤1.1，具体过程是，首先对输入的点云数据利用洗牌算法进行随机下采样；先进行条件正则化，然后进行骨架收缩，再进行基于密度的加权，对于有缺失的点云数据，还需增加一步，定义中心位，才能完成整个过程；在步骤1.1中，条件正则化的具体步骤为：给出一系列乱序的点集以及从q中随机下采样得到的点集利用最优化公式可得出一系列骨架点集，式中：i，j为点的数量，θ(r)是高斯权重函数当公式(1)中的能量梯度为0时，代入其中即可得到如下公式：式中：γi是控制输入点的引力和采样点的斥力之间的平衡参数，σi为分布度量；在公式(2)中，根据线性代数即可得到关于x的解集x＝a-1bq，然后进行迭代，其中且k＝0,1,...,可以得到如下公式：接下来，即可设置参数的取值，完成条件正则化。在的步骤1.1，迭代收缩骨架的具体步骤为：给定邻域大小h，即可生成一系列点x＝{xi}i∈i，代表局部邻域的l1中值点，在一些情况下，这些点可以直接代表骨架点，在一些复杂数据的条件下，这些点仅代表骨架的分支点，则需要进行迭代收缩。确定标记的点是否是收缩后的点，利用条件正则化的步骤确定σi的方法，先计算所有的非分支点xi，然后平滑这些点并剔除噪声点。在步骤1.1中，对于一些点云密度不均匀的数据，则局部中心往往会偏向于密度较高的区域，导致输出的点云骨架点位置在切面方向上发生位移，造成结果上的偏差，因此需要对密度进行加权，基于密度进行加权的具体步骤为：将输入的点云集中的每个点qj的加权局部密度定义为如下公式：将其带入到公式(3)中，即可得到通过公式(5)第一项中的加权局部密度可以有效地减少密度不均匀区域的收缩影响，此外，局部点的密度是由函数θ(||pj-pj'||)决定的。在步骤1.1中，在正常条件下，生成的l1-中心是在输入点云的中心点附近，但是如果输入点云有缺失，对于有缺失的点云数据，还需定义中心位置，增强系统的鲁棒性，在进行下采样后分别在每个分支上重新对齐，然后平滑弯曲的分支，最终定义中心位置，再进行收缩骨架。在步骤1.2中，首先对点云进行体素化，体素化即为基于八叉树的层次分解，对空间结构进行划分，将根节点递归分为八个子节点，非空体素继续划分，直至达到最小像素尺寸，利用八叉树算法搜索出骨架点点集中曲率最小的点并设置为种子点，遍历种子点点邻近的点，并与种子点进行比较，若是邻域内有某一点与种子点法向量的差值小于设定的阈值，则此点属于当前的部分，根据点云集规模的大小设置最小点云簇，即分割出点云的最小数量，和最大点云簇，即分割出点云的最大数量，重复以上步骤，骨架点将会被分割多个部分，当剩余点的数量小于预设的最小点云簇点的数量，停止分割。本发明的有益效果是，一种三维点云模型的分割方法，结合点云骨架点和外部特征点的点云分割算法，以三维点云数据为研究对象，首先对点云数据进行骨架点的提取，并计算出骨架点的分割点；接下来利用sift算法对点云数据进行外部特征点的提取，利用上一步得到的骨架分割点结合外部特征点构建初次分割平面；最后再对剩余未与骨架点结合的外部特征点进行处理，若能构建出分割平面，再次进行分割。与传统分割方法相比，在充分保留符合视觉特征的前提下，能够对表面有微小凸面体的三维点云数据进行分割，得到更精准的结果，克服了原本传统分割方法细节特征分割不出来的问题，在点云分割领域有一定的价值。附图说明图1是本发明一种三维点云模型的分割方法流程图；图2(a)是本发明描述的二维图；图2(b)是本发明描述的三维图；图3是本发明一种三维点云模型的分割方法中八叉树层次结构图；图4是本发明一种三维点云模型的分割方法中空间分解示意图；图5是本发明一种三维点云模型的分割方法中八叉树空间节点中的一个节点特征示意图；图6(a)是本发明一种实施例树的原始模型图；图6(b)是本发明一种实施例步骤1点云数据骨架点的结果；图6(c)是本发明实施例经过步骤2后骨架点分割后的结果；图7(a)是是一种实施例马的原始模型图；图7(b)是本发明一种实施例经过步骤1点云数据骨架点的结果；图7(c)是本发明一种实施例经过步骤2后骨架点分割后的结果；图8(a)是恐龙模型原始点云模型；图8(b)是本发明恐龙模型的结果图、图8(c)是已有的传统方法恐龙模型结果图；图9(a)是蚂蚁模型原始点云模型、图9(b)是本发明使用的方法的蚂蚁模型结果图、图9(c)是已有的传统方法蚂蚁模型结果图；图10(a)是飞机模型原始点云模型、图10(b)是发明使用的方法的飞机模型结果图、图10(c)是已有的传统方法飞机模型结果图；图11(a)是手部模型原始点云模型、图11(b)是本发明使用的方法的手部模型结果图、图11(c)是已有的传统方法手部模型结果图；图12(a)是小鸟模型原始点云模型、图12(b)是本发明使用的方法的小鸟模型结果图、图12(c)是已有的传统方法小鸟模型结果图；图13(a)是小羊模型原始点云模型、图13(b)是本发明使用的方法的小羊模型结果图、图13(c)是已有的传统方法小羊模型结果图；图14(a)是长颈鹿模型原始点云模型、图14(b)是本发明使用的方法的长颈鹿模型结果图、图14(c)是已有的传统方法长颈鹿模型结果图；图15(a)是小熊模型原始点云模型、图15(b)是本发明使用的方法的小熊模型结果图、图15(c)是已有的传统方法小熊模型结果图；图16(a)是鲨鱼模型原始点云模型、图16(b)是本发明使用的方法的鲨鱼模型结果图、图16(c)是已有的传统方法鲨鱼模型结果图；图17(a)是怪兽模型原始点云模型、图17(b)本发明使用的方法的怪兽模型结果图、图17(c)是已有的传统方法怪兽模型结果图。具体实施方式下面结合附图和具体实施方式对本发明进行详细说明。本发明一种三维点云模型的分割方法，流程图如图1所示，具体按照以下步骤实施：步骤1，对三维点云模型进行骨架点提取并分割；步骤1.1，对输入的点云数据进行骨架点提取；步骤1.1，具体过程是，首先对输入的点云数据利用洗牌算法进行随机下采样；先进行条件正则化，然后进行骨架收缩，再进行基于密度的加权，对于有缺失的点云数据，还需增加一步，定义中心位，才能完成整个过程；利用洗牌算法进行随机下采样，如表1所示；表1洗牌算法随机下采样rangerollscratchresult123456781-86123458761-72173458261-66173458261-51573418261-43574318261-33574318261-2175431826从表1的数值结果可以看出，使用洗牌算法生成一个等概率有限集合的随机排列，进行点云数据的随机下采样，在步骤1.1中，条件正则化的具体步骤为：给出一系列乱序的点集以及从q中随机下采样得到的点集利用最优化公式可得出一系列骨架点集，式中：i，j为点的数量，θ(r)是高斯权重函数当公式(1)中的能量梯度为0时，代入其中即可得到如下公式：式中：γi是控制输入点的引力和采样点的斥力之间的平衡参数，σi为分布度量；在公式(2)中，根据线性代数即可得到关于x的解集x＝a-1bq，然后进行迭代，其中且k＝0,1,...,可以得到如下公式：接下来，即可设置参数的取值，完成条件正则化。对输入的点云数据利用洗牌算法进行随机下采样，然后将得到的采样点利用l1-中心骨架算法进行收缩提取骨架，产生新的骨架点，l1-中心骨架算法通过取一系列点的中值而不是平均值进行收缩，产生新的骨架点，不停地进行迭代并重新分配到其所在区域的输入点的中心，直接应用l1-中心骨架算法往往会产生稀疏分布，造成结果中有中心点产生一团点簇，为了避免这种现象，进行条件正则化，然后进行骨架收缩；在步骤1.1中，在正常条件下，生成的l1-中心是在输入点云的中心点附近，但是如果输入点云有缺失，对于有缺失的点云数据，还需定义中心位置，增强系统的鲁棒性，在进行下采样后分别在每个分支上重新对齐，然后平滑弯曲的分支，最终定义中心位置，再进行收缩骨架。在步骤1.1中，迭代收缩骨架的具体步骤为：给定邻域大小h，即可生成一系列点x＝{xi}i∈i，代表局部邻域的l1中值点，在一些情况下，这些点可以直接代表骨架点，在一些复杂数据的条件下，这些点仅代表骨架的分支点，则需要进行迭代收缩。确定标记的点是否是收缩后的点，利用条件正则化的步骤确定σi的方法，先计算所有的非分支点xi，然后平滑这些点并剔除噪声点。在步骤1.1中，对于一些点云密度不均匀的数据，则局部中心往往会偏向于密度较高的区域，导致输出的点云骨架点位置在切面方向上发生位移，造成结果上的偏差，因此需要对密度进行加权，基于密度进行加权的具体步骤为：将输入的点云集中的每个点qj的加权局部密度定义为如下公式：将其带入到公式(3)中，即可得到通过公式(5)第一项中的加权局部密度可以有效地减少密度不均匀区域的收缩影响，此外，局部点的密度是由函数θ(||pj-pj'||)决定的。步骤1.2，将步骤1.1得到的骨架点利用基于八叉树的区域增长算法进行分割；在步骤1.2中，首先对点云进行体素化，体素化即为基于八叉树的层次分解，对空间结构进行划分，将根节点递归分为八个子节点，非空体素继续划分，直至达到最小像素尺寸，八叉树层次结构图，如图3所示；空间分解示意图，如图4所示，八叉树空间节点中的一个节点特征示意图，如图5所示；利用八叉树算法搜索出骨架点点集中曲率最小的点并设置为种子点，遍历种子点点邻近的点，并与种子点进行比较，若是邻域内有某一点与种子点法向量的差值小于设定的阈值，则此点属于当前的部分，根据点云集规模的大小设置最小点云簇，即分割出点云的最小数量，和最大点云簇，即分割出点云的最大数量，重复以上步骤，骨架点将会被分割多个部分，当剩余点的数量小于预设的最小点云簇点的数量，停止分割。步骤2，获取三维点云模型的外部特征点；步骤2.1，根据二维图像的方向梯度和角度将此公式扩展到三维层面上，即可得到三维空间当中一点梯度和角度；由图2(a)、图2(b)通过二维描述与三维描述对比，可知，α代表着二维过渡到三维的偏离角度，由于m2d总为正，即可得出α所处的区间为相比于二维图像，多增加了一个参数值，表示三维上的梯度方向；步骤2.2，在给定关键点的三维邻域内构建加权直方图，利用经线和纬线对三维邻域进行划分，同时对方位角进行标准化，以避免从二维数据扩展到三维数据而产生的偏差；添加到直方图的实际值如公式(4)所示，其中(x,y,z)代表关键点的坐标，(x0,y0,z0)代表添加到方向直方图的位置，利用公式即可计算直方图的实际值；步骤2.3，计算sift描述符，首先以关键点为中心旋转其三维邻域，使得三维邻域的主方向指向α＝θ＝0的方向，此步骤用矩阵(6)转换实现：以此关键点为中心，将关键点邻域划分成4×4的小邻域空间，计算每个小邻域8个方向梯度直方图的累加值，即可得到一个128(4×4×8)维的特征向量作为此关键点的sift描述子。步骤3，联合骨架点的分割点和外部特征点构建分割平面进行分割；步骤3.1，把原始点云数据读取到一个新的集合a中，骨架点读取到另一个新的集合b中，外部特征点存放在一个新的集合c中，扫描集合b中的每一个点，如果集合b中一点bi是分割点，则以bi点为中心扫描邻近集合c中的关键点，bi与ci共同拟合成平面mi，其法向量为vi，得到分割平面，步骤3.2，对于步骤3.1得到的分割平面，若不规范待分割的方向以及分割平面的区域范围，则无法确定要把数据的哪个部分分割出来，或是造成分割出的这部分数据中包含应属于其他部分的数据；再对bi进行判定，如果bi点是端点，则将bi点存放在一个集合e中；从端点ei开始到此分支另一端连接点处所有点的集合，记为集合p，此集合中的连接点即为pi,遍历集合a所有的点，找出距离pi最近的点m，过点点pi+1与pipi+1为法向量构建平面l，从点m开始对邻近点进行区域增长，直至平面l的点，则停止，此部分为分割出的部分；步骤4：对经步骤2的外部特征点进行检查，若还有剩余，补充外部特征点再进行分割。步骤4.1，在剩余的外部特征点集合c中，提取出其中某一点ci，由于三点即可构成一个平面，以ci为中心点，最大半径为r，搜索距离ci最近的两个点cj和cn；步骤4.2，如果在半径r内寻找不到两个点，则停止，选择另一个点ci+1，重新开始上一个步骤，以ci，cj，cn构成分割平面。通过本发明一种三维点云模型的分割方法的进行仿真实验，实施例结果如下：图6是展示骨架点分割的结果，图7是展示分割过程中每个阶段的结果图；通过图8-图12可以看出本方法在处理表面无微小凸面的点云数据上和传统方法相比效果相似；但是通过图13-图17可以看出对于这类更为复杂，经过两次分割后，可得到很好的分割结果表面有微小凸面的点云数据应用本方法的效果更好，在细节上处理的更好。当前第1页12