一种三维场景下的点云识别方法与流程

本发明涉及三维点云数据处理的技术领域，尤其涉及到一种三维场景下的点云识别方法。

背景技术：

在三维场景识别领域，点云通常被用于对象的可视化，该种表达已经成为3d数据的代表。

在移动机器人技术领域，区分环境中不同物体的点云，常用的方法是语义分割。

目前应用于点云语义分析的代表性特征点采样方法包括随机采样、均匀采样、k近邻采样、迭代最远点采样等。然而在实际应用中，以上的采样方法均基于点云的坐标位置信息而忽视了点云物体的几何形状特征信息，精度较低。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种识别精度高的三维场景下的点云识别方法。

为实现上述目的，本发明所提供的技术方案为：

一种三维场景下的点云识别方法，以激光雷达扫描仪获取的原始点云数据作为输入，利用点云的局部几何曲率变化特征，对点云曲率变化明显的部分进行针对性的分类采样处理，进而将点云划分为语义级别上有意义的部分，并将采样得到的特征点标记为预定义的对象类别，从而识别点云环境中不同的物体。

进一步地，利用局部平面拟合的方法，获取离散的点云局部几何曲率变化特征，具体包括：

1)通过历遍点云中所有点个体以及给定的统计半径r，对点云所在位置进行邻域设定；

2)根据设定的邻域范围，计算邻域内点云坐标位置的均值以及标准差，从而得到该点云集合的协方差矩阵c：

上式中，为点云邻域均值，pi为点云个体；

3)计算协方差矩阵的升序特征值(λ1,λ2,λ3)以及对应特征向量(ν1,ν2,ν3)，得到点云邻域的延申方向；

4)基于各延申方向所对应的特征值，提取其最小特征值λ1作为点云平面法向ν1所对应延申模量，并计算最小特征值与三个特征值之和的比例γ：

从而利用该比例γ代表该点云与平面的拟合程度，该比例越小，说明点云邻域的法向延申程度越不明显，从而其平面拟合度越高，对应曲率也越小；反之亦然。

进一步地，针对三维物体两个面相交的交界处的曲率发生突变的情况，以局部曲率变化提取三维物体中两个面的交线，从而刻画物体的形状信息；

对于点云个体pi，求pi与以其为球心，给定的统计半径r的球内所有点的曲率差；为了避免噪声影响，取球内最大的三个曲率差的均值，来定义pi在其局部的曲率变化；每个点的信息包含了除原始输入的x,y,z坐标外，还有曲率变化cchange。

进一步地，所述步骤s3的具体过程如下：

对点云进行曲率计算过程中，对整体点云进行划分并分块预测；该划分过程，基于给定的划分分辨率进行均匀划分；对于每个划分得到区域，设定该区域的固定采样数目；各子块的采样合并后送入神经网络进行语义标记预测。

进一步地，基于划分结果，对点云中个体进行历遍检索，比较各点曲率变化与给定阈值大小；根据所得到曲率变化的比较结果，判断对该区域是否为物体中两个面的交界，进行基于曲率变化的采样；

而在曲率变化大的区域，通过最大曲率变化采样方法进行采样，具体过程如下：

首先在曲率变化大的区域随机采样一个点g1,然后在区域内通过所有点的曲率变化值cchange与g1的曲率变化cchange1做差，寻找最大的差值，其对应的点记作g2，将g1、g2作为集合g；

接着，逐点求解曲率变化大的区域中剩余的点云个体的cchange与集合g中的点云个体cchange的最大差值，并将这些差值中，最小的所对应的曲率变化大的区域中的点云个体记作gj，将其并入集合g中；以此更新g，直到g中包含用户设置的采样数量。

进一步地，在曲率变化小的区域，采用迭代最远点采样方法进行降采样，将两个区域分别采样的点聚合，使得输入点云的降采样包含点云个体的位置信息和局部点之间的几何形状关联信息。

进一步地，利用深度卷积神经网络进行点云语义标注的预测，而预测过程中，与局部点云的曲率特征结合，增强点云的局部特征关联，实现环境中的各种物体分类以及目标物体的分割。

与现有技术相比，本方案原理及优点如下：

本方案以激光雷达扫描仪获取的原始点云数据作为输入，利用点云的局部几何曲率变化特征，对点云曲率变化明显的部分进行针对性的分类采样处理，进而将点云划分为语义级别上有意义的部分，并将采样得到的特征点标记为预定义的对象类别，从而识别点云环境中不同的物体。

本方案利于提高三维点云的分割精度，驱动移动机器人在三维点云场景中更有效地识别不同的物体。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种三维场景下的点云识别方法中基于曲率变化的点云降采样的原理流程图。

具体实施方式

下面结合具体实施例对本发明作进一步说明：

本发明实施例所述的一种三维场景下的点云识别方法，包括以下步骤：

s1、以激光雷达扫描仪获取的原始点云数据；

s2、计算点云的曲率变化；(如图1所示，下述的步骤s2和s3为基于曲率变化的点云降采样的过程)

其中，利用局部平面拟合的方法，获取离散的点云局部几何曲率变化特征，具体包括：

1)通过历遍点云中所有点个体以及给定的统计半径r，对点云所在位置进行邻域设定；

2)根据设定的邻域范围，计算邻域内点云坐标位置的均值以及标准差，从而得到该点云集合的协方差矩阵c：

上式中，为点云邻域均值，pi为点云个体；

3)计算协方差矩阵的升序特征值(λ1,λ2,λ3)以及对应特征向量(ν1,ν2,ν3)，得到点云邻域的延申方向；

4)基于各延申方向所对应的特征值，提取其最小特征值λ1作为点云平面法向ν1所对应延申模量，并计算最小特征值与三个特征值之和的比例γ：

从而利用该比例γ代表该点云与平面的拟合程度，该比例越小，说明点云邻域的法向延申程度越不明显，从而其平面拟合度越高，对应曲率也越小；反之亦然。

由于三维物体的两个面相交的交界处的曲率发生突变，本实施例以局部曲率变化提取三维物体中两个面的交线，从而刻画物体的形状信息。对于点云个体pi，求pi与以其为球心，给定的统计半径r的球内所有点的曲率差。为了避免噪声影响，取球内最大的三个曲率差的均值，来定义pi在其局部的曲率变化。因此，经此步骤处理后此时每个点的信息包含了除原始输入的x,y,z坐标外，还有曲率变化cchange

s3、对点云曲率变化明显的部分进行针对性的分类采样处理；

对点云进行识别过程中，对整体点云进行划分并分块预测；该划分过程，基于给定的划分分辨率进行均匀划分；对于每个划分得到区域，设定该区域的固定采样数目；

基于划分结果，对点云中个体进行历遍检索，比较各点曲率变化与给定阈值大小；根据所得到曲率变化的比较结果，判断对该区域是否为物体中两个面的交界，进行基于曲率变化的采样；

其中，在曲率变化大(hcv)的区域，通过(lcvs)最大曲率变化采样方法进行采样，具体过程如下：

首先在曲率变化大的区域随机采样一个点g1,然后在区域内通过所有点的曲率变化值cchange与g1的曲率变化cchange1做差，寻找最大的差值，其对应的点记作g2，将g1、g2作为集合g；

接着，逐点求解曲率变化大的区域中剩余的点云个体的cchange与集合g中的点云个体cchange的最大差值，并将这些差值中，最小的所对应的曲率变化大的区域中的点云个体记作gj，将其并入集合g中；以此更新g，直到g中包含用户设置的采样数量。

而在曲率变化小(lcv)的区域，采用迭代最远点(fps)采样方法进行降采样，将两个区域分别采样的点聚合，使得输入点云的降采样包含点云个体的位置信息和局部点之间的几何形状关联信息。

s4、利用神经网络将点云训练的特征表达，并将其与局部点云的曲率特征结合，增强点云的局部特征关联，实现环境中的各种物体分类以及目标物体的分割；

在所得到的语义分割结果中，如若语义信息表明该区域为“地板”“地毯”等移动机器人导航可达区域，则在其自主导航轨迹规划过程，给予更大的路径可达权重，从而提高导航成功率。另一方面，对于语义识别为“墙壁”“橱柜”等不可达障碍时，则给予较小的路劲规划权重，实现智能避障。同时，利用所得到的物体语义信息，对潜在的操作对象进行记录，如“水杯”“遥控器”等移动机器人可操作对象，保留其空间信息，从而为进一步的服务操作提供支持。总而言之，利用各点云语义信息，为移动机器人的导航以及操作提供先验，从而实现高精的点云语义分割以及鲁棒可靠的移动机器人自主导航。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。