一种基于统计和凹凸性的点云数据集构建方法及装置制造方法及图纸

本发明专利技术涉及计算机视觉、点云分割技术领域，提供了一种基于统计和凹凸性的点云数据集构建方法及装置。目的在于将传统点云分割方法应用于深度学习数据集的构建，解决深度学习点云数据集匮乏的问题。主要方案包括，步骤1：获取目标原始点云数据，进行基于特征的滤波去噪；步骤2：第一次聚类，对点云进行超体聚类过分割，得到体素块集合；步骤3：第二次聚类，对步骤2获得的各体素块进行LCCP聚类，得到LCCP聚类集合；步骤4：第三次聚类，基于点特征直方图对LCCP聚类集合进行条件欧几里得聚类，得到最终聚类集合；步骤5：根据最终聚类集合的结果将点云进行标记，组织文件得到点云数据集。组织文件得到点云数据集。组织文件得到点云数据集。

【技术实现步骤摘要】
一种基于统计和凹凸性的点云数据集构建方法及装置


[0001]本专利技术涉及计算机视觉、点云分割
，提供了一种基于统计和凹凸性的点云数据集构建方法及装置。

技术介绍

[0002]近年来，深度传感器和三维激光扫描仪的普及推动了三维点云处理方法的快速发展。点云分割作为点云数据处理与分析的基础技术，成为自动驾驶、导航定位、智慧城市、医学影像分割等领域的研究热点。
[0003]点云分割是把点云分为若干个特定的、具有独特性质的区域并识别出点云内容的技术。传统的点云分割方法大多是通过提取三维形状几何属性的空间分布手工提取特征，构建相应的判别模型实现分割。手工提取的特征主要依靠设计者的先验知识以及手工调动参数，限制了大数据的使用。伴随着大型三维模型数据的出现和GPU计算能力的不断迭代更新，深度学习在点云分割领域逐渐占据了绝对主导地位。
[0004]但是基于深度学习的分割方法需要大量的数据对模型进行训练且需要大量的计算资源，目前已有的数据集并不能满足语义分割发展的需求，因此构建数据量丰富、有效且全面的数据集是目前语义分割的首要条件。而且，现有的三维数据集大部分局限在室内场景以及城市街道场景，例如图1所示的Matterport3D数据集。有标注且内容丰富的户外点云场景、遥感和机械零件等针对各领域的专门数据集相对较少，建立一套标准的数据集构建方法对构建针对各领域需求的数据集，以及加速深度学习技术在三维领域的发展十分必要。
[0005]目前，构建点云数据集的主要方法是首先通过标注软件对点云进行标注，然后按照深度学习模型的输入要求将数据组织成文件。其中最耗时耗力的工作就是点云标注，主流的标注软件有semantic
‑
segmentation
‑
editor等，但是都需要人工逐点操作，工作量大、效率低。为了提高标注效率，首要目标就是实现点云的精细预分割，将人工因素压缩到最小以实现数据的批量处理。
[0006]目前的点云分割方法主要分为传统方法和基于深度学习的方法两大类。
[0007]传统的点云分割方法主要分为以下4种：
[0008]一、以边缘为基础的分割方法：这种方法通过计算梯度检测表面上单位法向量方向的变化，或者计算点云强度，根据单位法向量或者点云强度变化来确定点云区域的边界，从而得到分割块，但是点云分割块边缘的损失会偏大，准确度也不能得到保证，原因在于边缘对于噪声、不均匀或稀疏的点云非常敏感。
[0009]二、区域生长算法：即根据点云法线、曲率估计算法获得其法线和曲率值，通过法线和曲率来判断某点是否属于该类，进而获取点云的不同分割区域，但存在分割过度或者分割不足的问题。
[0010]三、基于属性的分割算法：使用点云属性作为聚类阈值得到分割结果，但是过于依赖点云密度且相当耗时。
[0011]四、以模型为基础的分割方法：通过将提取的特征与存储在数据库中的场景相匹配来执行物体的分割，这种算法强烈依赖于检测测试场景和存储模型之间的重复性的、可靠的和描述性特征，以及相应的准确特征，当场景点云数量较大时，算法执行起来需要大量的时间和计算。
[0012]LCCP(Locally Convex Connected Patches)算法在区域生长算法的基础上做了进一步工作，通过距离以及法线信息分析体素块之间的凹凸性关系，比前述4类传统方法有更高的分割精度和效率，也能够分割发生接触或者层叠的点云。算法大致可以分成两个部分：基于超体聚类的过分割和在超体聚类基础上的再聚类。
[0013]基于深度学习的点云分割方法发展迅速，主要有基于投影的深度神经网络、基于体素的深度神经网络、基于点的深度神经网络和基于超点图的深度神经网络等。基于深度学习的方法通过使用大量的训练数据对设计好的深层神经网络进行参数训练，提取点云高层次的特征并对其进行分类，最终实现对点云数据逐点的语义分割。但是基于深度学习的方法需要大量的数据对模型进行训练且需要大量的计算资源，对于较少的训练数据很难使深度神经网络达到理想的分割效果。因此利用传统方法获得一定数量的标注好的点云数据集，是基于深度学习方法应用和推广的基础。
[0014]目前，关于点云数据标注的相关成果相对较少。在“点云数据的标注方法、装置、设备和介质”中提出了一种基于预训练模型的点云标注方法。具体为，将原始点云数据集合进行数据分割，得到至少两个点云数据子集；利用预先训练的预测模型，分别对所述每个点云数据子集进行预测，得到所述每个点云数据子集中各点云数据的预测类别和预测概率；再根据每个点云数据子集中各点云数据的预测类别和预测概率，确定原始点云数据集合中各点云数据的标注结果。“一种三维点云语义分割标注方法”中公开了一种三维点云语义分割标注方法。具体为，将多线束激光雷达采集到的点云数据进行球面映射预处理，将稀疏的不均匀分布的点云数据转换为均匀密集分布的球面图；设计神经网络结构，对点云数据进行分割，并基于kitti数据集中的标签文件和点云数据文件对网络模型进行预训练；利用预训练网络模型得到点云场景的语义分割结果。
[0015]上述相关方法的主要缺陷有两方面：
[0016]一、只有预训练模型的质量足够好才能保障最终数据集的准确性；
[0017]二、需要数量充足和类别丰富的点云数据集来训练预测模型，才能得到鲁棒性较好的点云数据集。这些方法都没有解决神经网络应用中训练和测试数据集快速高效构建的基本问题。

技术实现思路

[0018]本专利技术的目的在于将传统点云分割方法应用于深度学习数据集的构建，解决深度学习点云数据集匮乏的问题。
[0019]本专利技术为了解决上述技术问题，采用以下技术方案：
[0020]一种基于统计和凹凸性的点云数据集构建方法，包括以下步骤：
[0021]步骤1：获取目标原始点云数据，进行基于特征的滤波去噪；
[0022]步骤2：第一次聚类，对点云进行超体聚类过分割，得到体素块集合；
[0023]步骤3：第二次聚类，对步骤2获得的各体素块进行LCCP聚类，得到LCCP聚类集合；
[0024]步骤4：第三次聚类，基于点特征直方图对LCCP聚类集合进行条件欧几里得聚类，得到最终聚类集合；
[0025]步骤5：根据最终聚类集合的结果将点云进行标记，组织文件得到点云数据集。
[0026]上述技术方案中，步骤1包括以下步骤：
[0027]步骤1.1、获取目标原始点云数据，扫描点云数据，构建八叉树，其中点云中点的个数为n，任意一点p
i
的k
i
邻域点集为N
i
(p
i
)，其中i＝1，2，
…
n，k
i
表示p
i
的最近邻点的个数，其初始值由用户给定；
[0028]步骤1.2、求解每一个点p
i
在N
i
(p
i
)内的局部邻域距离d
i
；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于统计和凹凸性的点云数据集构建方法，其特征在于，包括以下步骤：步骤1：获取目标原始点云数据，进行基于特征的滤波去噪；步骤2：第一次聚类，对点云进行超体聚类过分割，得到体素块集合；步骤3：第二次聚类，对步骤2获得的各体素块进行LCCP聚类，得到LCCP聚类集合；步骤4：第三次聚类，基于点特征直方图对LCCP聚类集合进行条件欧几里得聚类，得到最终聚类集合；步骤5：根据最终聚类集合的结果将点云进行标记，组织文件得到点云数据集。2.根据权利要求1所述的一种基于统计和凹凸性的点云数据集构建方法，其特征在于，步骤1包括以下步骤：步骤1.1、获取目标原始点云数据，扫描点云数据，构建八叉树，其中点云中点的个数为n，任意一点p
i
的k
i
邻域点集为N
i
(p
i
)，其中i＝1，2，
…
n，k
i
表示p
i
的最近邻点的个数，其初始值由用户给定；步骤1.2、求解每一个点p
i
与N
i
(p
i
)内其他点的局部邻域距离d
i
；步骤1.3、求解当前所有点局部邻域距离的平均值设初始平均距离步骤1.4、如果转到步骤1.5；否则转到步骤1.6，ε由用户设定；步骤1.5、逐点判断点p
i
的局部邻域距离d
i
，如果则k
i
＝k
i
‑
1：如果此时k
i
＝＝0，则将点p
i
去除，如果k
i
＞0，则更新N
i
(p
i
)，重新计算d
i
；同时j＝j+1，转到步骤1.3，其中σ为标准差λ为给定值；步骤1.6、逐点判断点p
i
的局部邻域距离d
i
，如果就将点p
i
去除，否则就保留点p
i
，处理完所有的点。3.根据权利要求1所述的一种基于统计和凹凸性的点云数据集构建方法，其特征在于，步骤3包括以下步骤：步骤3.1、获取体素块集合中邻接体素块之间的局部凹凸性，具体方法为：当体素块集合中邻接体素块连接时，采用CC准则获取所述邻接体素块的局部凹凸性；当体素块集合中邻接体素块不连接时，采用SC准则获取所述邻接体素块的局部凹凸性；步骤3.2、在标记完各个区域之间的凹凸关系后，采用区域生长算法将小区域聚类成较大的区域，得到LCCP聚类集合。4.根据权利要求1所述的一种基于统计和凹凸性的点云数据集构建方法，其特征在于，步骤4包括以下步骤：步骤4.1、步骤3得到的LCCP聚类集合中的类别数为K0，求解每一个类别集合的质心c
i
(i＝1，2，
…
K0)；步骤4.2、将质心c
i
构建为八叉树结构T；步骤4.3、建立待处理集合P，集群列表C，以及类别质心队列Q，将所有质心c
i
添加到待处理集合P中；步骤4.4、对每一个质心c
i
，判断以质心c
i
为球心的球体内的候选点的类别；步骤4.4.1、判断待处理集合P是否为空，若P是则算法终止；否则从P中随机取出一个质心c
i
放到类别质心队列Q中，并从P中去除该质心c
i
；
步骤4.4.2、对类别质心队列Q中的质心c
i
逐个执行以下操作：在半径为R的球体中搜索c
i
的邻居点集合N(c
i
)；使用巴氏距离比较法计算点c
i
与N(c
i
)中的每一个邻居点c
j
的PFH特征的巴氏距离B
ij
：若B
ij
≥α，则断定点c
i
与c
j
代表的两个类别集合不属于同一类；若B
ij
＜α，则将点c
j
添加到类别质心队列Q中，并从P中去除；其中，R、α由用户自定义，将处理完的点c
i
标记为已处理，当类别质心队列Q中所有质心均标记为已处理时，转到步骤4.4.3；步骤4.4.3、将类别质心队列Q中的点集添加到集群列表C中的第k项，重置类别质心队列Q为空，转到步骤4.4.1；其中，k＝1，2，3...K，K为最终聚类集合的类别数目，点云中的点被聚类成K个点群。5.根据权利要求4所述的一种基于统计和凹凸性的点云数据集构建方法，其特征在于，步骤5包括以下步骤：对分好类的点群进行编号并与目标标签一一对应，然后将每一个点以(x坐标，y坐标，z坐标，标签编号)的四元组形式存储在H5文件中，将标签编号与类别名称一一对应，以(标签编号，类别名称)二元组形式存储在txt文件中，H5文件、txt文件共同组成点云...

【专利技术属性】
技术研发人员：余思佳，赵志彬，王华磊，胡任杰，黄世昌，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：