基于3D点云分割的研究外文翻译资料

 2022-11-11 14:52:04

英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

基于3D点云分割的研究

摘要 ：三维点云分割是将点云分类为多个同种性质区域的过程，同一区域中的点将具有相同的属性。由于高冗余度，不均匀的采样密度以及缺乏点云数据的明确结构，分割具有挑战性。该问题在机器人技术中有许多应用，例如智能汽车，自动定位和导航。许多作者介绍了不同的方法和算法。在本次研究中，我们研究了用于分割3D点云的方法。分析和讨论了这些方法的优缺点和设计机制。最后，我们概述了未来更有希望的研究方向。

1.引言

现在我们可以广泛使用全三维扫描仪。特别地，对于光探测和测距（LIDAR）和Microsoft Kinect等扫描仪，我们可以轻松获取3D点云以用于不同目的。大量的点云数据需要一个数据库库来处理它们。Point Cloud Library（PCL）于2011年推出。该库包含最先进的3D感知算法。随着硬件和PCL的发展，点云处理在机器人以及其他领域中有着越来越大的吸引力。

将点云分割是处理3D点云的基本步骤。给定点云集合，分割过程的目标是将具有相似特征的点聚类成均匀区域。这些孤立的区域应该是有意义的，分割过程可以有助于在各个方面分析场景，例如定位和识别对象，分类和特征提取。

在计算机图形学中，已经进行了深入的研究，将3D模型分解成功能上有意义的区域。一般方法是输入网格构建图形，并使用沿边界的法线方向，平滑度或凹度等信息对图形进行聚类然后进行分割。Shamir 调查了这一问题的各种方法：凸分解，分水岭分析，层次聚类，区域增长和谱聚类。其中许多方法已广泛用于分割点云数据。

在计算机视觉中，分割2D图像是一个经典问题，并且已经研究了几十年。围绕它开展了大量的工作。最流行的方法之一是图聚类（例如Graph Cuts，包括Normalized Cuts 和Min Cuts ）。这些方法的思想已被广泛用于分割3D点云数据。然而，Anand 表明，当从相应的3D世界形成2D图像时，我们将丢失关于物体的3D形状和几何布局的许多有价值的信息。

Anguelov 的工作表明3D点云分割算法应该具有三个重要的属性。首先，该算法应该能够利用几种不同质量的特征，例如树木将具有与汽车相区别的特征。当特征数量增加时，分割算法应该能够学习如何自动交换它们。其次，分割算法应该能够根据其临近的信息推断出位于稀疏采样区域中的点的特征。第三，分割算法应该适应所使用的特定3D扫描仪，因为不同的激光扫描仪产生不同质量的点云数据，并且即使在相同的场景下它们也可能具有不同的属性。

在下一节中，我们概述了该领域的主要挑战，因为这些挑战产生了各种方法。然后，我们简要介绍常见的3D点云数据集。我们在第3节中对细分分割方法进行了分类和讨论。虽然已经提出了许多方法，但我们并不打算完全覆盖该领域的所有研究。在第4节中，我们讨论了现有技术的局限性并概述了未来的发展方向。

2.挑战和数据集

A.挑战

我们可以精确地确定3D数据中对象的形状，大小和其他属性。但是，在3D点云中分割对象并不是一项简单的任务。点云数据通常是嘈杂，稀疏和无组织的。由于扫描仪的线性和角速率变化，点的采样密度通常也是不均匀的。此外，表面形状可以是任意的，具有尖锐的特征，并且数据中没有统计分布模式。此外，由于3D传感器的限制，前景通常与背景高度纠缠在一起。在设计分割算法时，这些问题是一个难题。

(a) (b) (c) (d)

图1.（a）Cornell RGBD数据集，（b）VMR-Oakland数据集，（c）KITTI数据集和（d）机器人3D扫描库的示例场景

B.数据集

最近，引入了更多的点云数据集（图1）。这些数据集可以分为两类：Kinect捕获的室内数据集，以及通常由激光扫描仪（如LIDAR）捕获的室外数据集。公共数据集的使用使我们能够比较不同的方法，并深入了解这些方法的优缺点。

Cornell RGBD数据集：该数据集具有52个标记的具有RGB值的点云的室内场景（24个标记的办公场景和28个标记的家庭场景）。使用RGBDSLAM 从原始RGB-D图像创建点云数据。该数据集由大约550个视图组成，具有标记的有27个对象类包括2495个部分。

VMR-Oakland数据集：该数据集包含从CMU校园周围的移动平台收集的标记点云数据。使用激光扫描仪收集点并以文本格式保存，每行中写入三个实值坐标。研究人员还提供培训，验证和测试数据。

KITTI数据集：该数据集包括由360◦ Velodyne激光扫描仪捕获的大量无组织点云。它是手动注释的地面真实边界框，用于户外物体，如汽车、行人、电车、卡车和骑自行车的人。

机器人3D扫描存储库：此存储库为室内和室外环境提供3D点云数据集的集合。一些数据集包括热量和颜色信息。这是3D点云数据的巨大集合，不仅可用于分割，还可用于其他目的。但是，这些数据集尚未标记，在将它们用作分段算法输入之前，它们也可能需要进行预处理。

C.方法

在本节中，我们将讨论3D点云分类的方法。我们通常将它们分为五类：基于边缘的方法，基于区域的方法，基于属性的方法，基于模型的方法和基于图的方法（图2）。

Ⅰ.基于边缘的方法

边缘描述了有关物体形状的特征。基于边缘的方法检测点云中的若干区域的边界以获得分割区域。这些方法的原理是定位具有强度快速变化的点。Bhanu等人通过计算梯度，将3D线拟合到设定点并检测表面上单位法向矢量方向的变化来提出边缘检测技术。jiang提出了一种使用扫描线分组技术的快速分割方法。在扫描范围内，图像的线条被分割成曲线，然后聚集它们以表示曲面。与Bhanu等人相比，该方法在分割质量和运行时间方面都是有优势的。但它仅适用于距离图像，不适用于不均匀的密度点云。在[22]中，作者提出了一种新的边缘检测策略，它通过从二元边缘图中提取近似轮廓来进行快速分割。

虽然基于边缘的方法允许快速分割但是它们存在着准确性问题，因为它们都对噪声和点云密度不均匀非常敏感，这些情况经常发生在点云数据中。

Ⅱ.基于地区的方法

基于区域的方法使用邻域信息来组合具有相似属性的附近点以获得隔离区域，并因此发现不同区域之间的不相似之处。基于区域的方法比基于边缘的方法更准确。但是他们在分割过度或不足以及准确确定区域边界方面存在问题。我们将基于区域的方法分为两类：种子区域（或自下而上）方法和非种子区域（或自上而下）方法。

种子区域方法通过选择多个种子点来开始分割过程，然后从这些点开始，如果满足某些标准或兼容性阈值，则每个区域将通过添加临近点来增长。最初的算法由Besl引入。该算法包括两个步骤：基于每个点的曲率识别种子点，并基于预定标准（例如点的距离和表面的曲率）来生长它们。该方法的缺点是它对噪声非常敏感，并且耗时较长。几个后续研究提出了对这种初始方法的改进。科斯特提出了一种算法生成不规则图金字塔，以存储区域之间的相关信息。此信息用于比较和合并相邻区域。Rusu等人的工作。使用基于平滑约束的种子区域方法，如[39]中所述。在[32]中，Tovari介绍了一种用于机载激光数据的区域生长方法。该方法提出了种子生长的方法，基于它们的法向量及其与生长平面内点的距离。

图2.三维点云分割方法的分类

Pu 采用平面表面生长算法来分割地面激光数据。从分段中检索点云数据的许多重要属性以识别潜在的建筑特征。Ning 提出了一种方法，包括粗略和细节分割两个阶段。粗略分割使用同一平面中法向量的一致性来提取场景中的主要对象。详细分割作用于精细过程以提取对象的精确信息。Dorninger 的工作通过使用聚类算法的顺序实现来减少时间复杂度。该方法通过分层聚类和粗略轮廓信息来分割原始点。

种子区域方法高度依赖于选定的种子点。选择种子点的准确度会影响分割过程，并可能导致分割不足或过度。选择种子点以及控制生长过程是耗时的。分段结果可能对所选的兼容性阈值敏感。另一个困难是决定是否需要在给定区域中添加点，因为决策是在分类过程中完成的，易受噪声影响。

相反，非种子区域方法基于自上而下的方法。首先，所有点都分为一个区域。然后进行细分过程，将其划分为更小的区域。只要选择的拟合精度高于阈值，就继续进行区域细分。Chen使用这种方法指导聚类平面区域的过程，以重建建筑物的完整几何形状。这项工作引入了一种基于局部区域置信率的分割方法。这种方法的局限性在于它存在过度分割的可能，并且在分割其他对象（例如树）时它不能很好地执行。

非种子区域方法的主要困难是决定细分的位置和方式。这些方法的另一个限制是它们需要大量的先验知识（例如，对象模型，区域的数量等），这些先验知识在复杂场景中通常是未知的。

Ⅲ.基于属性的方法

基于属性的方法是基于点云数据的聚类属性的鲁棒方法。这些方法包括两个单独的步骤。第一步是属性计算，在第二步中，将根据计算得到的属性对点云进行聚类。聚类方法提供了适应空间关系和属性的灵活性，以将不同的信息结合到分割过程中。这些方法的局限性在于它们高度依赖于派生属性的质量。应精确计算点云数据的属性，以在不同类之间产生最佳分类。

Biosca 引入了一种新的分割策略，利用非监督聚类法和模糊算法研究地面激光点云。该方法使模糊算法的参数与群集合并方法结合使用。但它依赖于选择参数的准确性，并且耗时较长。

Filin 提出了一种聚类激光数据表面的方法。此方法使用表面纹理测量，并且不需要限制处理的数据量或定义窗口以识别数据中的表面纹理。它可以应对变化的点密度，直接在激光点上进行操作，无需光栅化。这种方法的改进可以在[23]中找到。这项工作提出了一种基于特征空间的聚类分析的分割方法。在该方法中，使用称为斜率自适应的邻域系统导出法向矢量。使用点云数据的属性（例如，距离，点密度和水平或垂直点分布）来定义测量点之间的邻域。然后，将每个方向上的法向矢量的斜率和该点与其邻域之间的高度差用作聚类属性。该方法可以消除异常值以及噪声的影响。

Vosselman 使用了众所周知的Hough的3D版本变换用于激光点云数据中的平面的分割。在此方法中，每个点都重新定义为3D属性空间中的平面。采用这种思想进行实验，作者表明，该方法成功地从不规则分布的点云中提取平面，但有时会导致结果过分分割。

基于属性的方法是将点分组为同属性区域的稳健方法。它们的结果灵活而准确。然而，这些方法依赖于点之间邻域的定义和点云数据的点密度。当处理大量点云的多维属性时，这些方法的限制是耗时较长。

Ⅳ.基于模型的方法

基于模型的方法是使用几何图形形状（例如，球形，圆锥形，平面和圆柱形）来对点进行分组。具有相同数学表示的点被分组为一个段。Fischer 引入了一种众所周知的算法RANSAC（RANdom SAmple Consensus）。RANSAC是一个强大的模型，用于检测直线，圆等数学特征。这种方法现在是模型拟合的最新技术。在3D点云分割中，许多后续工作都采用了这种初始算法。

施纳贝尔等人提出了一种算法，该算法使用RANSAC分割网格和点云数据。该方法可以自动检测无组织点云中的基本形状，它包括速度优化步骤，同时仍保持结果的准确性。该方法对于点云数据中的异常值或高度噪声具有鲁棒性。这种方法的缺点是它需要输入点云的大小和数据内形状的大小。

为了扩大原始形状的限制，Gelfand等人。在[42]中提出了一种检测可滑动形状的方法。可滑动形状被定义为旋转和平移对称形状，它包括：球形，螺旋形，平面，圆柱形，线形和旋转表面。该想法可用于通过合并初始可滑动表面来分割包含复杂形状结构的点云数据。但是，它的准确性依赖于初始补丁的大小选择，这很难确定。

Tarsha-Kurdi 比较了RANSAC和3D Hough变换，用于从点云激光数据中自动检测屋顶平面。尽管两种方法都有限制，但RANSAC在分段结果和运行时间方面都更有效。它可以在短时内处理大量输入的数据。另一方面，3D霍夫变换较慢并且对分割参数值更敏感。

Li等人提出了一种全局合并RANSAC方法的算法。在这种方法中，RANSAC用于原始的局部拟合。全局耦合校正了在本地RANSAC阶段中获得的原始数据，并使它们进行精确的全局对校对。当分割点云时，该技术可用于细化拟合基元的参数。

基于模型的方法具有纯粹的数学原理，它们快速并且应用领域广泛。这些方法的主要局限在于处理不同点云数据源时的不准确性。

Ⅴ.基于图的方法

基于图的方法根据图来考虑点云。简单模型是每个顶点对应于数据中的一个点，并且边连接到某些相邻点对。由于其具有高效性，基于图的方法是准确的并且因机器人应用而变得流行。众所周知的这种方法是FH算法。该算法简单，高效，并且像Kruskal算法一样用于在图中查找最小生成树。

Golovinskiy 使用k近邻（KNN）在点云上构建3D图。该方法引入惩罚函数以进行平滑分割，并且使用最小切割将其最小化。该方法可以完全自动地运行，或者与用户界面交互地运行，但是它需要关于要分段的对象的位置的先验知识。

Strom等人提出基于扩展图的方法来分割彩色3D激光点云。通过使用共同注册的传感器，该工作提出了基于颜色和表面法线的分段并集标准。它可以成功地分割室内和室外场景的彩色点云。实验表明它可以实时运行，并且比单独分割激光数据或单独分割彩色图像要强大得多。该方法的局限性在于它需要复杂的传感器系统，并且分割结果对颜色信息敏感。

许多基于图的方法的分割过程被应用到概率推理模型中，例如条件随机场（CRF）。Rusu等提出了一种使用CRF标记具有不同几何表面基元的点的方法。与Nurunnabi一样，这种方法基于表面分割，它提取了一种称为快点特征直方图（FPFH）的特征描述符来编码一个点周围的局部表面几何。通过定义3D几何表面的类别，并使用CRF利用上下文信息，该方法即使在数据存

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[18900]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章