[發明專利]一種基于DBSCAN的分層點云分割方法

有效

• 申請號: 202010985203.6
• 申請日: 2020-09-18
• 公開（公告）號: CN112070769B
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 唐麗玉;彭巍;黃洪宇;陳崇成
• 申請（專利權）人: 福州大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/30;G06T7/62
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

本發明涉及一種基于DBSCAN的分層點云分割方法。首先采用CSF分離地面點以及非地面點；非地面點分割過程，首先按照一定的高度將點云垂直方向進行分層，然后對每一層在XOY平面上的投影點進行DBSCAN聚類，獲取每個聚類的中心點，然后將所有聚類出的中心點投影至XOY平面，利用DBSCAN聚類出每一個物體主體，繼而對每個主體每層進行判斷其主體點是否存在，并判斷每個簇中包含的物體數，最后針對存在多個物體的簇再進行分割處理。本發明方法針對側視點云數據的分割，可以保證場景中大部分主體的提取，且具有一定的魯棒性，尤其在以樹木為主的場景中有著較好的表現，本發明方法得到的結果對點云分割之后的點云分類和點云三維重建有著一定的意義。

技術領域

本發明涉及LiDAR點云數據信息提取技術領域，具體涉及一種基于DBSCAN的分層點云分割方法。

背景技術

傳統三維激光掃描技術是測繪技術中繼GPS系統后的又一次新的突破，其利用激光測距的原理，能夠快速、精確、連續地獲取物體表面大量密集點的三維坐標、反射強度等信息，目前廣泛應用于森林生態、城市變化檢測、城市道路檢測和規劃以及機器人環境感知等領域。然而，由于點云數據分布不均勻，不具備語義信息，甚至大部分點云數據均不包含顏色信息，對點云數據處理和應用造成了較大的干擾，因此，目前雖然在點云配準、分類以及三維建模等方面均取得了一定的研究成果，但是這些方法主要針對某些特定的數據集或者需要處理者對數據和算法有著一定的理解認識，仍然無法實現對點云數據快速、自動、高精度處理。

點云分割是進行點云分類、三維建模等工作的必要前提，現有的點云分割方法主要有基于邊緣的分割方法、基于模型的分割方法、基于圖的分割方法以及基于聚類的分割方法。其中基于邊緣的分割方法將檢測到的點云屬性急劇變化的區域視為邊緣區域，從而勾勒出點云的邊緣地帶，以邊緣作為分界線進行分割，該類方法原理簡單，分割速度快，但容易受到噪聲影響，因此不適合處理較為復雜的點云數據；基于模型的方法中大部分算法基于1981年Fischer提出的RANSAC算法(隨機采樣一致性算法)發展而來，該算法將物體視為規則幾何形態(平面、正方體、球體等)的結合，通過對原始幾何形態的數學模型進行擬合，對點云數據進行分割，該算法處理速度快、且對噪聲不敏感，但無法識別不規則形狀的物體，無法處理復雜點云；基于圖的分割方法將點云中的點視為圖的頂點，將點與點的連線視為邊，將點與點的相似度作為邊的權重值，將不同分割區域的相似度達到最小，同一分割區域的相似度達到最大作為分割目標，基于圖的分割方法可以處理大規模的復雜點云，且對噪聲不敏感，然而，該算法實現困難且分割速度較慢；而基于聚類的方法能夠聚類出任何形狀的簇，而點云數據也有著各種各樣的形狀，因此基于聚類的方法很適合于點云數據的分割，該算法基于點的屬性將具有相似屬性的點聚在一起，該算法適合處理大規模復雜場景的點云，且一般均自帶有去噪的功能，容易實現且計算簡單，但是很難確定精確的邊界，容易出現過分割或者分割不足的情況。

基于密度的聚類算法是基于數據集在空間分布中的稀疏程度來對數據集進行聚類的，因而不需要預先設定簇的數量，適合于對未知內容的數據集進行聚類。其中，DBSCAN算法(Density-Based Spatial Clustering ofApplications withNoise)是其中最為經典的算法，它以選定對象的單位超球狀區域內所包含的數據對象的數量作為標準來衡量選定對象的密度。例如，針對點云數據(僅包含x、y、z屬性)中的任意一點，DBSCAN能獲取距離該點的一定半徑內的點的數量代表該點的密度。而DBSCAN的基本流程為：

(1)從數據中任意一未標記點p出發，獲取距離該點一定范圍(Eps)內的近鄰點個數，如果近鄰點個數小于最小點數(MinPts)，則認為點p為噪聲點，重新開始第(1)步，否則認為該點為核心點，并創建核心點隊列N以及新簇C，并將點p加入核心點隊列N以及新簇C中；

(2)遍歷核心點隊列N，獲取N_i一定范圍(Eps)內的近鄰點Q，遍歷所有近鄰點，如果近鄰點q未標記，則加入簇C，并且進行判定是核心點還是邊緣點，如果為核心點，加入核心點隊列N，如果為邊緣點，則直接跳過；