(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211024754.1 (22)申请日 2022.08.25 (71)申请人 江苏方天电力技 术有限公司 地址 211100 江苏省南京市江宁区苏源大 道58号 (72)发明人 黄祥　王红星　郭昭艺　顾徐　 陈露　霍丹江　杜彪　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 冯宁 (51)Int.Cl. G06V 20/70(2022.01) G06V 10/26(2022.01) G06V 10/30(2022.01) G06V 10/36(2022.01)G06V 10/762(2022.01) (54)发明名称 一种自然场景下的基于特征聚类的点云分 割方法 (57)摘要 本发明公开了一种自然场景下的基于特征 聚类的点云分割方法， 包括： 获取特征滤波的点 云数据， 并去除点云数据中包含地面特征的点 云， 获得无地面特征干扰因素且符合特征聚类的 点云数据集； 点云数据集基于特征聚类算法进行 粗分割， 获得分割结果； 分割结果基于形状分布 算法进行去噪， 获得去噪点云数据； 去噪点云数 据基于特征聚类算法进行细分割， 并输出细分割 下的点云数据。 本发明的点云模 型分割方法在自 然场景中结合了特征聚类等相关技术， 设计了完 整的分割技术， 有效的降低了算法的计算复杂 度 和计算资源开销， 同时在准确率方面得到了大幅 提升， 在实时性， 可扩展性， 负载均衡等方面也均 优于其他方法。 权利要求书2页 说明书6页 附图1页 CN 115410197 A 2022.11.29 CN 115410197 A 1.一种自然场景 下的基于特 征聚类的点云 分割方法， 其特 征在于， 包括： 获取特征滤波的点云数据， 并去 除点云数据中包含地面特征的点云， 获得无地面特征 干扰因素且符合特 征聚类的点云数据集； 点云数据集基于特 征聚类算法进行粗分割， 获得分割结果； 分割结果基于形状分布算法进行去噪， 获得去噪点云数据； 去噪点云数据基于特 征聚类算法进行细分割， 并输出细分割下的点云数据。 2.根据权利要求1所述的一种自然场景下的基于特征聚类的点云分割方法， 其特征在 于， 获取基于特征滤波的点云数据， 并去除点云数据中包含地面特征的点云， 获得无地面特 征干扰因素且符合特 征聚类的点云数据集的方法为： 从原始点云数据中进行图像随机下采样， 获得点云数据； 其中， 在采样过程中采用进行 特征滤波去除原始点云数据中孤立 点， 并反转 点云数据， 获得 特征滤波的点云数据； 将特征滤波的点云数据导入布料模拟算法进行处理， 筛选出点云数据中的包含地面特 征的点云； 对点云数据中的非地面特征的点云进行保留， 获得无地面特征干扰因素且符合特征聚 类的点云数据集。 3.根据权利要求2所述的一种自然场景下的基于特征聚类的点云分割方法， 其特征在 于， 图像随机下采样 中设定的图像下采样目标宽度和目标高度均为33； 所述特征滤波的对 比度截断阈值设定为 40.0。 4.根据权利要求1所述的一种自然场景下的基于特征聚类的点云分割方法， 其特征在 于， 点云数据集基于特 征聚类算法进行粗分割， 获得分割结果的方法包括： 随机选择点云数据集中不属 于已聚类点集合A1中的一点作为基准点， 设置基准点周围 簇群集合S1为空， 其中； 粗分割中特征聚类算法中预设已聚类点集合A1、 特征聚合半径r1和 聚类点云数量的下限值； 从点云数据任选一点， 若任选点未存在于已聚类集合A1中， 则计算任选点与基准点之间 的l2范数作为距离， 若距离小于特征聚合半径r1， 则将任选点加入基准点周围簇群集合S1， 并加入已聚类 集合A1中； 并从点云数据中循环选择所有点加入 基准点周围簇群 集合S1， 至未 聚类的点与基准 点的距离均大于特 征聚类半径 r1； 计算基准点的周围簇群集合S1中点的个数， 如果大于聚类点 云数量的下限值， 则标记集 合S1'为标准集合， 否则， 将该周围簇群集 合S1标记为失败集 合， 并选择输出 标准集合； 循环选择输出标准集合， 直到点 云数据中所有的点均位于已聚类集合A1中， 输出所有标 准聚类簇群， 并基于聚类簇群对点云数据中所有的点进行聚类， 从而获得粗分割结果。 5.根据权利要求4所述的一种自然场景下的基于特征聚类的点云分割方法， 其特征在 于， 特征聚合半径 r设定为8； 聚类点云数量的下限值设定为10 00。 6.根据权利要求1所述的一种自然场景下的基于特征聚类的点云分割方法， 其特征在 于， 分割结果基于形状分布算法进行去噪， 获得去噪点云数据的方法为： 对粗分割结果进行随机下采样， 并将粗分割结果进行坐标转换， 获得点云数据中所有 点坐标； 计算点云数据的中心坐标， 基于 中心坐标计算点云数据中各个点与 该中心坐标的分布 距离， 并统计分布 距离的均值 为l‑权　利　要　求　书 1/2 页 2 CN 115410197 A 2基于分布距离的均值筛选噪声点， 并对于点云数据中距离 中心坐标的距离大于两倍分 布距离均值 l‑的点云数据点进行删除， 获得去噪点云数据。 7.根据权利要求1所述的一种自然场景下的基于特征聚类的点云分割方法， 其特征在 于， 去噪点云数据基于特 征聚类算法进行细分割， 并输出细分割下的点云数据的方法为： 随机选择去噪点云数据中的属于未聚类点集合A2中且不属 于未成功集合B的一点作为 基准点， 设置基准点周围簇群集合S2为空； 其中细分割中特征聚类算法预设特征聚合半径 r2、 聚类点云数量下限值、 相似度距离l、 未聚类点 集合A2， 未成功集 合B； 从去噪点 云数据中任选一点， 若任选点存在于 未聚类集合A2中， 则计算该点与基准点之 间的l2范数作为距离， 若距离小于特征聚合半径r2， 同时， 计算该点与基准点之间的相似度 距离l'， 若l'小于基准相似度距离l， 则将任选点加入基准点周围簇群集合S2， 并在未聚类 集合A2中删除该点； 从去噪点云数据中循环选择所有点加入基准点周围簇群集合S2直到未 聚类的点与基准 点的距离均大于特 征聚类半径 r2； 计算基准点的周围簇群集合S2中点的个数， 如果大于聚类点 云数量下限值， 则标记集合 S2'为标准集合， 输出标准集合； 其中， 若基 准点的周围簇群 集合S2中点的个数小于聚类 点云 数量下限值， 将周围簇群集合S2中的所有点加入到未成功集合B中， 同时将周围簇群集合S2 中所有的点云数据点放回未聚类点集合A2中， 重新循环选择所有点加入基准点周围簇群集 合S2直到未聚类的点与基准点的距离均大于特征聚类半径r2， 并重新计算计算基准点的周 围簇群集 合S2中点的个数， 直至 输出标准集合； 循环输出输出标准集合， 直到点 云数据中所有的点均不位于未聚类集合A2中， 输出所有 标准聚类簇群， 基于标准聚类簇群对点云数据中所有的点进行聚类， 获得细分割的点云数 据。权　利　要　求　书 2/2 页 3 CN 115410197 A 3