一种基于聚类的点云分割方法及系统的制作方法
【专利摘要】本发明提出一种基于聚类的点云分割方法及系统，包括计算每个点的法向量、平面曲率和相容集，首先对输入的点云构建k?d tree，然后对每一个点利用周围最邻近的K个点拟合得到该点的法向量和平面曲率；对点云进行聚类，构建链接表和聚类中心表，得到所有聚类的集合；面片处理，包括以构建初始面片，包括对于聚类的集合中的每一个聚类，对应的点云用一个平面近似拟合，得到的MCS拟合平面，法向量和平面曲率、相容集；面片合并，得到最终的点云分割结果。本发明在传统的基于区域生长的算法基础之上，直接利用点云的法向量和平面曲率来进行快速分类，不需要增加额外的计算，具有快速分割的优点。
【专利说明】
-种基于聚类的点云分割方法及系统
技术领域
[0001] 本发明属于点云处理技术领域，特别是设及一种基于聚类的点云分割技术方案。
【背景技术】
[0002] 随着激光扫描技术的不断升级，=维激光扫描仪能够快速、方便地获取目标物的 高精度点云数据，利用点云数据建模即可得到相应的=维模型，该技术方法已渗透到智慧 城市建设、机械制造、逆向工程等多个行业。由于激光点云散乱无章、曲面性质异同，对海量 的点云数据统一建模处理会加大算法的难度和数学表示的复杂性，因此首先要对点云进行 分割分类，区分对待处理。
[0003] 当前较为通用的点云分割方法主要有：基于边缘检测的分割，基于区域生长的分 割和基于聚类的分割。
[0004] 基于边缘检测的分割根据数据点的局部几何特性在点集中检测到边界点，再进行 边界点的连接，最后根据检测的边界点将整个数据集分割成独立的多个点集。该方法提取 边界效果较好，速度快，但点云曲率或法矢量对杂点敏感度高，提取轮廓容易断裂而且对于 型面缓变或圆角半径较大的曲面往往找不准边界。
[0005] 基于区域生长的分割将点云几何特性一致的相邻空间点划定为一个集合。该方法 首先按照一定的策略选定一个种子点（seed points),由种子点向外延伸，判断其周围邻域 的点是否属于同一个曲面，直到在其邻域不存在连续的点集为止，最后将运些邻域组合在 一起，构成一个分割区域。如此迭代进行，直到处理完所有的点云。该方法存在的问题是难 W选择合适的种子点W及难W区分光滑边界，而且其区域生长受设定阔值的影响较大，选 择合适的生长准则也比较困难。
[0006] 基于聚类的区域分割方法认为区域分割的实质就是将具有相似局部几何特征参 数的数据点进行分类。常用的点云特征包括:点的坐标、法向量、平面曲率等等。该方法利用 数据点特征，将具有类似几何特征的点集聚为一类，从而实现点云数据分割。传统的基于聚 类的方法对于曲面类型较为明显的曲面分块存在一定的优势，但是对于复杂的曲面而言， 要直接确定曲面的分类个数和曲面类型比较困难，对容易出现的细碎面片进行二次处理也 增加了算法的难度。
【发明内容】
[0007] 为了解决W上方法中存在的问题，本发明提供了一种基于聚类的点云分割技术。 [000引本发明技术方案提供一种基于聚类的点云分割方法，包括W下步骤：
[0009] 步骤1，计算每个点Pi的法向量n(pi)、平面曲率A(Pi)和相容集CS(Pi)，首先对输入 的点云构建k-d tree，然后对每一个点利用周围最邻近的K个点拟合得到该点的法向量和 平面曲率，K为预设的值；
[0010] 步骤2,对点云进行聚类，得到所有聚类的集合e，包括W下子步骤，
[001。 步骤2.1，构建链接表％姆和聚类中屯、表Lc触沪实现如下，
[0012]对所有点云中的每一个点Pi，捜索相容集CS(Pi)中的每一个点，找到平面曲率小于 Mpi)的点中与Pi的法向量偏差最小的点，如果找到则记为CNP(Pi),将Pi与CNP(Pi)作为一个 链接添加到1齡里面;如果未找到，当A(Pi)小于阔值thA，则将Pi作为一个聚类中屯、添加到 Lce姑er中；
[OOU]步骤2.2,点云快速聚类，得到所有聚类的集合e泡括从Lcenter中的每一个聚类中 屯、点开始，在L!如k中迭代捜索所有与能被该聚类中屯、点连接到的点，直到捜索不到新的点 为止，将运些点的集合记为一个聚类，添加到聚类的集合C中；
[0014] 步骤3，面片处理，包括W下子步骤，
[0015] 步骤3.1，构建初始面片，包括对于聚类的集合中的每一个聚类每，对应的点云用 一个平面近似拟合，得到Cp的MCS拟合平面Sp，毎的法向量和平面曲率记为化換)和 每的相容集记为CS知P);
[0016] 步骤3.2,面片合并，得到最终的点云分割结果，包括W下子步骤，
[0017] 步骤3.2.1，寻找邻近面片，包括对每一个面片毎，捜索相容义中的每一个 点，如果其中某个点Pi满足W下条件：
[001 引
[0019] 则认为每与馬是一对相互邻近面片；
[0020] 步骤3.2.2，邻近面片合并，包括两个相邻面片如果满足W下条件则合并：
[0021]
[0022] 式中，)和化(為)依次为毎和為的法向量，0代表两个向量之间夹角的阔值；
[0023] 对所有的面片按照平面曲率由小到大进行排序，从当前面片中没有被合并的曲率 最小的面片开始，将其作为当前种子面片，合并所有能合并的相邻面片，新合并的面片在之 后的迭代过程中也被选为种子面片，如此迭代生长，直到所有合并在一起的面片都被处理 & TCi O
[0024] 而且，步骤2.1中thA的计算方法如下：
[0025]
[00%]式中，I代表所有点云的平整度的平均值，OA代表点云的平整度的中误差。
[0027] 而且，步骤3.1中采用Maximum Consistent Set算法实现点云用一个平面近似拟 合。
[0028] 本发明相应提供一种基于聚类的点云分割系统，包括W下模块，
[0029] 第一模块，用于计算每个点Pi的法向量n(pi)、平面曲率A(Pi)和相容集CS(Pi),首 先对输入的点云构建k-d tree,然后对每一个点利用周围最邻近的K个点拟合得到该点的 法向量和平面曲率，K为预设的值；
[0030] 第二模块，用于对点云进行聚类，得到所有聚类的集合6,包括W下操作，
[003。 首先，构建链接表L姑Ifc和聚类中屯、表Lceftter，实现如下，
[0032]对所有点云中的每一个点Pi，捜索相容集CS(pi)中的每一个点，找到平面曲率小于 Mpi)的点中与Pi的法向量偏差最小的点，如果找到则记为CNP(Pi)，将Pi与CNP(Pi)作为一个 链接添加到Lunfc里面;如果未找到，当A(Pi)小于阔值thA，则将Pi作为一个聚类中屯、添加到 Lc脚脱冲；
[0033] 然后，点云快速聚类，得到所有聚类的集合e，包括从Lcenter中的每一个聚类中屯、 点开始，在叫"^中迭代捜索所有与能被该聚类中屯、点连接到的点，直到捜索不到新的点为 止，将运些点的集合记为一个聚类，添加到聚类的集合e中；
[0034] 第S模块，用于面片处理，实现如下，
[0035] 首先，构建初始面片，包括对于聚类的集合它中的每一个聚类Cp，对应的点云用一 个平面近似拟合，得到馬的版5拟合平面毒，為的法向量和平面曲率记为n(Sp)和為為)，Sp 的相容集记为CS(Sp);
[0036] 然后，面片合并，得到最终的点云分割结果，包括W下操作，
[0037] 寻找邻近面片，包括对每一个面片每，捜索相容集CS(Sp)中的每一个点，如果其中 某个点Pi满足W下条件：
[00；3 引
[0039] 则认为馬与《《是一对相互邻近面片；
[0040] 邻近面片合并，包括两个相邻面片如果满足W下条件则合并：
[0041]
[0042] 式中，打换)和W(Sy)依次为毎和為的法向量，目代表两个向量之间夹角的阔值；
[0043] 对所有的面片按照平面曲率由小到大进行排序，从当前面片中没有被合并的曲率 最小的面片开始，将其作为当前种子面片，合并所有能合并的相邻面片，新合并的面片在之 后的迭代过程中也被选为种子面片，如此迭代生长，直到所有合并在一起的面片都被处理 yn O
[0044] 而且，thA的计算方法如下：
[0045]
[0046] 巧甲a代巧所有点云的平整度的平均值，OA代表点云的平整度的中误差。
[0047] 而且，构建初始面片时，采用Maximum Consistent Set算法实现点云用一个平面 近似拟合。
[0048] 本发明对点云获取设备没有限制，适用于车载激光点云、机载点云和手持式扫描 仪点云。对点云的场景没有限制，适用于道路点云、航空点云和室内点云。本发明基于聚类 的思想对点云进行快速分类，其中的聚类算法能够在边缘处将点云分割成为不同的部分， 因此聚类得到的初始面片具有一定的边缘信息。在得到的初始面片的基础上，通过面片合 并来得到最终的点云分割结果。本发明在传统的基于区域生长的算法基础之上，直接利用 传统算法计算过程中已有的点云的法向量和平面曲率来进行快速分类，不需要增加额外的 计算，具有快速分割的优点。
【附图说明】
[0049] 图1为本发明实施例的整体流程图。
【具体实施方式】
[0050] 下面通过实施例，对本发明的技术方案作进一步具体的说明。
[0051] 本发明所采用的技术方案提供了一种基于聚类的点云分割方法，包括W下步骤：
[0052] 步骤1，计算每个点的法向量，平面曲率和相容集，首先对输入的点云构建k-d tree,然后对每一个点利用其周围最邻近的K个点拟合得到该点的法向量和平面曲率，包括 W下子步骤：
[0化3] 步骤1.1，构建k-d tree。利用开源代码库MN libra巧可对输入的点云快速构建 k-d tree。生成k-d化ee之后，对每一个点都能索引到其最邻近的K个点，具体实施时本领 域技术人员可自行预设K的取值，考虑到算法效率和稳定性，一般建议设K = 50。
[0054]步骤1.2,对每个点Pi,利用主成分分析算法(PCA)对Pi的K个最邻近点构成的集合 3进行平面拟合，并计算每个点Pi的法向量n(pi)，平面曲率A(Pi),其计算方法如下：
[0化5]步骤1.2.1，构建协方差矩阵S :
[0化6]
[0化7]式中，E代表3X3的协方差矩阵，K是中点的个数，巧是3;中点的平均值。
[0058] 步骤1.2.2,解求协方差矩阵S的特征值和特征向量。首先构成特征值方程：
[0059] AV=EV
[0060] 式中，A代表协方差矩阵S的3个特征值构成的3 X 1向量，V代表协方差矩阵5：的3 个特征向量构成的3X3矩阵。对该方程进行奇异值分解(SVD分解)可W得到S个特征值和 与之对应的=个特征向量，也称为主成分(PCs)。将运=个特征值从大到小排列：A2>Ai> 入0,与之对应的立个特征向量依次记为V2、Vl和VO。前两个主成分V2和Vl相互正交，构成了式 的最佳拟合=维面，第=个主成分VO与前两个主成分正交，因此可W用来作为Pi的法向量n (Pi)。与VO对应的特征值Ao代表的是取中的点云在VO所代表的方向上的变化程度，因此可W 用来作为Pi的平面曲率MpO。
[0061] 步骤1.3,计算每个点Pi的相容集CS(Pi)，计算方法如下：
[0062] 步骤1.3.1，计算3冲每一个点到Pi的最佳拟合S维面之间的垂直距离。其中第k个 点的垂直距离记为巧，所有点的垂直距离的集合记为.
[0063] 巧骤1.3.2，计算WJyn的绝对离差中位数MAD(Median Absolute Deviation):
[0064]
[0065] 式中，曰=1.4826是根据绝对离差中位数相关性质推算得到的常量，瓜純組(獨^〇) 代表馬0的中值。
[0066] 步骤1.3.3，计算每个点的Rz值(离差相对值）：
[0067]
[0068] 如果菲中的某一个点对应的Rz值小于2.5，则认为运个点与Pi的拟合=维面较为贴 近，因此将其存入Pi的相容集CS(Pi)中，否则认为该点是噪声点。
[0069] 步骤 1.3的具体实现可参见P.J.Rousseeuw,M.Hube;rt,Robust statistics for outlier detection,Wiley Interdisciplinary Reviews:Data Mining and Knowledge Discovery I (1)(2011)73-79.
[0070] 步骤2,对点云进行聚类，得到所有聚类的集合e。
[007。 步骤2.1，构建链接表和聚类中屯嗦ILcenter。对所有点云中的每一个点Pi,捜索 其相容集CS(Pi)中的每一个点，找到平面曲率小于MpO的点中与Pi的法向量偏差最小的 点。其中两个点P谢P2的法向量偏差计算公式如下：
[0072] An(pi,p2)=a;rccos In(Pi)T ? n(p2)
[0073] 式中，n(.)代表某一点的法向量。如果在CS(Pi)中找到了运样的点，则将其记为 CNP(Pi),并认为Pi应该与CNP(Pi)分在同一个聚类里面，将Pi与CNP(Pi)之间的关系称为"链 接"（linkage),因此将Pi与CNP(Pi)作为一个链接添加到Lzwfc里面。如果不存在运样的点 CNP(Pi),即Pi是其相容集CS(Pi)中最平的，此时如果A(Pi)小于一定的阔值thA，则认为Pi是 一个聚类中屯、，并将其添加到Lcewer中。其中thA的计算方法如下：
[0074]
[0075] 式中，完代表所有点云的平整度的平均值，OA代表点云的平整度的中误差。
[0076] 步骤2.2,点云快速聚类，得到所有聚类的集合e。从Lcen妃r中的每一个聚类中屯、点 开始，在Ltefc中迭代捜索所有与能被该聚类中屯、点连接(直接连接和间接链接巧Ij的点，直 到捜索不到新的点为止，将运些点的集合记为一个聚类，添加到聚类的集合C中。
[0077] 步骤3，面片处理，包括W下子步骤：
[0078] 步骤3.1，构建初始面片。对于聚类的集合e中的每一个聚类Cp，其对应的点云都可 W用一个平面来近似拟合。与步骤1 . 2中的平面拟合方法不同，运里采用Maximum Consistent Set(MCS)算法来获得精确的平面拟合结果。MCS的步骤如下：
[0079] 步骤3.1.1，计算迭代次数。MCS算法通过对一组点云多次取样，利用样本点云拟合 =维平面，然后选取其中与所有点云偏差最小的=维平面作为当前点云的最佳拟合平面。 其中迭代次数It的计算方法如下：
[0080]
[0081] 式中，P代表MCS算法获得的S维平面是最贴合与所有点云的置信度，一般设P = 0.9999; G是当前点云中的噪声点的百分比，一般设G =50% ;h〇 = 3,代表构成一个S维平 面至少需要3个=维点。给定P、G和ho之后，可W计算得出迭代次数It。
[0082] 步骤3.1.2,选取具有最大相容集的拟合平面。每次迭代中，首先随机选取3个点， 然后利用步骤1.2中同样的方法(主成分分析算法)对运3个点拟合得到一个=维平面，接着 计算当前Cp中的每一个点到运个=维平面之间的垂直距离，并对其从小到大进行排序，选 取其中的前1/2的点云再次进行平面拟合，记录下拟合得到的平面的法向量和平面曲率。经 过It次迭代，选取其中平面曲率最小的那个平面作为每的MCS拟合平面為，餐的法向量和平 面曲率依次记为n(却)和A(X，)。
[0083] 步骤3.1.3,得到MCS拟合平面之后為，再利用步骤1.3中的方法得到餐的相容集， 记为CS〇p)。
[0084] 步骤 3.1 的具体实现可参见 Nurunnabi ,Abdul ,Geoff West ,and David Belton/' Outlier detection and robust normaI-curvature estimation in mobile laser scanning 3D point cloud data."Pattern 民ecognition 48.4(2015):1404-1419.
[008日]步骤3.2,面片合并。步骤3.1得到的面片是对点云的过分割(over segmentation) 结果，因此需要对这些面片进行合并，得到最终的点云分割结果。包括^下子步骤：
[00化]步骤3.2.1，寻找邻近面片。对每一个面片<^捜索其相容集CS(Sp)中的每一个点， 如果其由立个占 n J品田W下签化?
[0087]
[0088] 则认为每与鸣是一对相互邻近面片。
[0089] 步骤3.2.2，邻近面片合并。两个相邻面片如果满足W下条件则将其合并：
[0090]
[0091] 式中，》碱)和n(<y依次为邸和為的法向量，e代表两个向量之间夹角的阔值，具 体实施时本领域技术人员可自行预设取值，0较小则合并的面片较少，反之亦然。
[0092] 对所有的面片按照其平面曲率由小到大进行排序。从当前面片中没有被合并的曲 率最小的面片开始，将其作为当前种子面片，合并所有能与其合并的相邻面片，新合并的面 片在之后的迭代过程中也被选为种子面片，如此迭代生长，直到所W合并在一起的面片都 被处理完。
[0093] 具体实施时，本发明所提供方法可基于软件技术实现自动运行流程，也可采用模 块化方式实现相应系统。
[0094] 本发明相应提供一种基于聚类的点云分割系统，包括W下模块，
[00M]第一模块，用于计算每个点Pi的法向量n(pi)、平面曲率A(Pi)和相容集CS(Pi),首 先对输入的点云构建k-d tree,然后对每一个点利用周围最邻近的K个点拟合得到该点的 法向量和平面曲率，K为预设的值；
[0096] 第二模块，用于对点云进行聚类，得到所有聚类的集合e，包括W下操作，
[0097] 首先，构建链接表LKnfc郝聚类中屯嗦Leenter，实现如下，
[0098] 对所有点云中的每一个点Pi,捜索相容集CS(Pi)中的每一个点，找到平面曲率小于 Mpi)的点中与Pi的法向量偏差最小的点，如果找到则记为CNP(Pi),将Pi与CNP(Pi)作为一个 链接添加到帖。^里面;如果未找到，当A(Pi)小于阔值thA，则将Pi作为一个聚类中屯、添加到 正Ce巧始r?中；
[0099] 然后，点云快速聚类，得到所有聚类的集合C，包括从Lcenter中的每一个聚类中屯、 点开始，在中迭代捜索所有与能被该聚类中屯、点连接到的点，直到捜索不到新的点为 止，将运些点的集合记为一个聚类，添加到聚类的集合位中；
[0100] 第S模块，用于面片处理，实现如下，
[0101] 首先，构建初始面片，包括对于聚类的集合C中的每一个聚类每，对应的点云用一 个平面近似拟合，得到Cp的MCS拟合平面每每的法向量和平面曲率记为n(Sp)和 Sp的相容集记为CSGSp);
[0102] 然后，面片合并，得到最终的点云分割结果，包括W下操作，
[0103] 寻找邻近面片，包括对每一个面片為，捜索相容集CS(&，）中的每一个点，如果其中 某个点Pl满足W下条件：
[0104]
[01化]则认为毎与兩是一对相互邻近面片；
[0106] 邻近面片合并，包括两个相邻面片如果满足W下条件则合并：
[0107]
[010引式中，》(每)和化(冷)依次为冷和的法向量，0代表两个向量之间夹角的阔值；
[0109] 对所有的面片按照平面曲率由小到大进行排序，从当前面片中没有被合并的曲率 最小的面片开始，将其作为当前种子面片，合并所有能合并的相邻面片，新合并的面片在之 后的迭代过程中也被选为种子面片，如此迭代生长，直到所有合并在一起的面片都被处理 & TCi O
[0110] 各模块具体实现可参见相应步骤，本发明不予寶述。
[0111] 需要强调的是，本发明所述的实施例是说明性的，而不是限定性的。因此本发明包 括并不限于【具体实施方式】中所述的实施例，凡是由本领域技术人员根据本发明的技术方案 得出的其他实施方式，同样属于本发明保护的范围。
【主权项】
1. 一种基于聚类的点云分割方法，其特征在于:包括以下步骤， 步骤1，计算每个点Pi的法向量n(pi)、平面曲率A(pi)和相容集CS(pi)，首先对输入的点 云构建k-d tree，然后对每一个点利用周围最邻近的K个点拟合得到该点的法向量和平面 曲率，K为预设的值； 步骤2,对点云进行聚类，得到所有聚类的集合C，包括以下子步骤， 步骤2.1，构建链接表％01&和聚类中心表Lce"ter，实现如下， 对所有点云中的每一个点Pi，搜索相容集CS(p〇中的每一个点，找到平面曲率小于λ (Pi)的点中与Pi的法向量偏差最小的点，如果找到则记为CNP(pi)，将Pi与CNP(pi)作为一个 链接添加到里面;如果未找到，当λ( Ρι)小于阈值tlu，则将Pl作为一个聚类中心添加到 ^center Φ ; 步骤2.2，点云快速聚类，得到所有聚类的集合e，包括从中的每一个聚类中心点 开始，在I^nfc中迭代搜索所有与能被该聚类中心点连接到的点，直到搜索不到新的点为止， 将这些点的集合记为一个聚类，添加到聚类的集合e中； 步骤3，面片处理，包括以下子步骤， 步骤3.1，构建初始面片，包括对于聚类的集合(3中的每一个聚类ep，对应的点云用一个 平面近似拟合，得到&的MCS拟合平面\，4的法向量和平面曲率记为的 相容集记为csf%); 步骤3.2,面片合并，得到最终的点云分割结果，包括以下子步骤， 步骤3.2.1，寻找邻近面片，包括对每一个面片冬，搜索相容集中的每一个点，如 果其中某个点Pl满足以下条件：则认为知与4是一对相互邻近面片； 步骤3.2.2，邻近面片合并，包括两个相邻面片如果满足以下条件则合并：式中，W(5P)和11(?)依次为各和<^的法向量，θ代表两个向量之间夹角的阈值； 对所有的面片按照平面曲率由小到大进行排序，从当前面片中没有被合并的曲率最小 的面片开始，将其作为当前种子面片，合并所有能合并的相邻面片，新合并的面片在之后的 迭代过程中也被选为种子面片，如此迭代生长，直到所有合并在一起的面片都被处理完。2. 根据权利要求1所述基于聚类的点云分割方法，其特征在于:步骤2.1中tlu的计算方 法如下：式中，X代表所有点云的平整度的平均值，取代表点云的平整度的中误差。3. 根据权利要求1或2所述基于聚类的点云分割方法，其特征在于：步骤3.1中采用 Maximum Consistent Set算法实现点云用一个平面近似拟合。4. 一种基于聚类的点云分割系统，其特征在于:包括以下模块， 第一模块，用于计算每个点Pi的法向量n(pi)、平面曲率λ(!Η)和相容集CS(pi)，首先对输 入的点云构建k_d tree，然后对每一个点利用周围最邻近的K个点拟合得到该点的法向量 和平面曲率，K为预设的值； 第二模块，用于对点云进行聚类，得到所有聚类的集合e,包括以下操作， 首先，构建链接表以滅和聚类中心表，实现如下， 对所有点云中的每一个点Pi，搜索相容集CS(p〇中的每一个点，找到平面曲率小于λ (Pi)的点中与Pi的法向量偏差最小的点，如果找到则记为CNP(pi)，将Pi与CNP(pi)作为一个 链接添加到I勵里面;如果未找到，当λ( Ρι)小于阈值th，则将Pl作为一个聚类中心添加到 [center 中； 然后，点云快速聚类，得到所有聚类的集合β，包括从中的每一个聚类中心点开 始，在知械:中迭代搜索所有与能被该聚类中心点连接到的点，直到搜索不到新的点为止，将 这些点的集合记为一个聚类，添加到聚类的集合e中； 第三模块，用于面片处理，实现如下， 首先，构建初始面片，包括对于聚类的集合e中的每一个聚类ep，对应的点云用一个平 面近似拟合，得到G^MCS拟合平面心，；的法向量和平面曲率记为11?)和的相 容集记为cs〇p；) : 然后，面片合并，得到最终的点云分割结果，包括以下操作， 寻找邻近面片，包括对每一个面片·%，搜索相容集cs〇'p；)中的每一个点，如果其中某个 点Pi满足以下条件：则认为4与&是一对相互邻近面片； 邻近面片合并，包括两个相邻面片如果满足以下条件则合并：式中，w(<yp)和11(?)依次为Sp和4的法向量，Θ代表两个向量之间夹角的阈值； 对所有的面片按照平面曲率由小到大进行排序，从当前面片中没有被合并的曲率最小 的面片开始，将其作为当前种子面片，合并所有能合并的相邻面片，新合并的面片在之后的 迭代过程中也被选为种子面片，如此迭代生长，直到所有合并在一起的面片都被处理完。5. 根据权利要求4所述基于聚类的点云分割系统，其特征在于:tlu的计算方法如下：式中，X代表所有点云的平整度的平均值，取代表点云的平整度的中误差。6. 根据权利要求4或5所述基于聚类的点云分割系统，其特征在于:构建初始面片时，采 用Maximum Consistent Set算法实现点云用一个平面近似拟合。
【文档编号】G06T15/00GK105957076SQ201610269680
【公开日】2016年9月21日
【申请日】2016年4月27日
【发明人】姚剑, 鲁小虎, 涂金戈, 项彬彬, 李礼
【申请人】武汉大学