点Xl对应的法向量。
[0072] 步骤3. 5 :根据步骤3. 4得到的各个数据点Xl对应的特征值，计算各个数据点X i 的曲率Cur 1:
[0074] 步骤4 :根据步骤3得到每个数据点\的法向量^和曲率Curi，利用区域增长算 法，按照步骤2得到的种子点集合中的数据点进行种子点的自动选取，对所有数据点进行 聚类，实现点云数据的分割。具体实现步骤包括：
[0075] 步骤4. 1 :记集合Nbhd为数据点的邻域，集合Nbhd中的元素为数据点的邻近点， 集合Rc为当前区域，初始值为空，Se为当前种子区域，初始值为空；选择种子点集合SEEDS 中的第一个数据点seecMt为初始的当前种子点，将其插入到当前种子区域Se中；
[0076] 步骤4. 2 :利用FDN (固定距离近邻）搜索算法得到当前种子点的邻域Nbhd，对邻 域Nbhd中的每一个邻近点$，1表示当前种子点的第1个邻近点，利用公式（12)判定各个 邻域点的法向量ζ与当前种子点的法向量€之间的夹角是否满足法向量阈值条件：
[0078] 其中，rth表示法向量阈值，不同模型此值稍有差异，此值需要人工指定。若满足上 述条件，则将此邻域点^加入到当前区域Rc中。
[0079] 步骤4.3 :判断当前邻域点^的曲率是否满足式（13)所示的曲率阈值条件，若满 足则将邻域点?加入到当前种子区域&中：
[0081] 其中，cth表示曲率阈值，不同模型此值稍有差异，此值需要人工指定；
[0082] 步骤4. 4 :删除当前种子区域&中的当前种子点，并将此数据点从集合U中删除；
[0083] 步骤4. 5:选取当前种子区域Sc中的下一个数据点作为当前种子点，返回步骤 4. 2,直到种子区域Sc为空，执行步骤4. 6 ;
[0084] 步骤4.6 :若集合U不为空，则将当前区域Rc中的数据点保存在文件中，将当前区 域Rc重新置为空，选取SEEDS中的下一个数据点作为当前种子点，返回步骤4. 1，直到集合 U为空，分割结束；则不同的当前区域Rc中的数据点分别被保存在不同的文件中，实现数据 点的分类，即实现点云数据的分割。
[0085] 在上述区域增长过程中，依次选择种子点集合SEEDS中的一个数据点作为当前种 子点，直到此种子点操作完成后，再选择后一点作为当前种子点，通过该算法可以实现种子 点自动选择，从而避免区域增长的结果很大程度上取决于种子点选取这一局限条件。
[0086] 实验结果
[0087] 实验 1
[0088] 分别采用本发明的方法、区域增长算法[2]和DBSCAN [3]算法对玉米植株的三维点 云模型数据进行分割。图2中的数字表示三维点云模型被分割成的不同的部分。通过图 2 (b)可以看出，对于模型中的多个物体，本发明将其分割成6份，从图中的部位5、部位6可 以看出本发明对2棵单独的玉米植株进行了有效的分割，将玉米从复杂的环境中进行了有 效的提取，同时对于部位1-4本发明的分割效果也较为规整。从图2(c)可以看出未加以改 进的区域增长算法将图2(b)中的部位6分割成4部分，与本发明相比，该算法出现了过度 分割的问题。从图2(d)可以看出DBSCAN算法将图2(b)中的部位6分割成了 5部分，未保 持玉米植株个体的完整性，其分割结果也存在一些分割过度的问题。通过上述实验结果的 对比可以发现，本发明可以较为精确的区分出物体，保持物体的完整性，可以达到一个较好 的分割效果。
[0089] 实验 2
[0090] 分别采用本发明的方法、区域增长算法和DBSCAN算法对树的三维点云模型数据 进行分割。图3中的数字表示三维点云模型被分割成的不同的部分。通过图3(b)可以看 出，本发明将模型分割成7部分，部分1-6代表树叶，对每个部分的叶片分割规整，未破坏叶 子的完整性，对树枝干也进行了有效的提取。对比图3 (c)部位1-4和图3 (b)的部位1，可以 看出区域增长算法将树叶分割成4部分，破坏了叶子的完整性，对比部位5-8和图3(b)的 部位5可以看出枝干和树叶未得到有效的区分，同时也破坏了叶子的完整性。对比图3(d) 的1-5部分和图3(b)中的部位1可以看出，DBSCAN算法造成了叶子的过度分割，对比图 3(d)的7-8部分和图3(b)的部位5,可以看出部位8中的树叶和枝干分割力度不足，未区 分枝干和树叶。从图3(c)和图3(d)可以看出区域增长算法和DBSCAN算法二者存在某些 部位分割过度，某些部位分割不足的问题，通过上述分割结果的比较可以看出，对于独立物 体，本发明可以有效的区分出枝干、树叶，分割效果相对较好。
[0091] 参考文献：
[0092] [l]Rabbani T, van den Heuvel F, Vosselmann G. Segmentation of point clouds using smoothness constraint[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2006, 36(5):248-253.
[0093] [2]胡怀宇，等.基于区城生长法的散乱点云分区方法[J].计算机应用，2009， 29(10) :2716-2718.
[0094] [3]Ester M, Kriegel Η Ρ, Sander J, et al. A density-based algorithm for discovering clusters in large spatial databases with noise[J]. Proceedings of International Conference on Knowledge Discovery&Data Mining, 1996:226-231.
【主权项】
1. 一种自适应的点云数据分割方法，其特征在于，具体包括以下步骤： 步骤1 :获取点云数据，对点云数据进行特征提取，得到各个数据点的局部密度和近距 离； 步骤2 :根据步骤1得到的各个数据点的局部密度和近距离，对各个数据点进行排序， 得到排序后的种子点集合； 步骤3 :计算得到各个数据点对应的法向量和曲率； 步骤4 :根据步骤3得到的各个数据点对应的法向量和曲率，利用区域增长算法，按照 步骤2得到的种子点集合中的数据点进行种子点的自动选取，对所有数据点进行分类，实 现点云数据的分割。2. 如权利要求1所述的自适应的点云数据分割方法，其特征在于，所述的步骤1的对点 云数据进行特征提取的实现过程包括： 步骤I. 1 :计算数据点Xl，I < i < N中任意两数据点间的距离； 步骤1. 2 :将步骤I. 1得到的任意两数据点间的距离，按照从小到大排序生成新的集合 d，计算截断距离d。； 步骤1. 3 :根据步骤1. 2得到的截断距离d。，计算每个数据点X1的局部密度P 1; 步骤1. 4 :将步骤1. 3得到的局部密度P i进行降序排序，重新生成一个下标序列； 步骤1. 5 :根据步骤1. 1得到的任意两数据点间的距离，计算各个数据点的近距离4?， 91表示步骤1. 4所述的下标序列的下标数值。3. 如权利要求2所述的自适应的点云数据分割方法，其特征在于，所述步骤2的实现过 程包括： 步骤2. 1:利用步骤1得到的各个数据点的局部密度P廊近距离?δ&，得到各个数据 点的判断值HJ1; 步骤2. 2:将数据点X1按照PU i的值进行降序排序，生成种子点集合SEEDS。4. 如权利要求2所述的自适应的点云数据分割方法，其特征在于，所述步骤3的实现过 程包括： 步骤3. 1 :对于每一个数据点X1，利用基于FDN的邻域搜索算法得到每一个数据点^的 邻近点； 步骤3. 2 :计算每一个数据点X1的所有邻近点的三维质心； 步骤3. 3 :利用步骤3. 2得到的质心计算各个数据点X1对应的协方差矩阵Cov 1; 步骤3. 4 :根据步骤3. 3的得到的协方差矩阵0)^计算各个数据点X 应的特征值和 特征向量，得到数据点Xi对应的法向量Vi ; 步骤3. 5 :根据步骤3. 4得到的各个数据点X1对应的特征值，计算各个数据点X i的曲 率 Curi 〇5. 如权利要求4所述的自适应的点云数据分割方法，其特征在于，所述步骤4的实现过 程包括： 步骤4. 1 :记集合Nbhd为数据点的邻域，集合Nbhd中的元素为数据点的邻近点，集合 Rc为当前区域，初始值为空，Se为当前种子区域，初始值为空；选择种子点集合SEEDS中的 第一个数据点seecMt为初始的当前种子点，将其插入到当前种子区域S e中； 步骤4. 2 :利用FDN邻域搜索算法得到当前种子点的邻域Nbhd，对邻域Nbhd中的每一 个邻近点$ , 1表示当前种子点的第1个邻近点，判定其法向量与当前种子点的法向量 ^之间的夹角是否满足设定的法向量阈值条件，若满足，则将此邻域点：?加入到当前区 域Rc中； 步骤4. 3 :判断当前邻域点5的曲率是否满足设定的曲率阈值条件，若满足，则将邻域 点^加入到当前种子区域&中； 步骤4. 4 :删除当前种子区域&中的当前种子点，并将此数据点从集合U中删除； 步骤4. 5 :选取当前种子区域Sc中的下一个数据点作为当前种子点，返回步骤4. 2,直 到种子区域Sc为空，执行步骤4. 6 ; 步骤4. 6 :若集合U不为空，则将当前区域Rc中的数据点保存在文件中，将当前区域Rc 重新置为空，选取SEEDS中的下一个数据点作为当前种子点，返回步骤4. 1，直到集合U为 空，分割结束；则不同的当前区域Rc中的数据点分别被保存在不同的文件中，实现数据点 的分类，即实现点云数据的分割。
【专利摘要】本发明公开了一种自适应的点云数据分割方法，克服了区域增长法随机选择种子点的局限，通过计算得到每个数据点的局部距离和近距离，对数据点进行排序，得到排序后的种子点集合，在区域增长过程中，可以有效进行种子点的选取，避免了过多的参数调整操作，为点云分割提供便利，提高了处理速度；通过对比实验发现，本发明中的方法具有较好的点云分割效果。
【IPC分类】G06T7/00
【公开号】CN105354829
【申请号】CN201510644169
【发明人】何东健, 范昱伶, 王美丽, 牛晓静
【申请人】西北农林科技大学
【公开日】2016年2月24日
【申请日】2015年10月8日