第9讲-地面三维激光雷达点云分割分类

地面三维激光点云分割与分类
点云数据分割 基于RANSAC点云分割
地面三维激光点云分割与分类
点云数据分割 点云深度图像均值飘移聚类分割
地面三维激光点云分割与分类
点云数据分割 基于模型拟合分割
基于模型拟合的点云分割方法主要是基于RANSAC 以及Hough变换两种模型参数估计方法来进行点云 分割 RANSAC算法是目前在计算机视觉领域应用非常广 泛的稳健的模型参数估计算法，其最大的特点就是 能够从包含有大量噪声点的样本中提取出精确的模 型参数
地面三维激光点云滤波
点云数据分割分类 点云分割
地面三维激光点云分割与分类
点云数据分割 点云分割方法分类
根据分割测度特征空间 基于空间域：利用点云法向量、曲率、图形拓扑 以及颜色等相似性测度来进行分割,如区域增长、 聚类分割方法 基于参数域：是利用在预定义先验分割模型的条 件下采用Hough变换或Ransac方法来进行基于模 型拟合的分割
地面三维激光点云分割与分类
点云数据分割 点云分割方法分类
根据分割结果的表现形式
基于边界的分割：基于边界的方法一般通过将点云转换为 深度或密度影像，然后利用影像边界检测的方法来检测区 域检测边界，或是直接针对点云或三角网数据根据特征形 状算子、曲率极值特征点提取等方法来提取特征点并连接 为特征边界线来达到分割目的 基于区域的分割：基于区域的分割方法主要包括了区域增 长分割、聚类分割、扫描线分割、基于图结构或随机场以 及基于参数拟合分割等分割方法
预定义分割 模型 利用RANSAC提 取样本点集最 优模型参数
所有点被标 识为分割
提取样本点集 中的内点作为 新的分割单元
否
是
将未标识点 作为样本点集
分割完毕
地面三维激光点云分割与分类
点云数据分割 基于RANSAC点云分割
优点：具有较强的抗噪性能 缺点：对于大规模点云的分割其仍然存在效率不高 的问题，而且会存在着无法区分共面但不连通点云 的欠分割或伪平面提取的问题。
第九讲
地面三维激光雷达点云分割与分类
地面三维激光点云分割与分类
点云数据分割 点云分割
点云分割目的是将复杂场景点云划分为具有相似特 征测度的匀质单元，特征测度的范围十分广泛，包 含了通过点云几何信息反演的法向量、曲率、局部 拟合残差等测度或者是强度、光谱及通过光谱信息 反演的纹理等信息。 正确进行点云分割和识别点云特征不仅有助于点云 数据的管理，提高数据处理效率，还能对目标的三 维重建提供可靠信息。
地面三维激光点云分割与分类
点云数据分割 点云区域增长分割步骤
所有点被标 识为分割
依次取K邻域点 中点 从种子堆栈删 除种子点
否
选择新的区域 增长种子点
邻域点是否与 种子点相似 是
种子堆栈 是否为空
是
获取种子点的 未标识K邻域点
否
是
标识该点并将点 添加到种子堆栈
否
取堆栈中的下 一个种子点
是
分割完毕
地面三维激光点云分割与分类
点云数据分割 基于边界分割方法
原始点云
边界提取
分割结果
地面三维激光点云分割与分类
点云数据分割 基于区域常用分割方法
区域增长分割 特征聚类分割 基于模型拟合的分割
地面三维激光点云分割与分类
点云数据分割 点云区域增长分割
基于区域生长的点云分割是假设点云中某些在特征 距离范围内的点属于同一曲面。 区域增长主要包括两个基本步骤： 种子点或种子曲面选定 基于特征测度约束的增长 区域增长基于测度包括：点的空间距离、局部拟合 平面参数、点法向量、曲率、强度等几何或光谱测 度
Fra Baidu bibliotek
地面三维激光点云分割与分类
点云数据分割 点云区域增长分割步骤
特征测度确定与估计 : 即用于约束区域生长过程的判 定条件。 种子点选择 : 主要方法有人工交互选择、随机选择、 根据法向量拟合残差自动选择或利用Hough变换来确 定等方法。 区域增长分割：通过判断种子点的邻域点是否具有与 种子点相似的特征测度，如果相似则将该邻域点标识 为与种子点同一区域，并将该点作为新的种子点。
地面三维激光点云分割与分类
点云数据分割 基于RANSAC点云分割
模型内点标识。在设定了点到模型距离阈值的条件 下，提取点云中符合该模型的内点标识为同一分割 单元。如果点云中存在未被标识为分割的点，则重 复2～3步骤直到所有点被标识为分割。
地面三维激光点云分割与分类
点云数据分割 基于RANSAC点云分割
地面三维激光点云分割与分类
点云数据分割 点云区域增长分割
平面区域增长
地面三维激光点云分割与分类
点云数据分割 基于特征聚类分割
模糊聚类分析是用来研究未知样本空间的分类问题， 即在没有任何先验知识的前提下，根据数据内部的 特征空间分布，在给定的相似性测度的约束下将数 据聚合成不同的簇或类。 基于特征聚类的点云方法主要分为两步： 基于点云属性的特征空间确定 特征空间聚类。
地面三维激光点云分割与分类
点云数据分割 点云分割方法分类
根据分割结果的表现形式
分割方法 分类
基于边界分 割方法
基于区域分 割方法
基 于 聚 类 分 割
基 于 模 型 拟 合 分 割
基 于 区 域 增 长 分 割
基 于 扫 描 线 分 割
基 于 图 结 构 分 割
基 于 随 机 场 分 割
地面三维激光点云分割与分类
点云数据分割 基于特征聚类分割
优点：能够全自动进行点云分割，特征向量的构建 方式灵活多变 缺点：易受噪声影响，而且聚类过程较为耗时，分 割效率低下效率低下，不适用于大规模复杂场景的 地面三维激光扫描点云数据分割。
地面三维激光点云分割与分类
点云数据分割 点云法向量模糊聚类分割
地面三维激光点云分割与分类
点云数据分割 RANSAC算法流程
从N个点集样本中随 机抽取n个必要点 否 求解模型参数 P是否小于先验错误 概率阈值P 是 根据判别函数统计样本 中符合该模型的样本s 取当前样本s计算作为 最终的模型参数 估计K次抽取后模型参数错 s K 误概率 p= (1 − w )
计算对应的符合该模型 样本比例w = s / N
结束RANSAC
地面三维激光点云分割与分类
点云数据分割 基于RANSAC点云分割
预定义分割模型。每次分割只能分割出符预定义模 型的某一类曲面。由于采用了一种基于随机采样的 迭代参数估计方法，一般只适合较为简单的如平面、 圆柱面、球面等曲面模型的点云分割。 模型参数估计。在该步骤中，将点云中未被标识的 点作为采样样本，然后利用RANSAC提取样本中的 最优模型参数。
种子点邻域处 理完毕
结束本次区域 增长过程
地面三维激光点云分割与分类
点云数据分割 点云区域增长分割
优点：是一种由下至上的分割方法，分割过程局限于 局部区域，因而其对数据量不敏感，每个分割单元分 割时间与单元大小呈现近似线性关系，而且简单易于 实现。 缺点：需要定义种子曲面（或种子点），算法分割结 果可靠性取决于种子点，抗噪性不强，容易导致过分 割以及欠分割的问题。