基于凹凸性方法的杂乱场景点云分割算法

为了处理杂乱场景中多个物体的分割问题,提出了一种基于RGB-D点云数据的分割方法;该方法先将场景点云超体聚类分解为基于体素网格的邻接图,然后对邻接图的边缘进行分类创建凸度图,再通过区域生长合并具有凸关系的分块从而得到未知物体。此外,提出用欧几里得算法对区域生长进行改进,发现对于碗和杯子这类具有内部凹面的物体有较好地分割效果。在对象分割数据库和手动提取场景中的实验结果,表明该方法可以在杂乱的桌面场景中分割各种形状的对象。

结合超体素和图优化的激光点云树木分割

针对在复杂城市环境中难以有效自动提取树木信息的问题,该文首先基于移动激光扫描(MLS)数据,利用超体聚类对点云数据结构进行组织管理;然后从超体素局部上下文信息中提取去趋势几何特征,结合去趋势几何上下文特征,采用随机森林分类器对树木进行初始语义标记;接着,基于局部上下文信息进行迭代正则化,在全局图模型上进行整体优化,从而对初始语义分类结果进行空间平滑;最后根据语义标记结果,基于图割算法实现单木分割。该方法基于超体素的结构可以有效地保持场景中目标的几何边界,而且提升了处理效率。去趋势几何特征可以克服局部上下文中的冗余和显著性信息,使得获取的特征更具代表性。实验结果表明,该方法在3个数据集的树木语义标记结果达到90%左右,对结构简单且稀疏分布的树木都能正确提取。