分割点云数据的方法、装置、设备和计算机可读介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种分割点云数据的方法、装置、设备和计算机可读介质。


背景技术：

2.基于几何的形状分割是三维数据分析的重要手段，在目标检测、场景建模、场景理解等研究领域有着广泛的应用。片元分割是点云几何形状分析的主要技术手段。合理的片元分割结果可以对点集进行有效的归纳分类，有助于提取几何形状特征和生成语义信息。
3.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：在实际应用中，传统的区域增长算会导致不稳定的片元分割。为了避免欠分割现象引起的片元歧义，使用严格的区域增长参数对场景进行过分割。片元歧义是指同个片元中包含不同语义标签的顶点。片元过分割导致，在面向高片元复杂度的大规模三维场景时，分割点云数据耗费时间较长。


技术实现要素：

4.有鉴于此，本发明实施例提供一种分割点云数据的方法、装置、设备和计算机可读介质，能够缩短分割点云数据的时间。
5.为实现上述目的，根据本发明实施例的一个方面，提供了一种分割点云数据的方法，包括：
6.将点云数据，切分为点云数据的片元，并为所述点云数据的片元分配语义标签；
7.将带有相同语义标签的所述片元，按照片元合并条件和排斥片元合并条件，合并为同一个物体实例，所述片元合并条件和所述排斥片元合并条件是从训练数据的聚类组中提取的；
8.依据所述物体实例，分割所述点云数据。
9.所述方法还包括；
10.依据训练语义标签和训练实例标签，将训练数据分割为训练片元，所述训练语义标签用于标识物体实例的统计特征；所述训练实例标签用于标识物体实例的几何特征；
11.采用聚类算法将所述训练片元，划分为所述片元聚类组，以提取每个片元聚类组中的所述片元合并条件和所述排斥片元合并条件。
12.所述提取每个片元聚类组中的所述片元合并条件和所述排斥片元合并条件，包括：
13.依据训练片元的有向包围盒，确定两个所述训练片元组成片元对的空间关系；
14.按照所述片元对的空间关系、所述片元对的聚类组和所述片元对的训练语义标签，提取所述片元对的出现频率和所述片元对的出现占比；
15.根据所述出现频率和所述出现占比，确定所述片元合并条件和所述排斥片元合并条件。
16.所述将点云数据，切分为点云数据的片元，并为所述点云数据的片元分配语义标签，包括：
17.将所述点云数据，切分为点云数据的片元；
18.计算所述点云数据的片元的语义置信度；
19.将所述语义置信度的最大值对应的语义标签，作为所述点云数据的片元的语义标签。
20.所述将所述点云数据，切分为点云数据的片元，包括：
21.将所述点云数据分割为多个级别，按照当前级别将点云数据切分为多个片元；
22.切分后的片元未满足停止切分条件，在下一个级别中再次分割所述切分后的片元；
23.切分后的片元满足所述停止切分条件，将满足所述停止切分条件的片元作为所述点云数据的片元。
24.所述停止切分条件包括：
25.切分后的片元的语义标签与切分前的片元的语义标签不同，以及切分后的片元的置信度大于切分前的片元的置信度。
26.所述将带有相同语义标签的所述片元，按照所述片元合并条件和所述排斥片元合并条件，合并为同一个物体实例，包括：
27.以两个带有相同语义标签的所述片元，构建一个片元对；
28.所述片元对符合点云数据中同一物体实例的占比，符合所述片元合并规则，且不符合所述排斥片元合并规则，则将所述片元对的片元合并为同一个物体实例。
29.根据本发明实施例的第二方面，提供了一种分割点云数据的装置，包括：
30.标签模块，将点云数据，切分为点云数据的片元，并为所述点云数据的片元分配语义标签；
31.合并模块，用于将带有相同语义标签的所述片元，按照片元合并条件和排斥片元合并条件，合并为同一个物体实例，所述片元合并条件和所述排斥片元合并条件是从训练数据的聚类组中提取的；
32.分割模块，用于依据所述物体实例，分割所述点云数据。
33.根据本发明实施例的第三方面，提供了一种分割点云数据的电子设备，包括：
34.一个或多个处理器；
35.存储装置，用于存储一个或多个程序，
36.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的方法。
37.根据本发明实施例的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述的方法。
38.上述发明中的一个实施例具有如下优点或有益效果：将点云数据，切分为点云数据的片元，并为所述点云数据的片元分配语义标签；将带有相同语义标签的所述片元，按照片元合并条件和排斥片元合并条件，合并为同一个物体实例，所述片元合并条件和所述排斥片元合并条件是从训练数据的聚类组中提取的；依据所述物体实例，分割所述点云数据。采用片元合并条件和排斥片元合并条件，合并属于同一个物体实例的片元，最后将点云数
据分割为多个物体实例，以避免欠分割和过分割，能够缩短分割点云数据的时间。
39.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
40.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
41.图1是根据本发明实施例的分割点云数据的方法的主要流程的示意图；
42.图2是根据本发明实施例的分割点云数据的方法架构示意图；
43.图3是根据本发明实施例的获取片元合并条件和排斥片元合并条件的流程示意图；
44.图4是根据本发明实施例的分割训练点云数据的流程示意图；
45.图5是根据本发明实施例的片元划分为片元聚类组的流程示意图；
46.图6是根据本发明实施例的提取片元聚类组中的上下文规则的流程示意图；
47.图7是根据本发明实施例的将点云数据切分为点云数据的片元的流程示意图；
48.图8是根据本发明实施例的为片元分配语义标签的流程示意图；
49.图9是根据本发明实施例的片元合并为同一个物体实例的流程示意图；
50.图10是根据本发明实施例的分割点云数据的装置的主要结构的示意图；
51.图11是本发明实施例可以应用于其中的示例性系统架构图；
52.图12是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
53.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
54.传统的点云分割方法主要通过常见的数学几何模型分析点云自身的几何形状构成信息。如：通过将典型的几何基元显式地拟合到输入点云实现片元分割。其中，几何基元包括具有代表性的几何体，常见的有柱体、球体和椎体等。
55.然而，现实点云场景往往具有不规律的噪声和复杂的变形。因而，需要庞大的几何图元库来支持适配过程。可以使用凸度线索特征和形状标签将物体分割成多个部件。可以采用高效的ransac算法进行形状分割。可以对采样的表面点云执行层次化的分析以实现分割。
56.以上方法均基于几何形状进行分析，没有考虑语义信息,容易造成片元分割边界不稳定等问题。另外，上述分割方式经常需要频繁的用户交互来获得高质量的分割结果。
57.三维网格是三维场景的另一种表示形式。网格分割的目标是将完整的三维物体划分为有意义的几何部件。可以采用学习的方法，利用语义信息对网格分割进行控制，并取得了显著的提升。可以利用协同分析来改进网格分割，证明了构建“形状-部件”统计模型的有效性。该方法采用无监督学习，仅根据几何相似度将物体分割成多个部件。但是，其应用范
围仅限于类别一致以及物体部件组成相似的高质量三维网格。
58.三维网格分割难以直接推广到处理复杂的三维点云场景。这是因为场景点云往往具有很大的噪声和遮挡，物体布局灵活且空间关系复杂。另外，每个物体类别可能具有不同的几何形状和多样的部件组成方式。
59.形状分割极大地启发了点云语义分割。一些方法将片元分割和片元语义标签视为两个独立问题，并使用传统的区域增长算法对点云进行片元分割。在片元分割的基础上，将颜色、片元几何形状以及相机参数作为输入，然后采用支持向量机模型学习物体语义信息以及片元之间的上下文信息。在预测过程中，片元语义标签被公式化为一个优化问题,该方法通过混合整数编程(mixed integer programming)求解。
60.从点云数据的分割实践来说，同类物体的片元通常有各式各样的形状变化，如：椅背的形状各异。而相似形状的片元也可以属于不同类别物体的组成部件，如：黑板擦和电话话筒。以上情况均会对导致分割点云数据耗费时间较长。
61.为了解决分割点云数据耗费时间较长，可以采用以下本发明实施例中的技术方案。
62.参见图1，图1是根据本发明实施例的分割点云数据的方法主要流程的示意图，以片元合并条件和排斥片元合并条件，合并同一个物体实例的片元，以避免欠分割和过分割。如图1所示，具体包括以下步骤：
63.在本发明实施例中，三维点云数据为输入，每个顶点包含坐标位置信息：p＝(p
x
,py,pz)，及其法向信息：n＝(n
x
,ny,nz)。训练云数据集中的每个顶点带有语义标签(label)和实例标签(obj)。其中，语义标签用于标识物体实例的统计特征；实例标签用于标识物体实例的几何特征；
64.本发明实施例的目标是为每个顶点分配一个语义标签来实现语义分割，并根据片元的语义标签融合成物体实例。需要说明的是，本发明实施例专注于分析几何信息而忽略其颜色信息。尽管颜色在小范围相似场景内有很大帮助,但是在大规模场景集中颜色并不能直接作为语义特征。并且点云数据顶点的颜色信息容易受到天气、光照和采集设备等因素影响。
65.参见图2，图2是根据本发明实施例的分割点云数据的方法架构示意图。图2中包括两个阶段，分别为训练阶段和测试阶段。
66.首先，在训练阶段，利用已知的训练语义标签以及训练实例标签将训练数据分割为片元。充分利用训练实例标签可以确保很好地保留物体边界，最优化分割结果以避免欠分割以及减少过分割。然后，为了归纳片元的几何形状相似性，采用聚类算法对片元进行分组。使用聚类组结果作为数据的中间表示，可以更可靠地分析和提取上下文规则。其中，上下文规则包括片元合并条件和排斥片元合并条件。
67.在测试阶段，根据学习的上下文规则对产生自不同分割级别的片元进行分类从而决定合理的分割层级。最后。利用片元-实例的关系和片元的语义标签指导片元的合并，实现实例分割。
68.s101、将点云数据，切分为点云数据的片元，并为点云数据的片元分配语义标签。
69.在分割点云数据之前，需要获取训练数据的上下文规则，即获取片元合并条件和排斥片元合并条件。
70.参见图3，图3是根据本发明实施例的获取片元合并条件和排斥片元合并条件的流程示意图。具体包括以下步骤：
71.s301、依据训练语义标签和训练实例标签，将训练数据分割为训练片元，训练语义标签用于标识物体实例的统计特征；训练实例标签用于标识物体实例的几何特征。
72.片元分割是是后续的几何特征学习的基础。传统的区域增长算法由随机种子点选取和边界控制参数决定。如果对不同物体使用相同的分割参数进行片元分割，有很大概率会导致不同程度的过分割或者欠分割现象。
73.过分割现象可以有效分离不同物体的边界，但是会造成片元分割结果过度碎片化。无法保持几何形状。而欠分割会导致物体边界没有正确分离，使得单个片元内的顶点没有统一的语义标签。造成这类现象的主要原因是不同类物体的几何结构不一致。当然，点云的法向噪声也是分割错误现象的一个关键诱因。
74.针对法向噪声，本发明实施例中提出了轻量级的动态区域增长算法，将点云有效地分割为一组互不相交并且形状光滑类平面片元。与传统的区域增长算法不同，动态区域增长算法会在区域增长过程中动态更新片元的形状特征，对法向噪声和点云采样更为适应。
75.在本发明实施例中，训练数据具体为训练点云数据。采用图4中的实施例，将分割训练点云数据。
76.参见图4，图4是根据本发明实施例的分割训练点云数据的流程示意图，具体包括以下步骤：
77.s401、估计训练点云数据的曲率，曲率由顶点集合中最小特征值与顶点集合中所有特征值之和的比值确定，顶点集合包括每个顶点的邻域所包括的顶点集。
78.在本发明实施例中，可以使用点云库(point cloud library,pcl)中的定义来估计每个训练点云数据的曲率。不同于微分几何,训练点云数据的曲率定义为主成分分析产生的最小特征值与所有特征值之和的比值，也是描述平面弯曲程度的一个指标。这里主成分分析的对象是每个顶点的邻域所包括的顶点集。作为一个示例，邻域半径设置为2厘米。
79.也就是说，曲率由顶点集合中最小特征值与顶点集合中所有特征值之和的比值确定，顶点集合包括每个顶点的邻域所包括的顶点集。
80.s402、选取当前曲率最低点作为区域增长的种子点。
81.对于每一个片元分割过程，选取当前曲率最低点作为区域增长的种子点。其中，当前曲率最低点即噪声最低点。
82.s403、在种子点所在片元中，将满足约束条件的顶点增加到片元中，约束条件包括新增顶点与种子点在一个平面点，新增顶点与种子点的标签相同，标签包括训练语义标签和/或训练实例标签。
83.在片元增长过程中,考虑片元中的任意已知顶点p(x)∈pi，未知顶点p(y)被允许添加到pi中的充分条件：
[0084][0085]
其中，常数α1表示区域增长半径。作为一个示例，α1固定设置其为1厘米。常数α2表示增长过程的共面性约束。作为一个示例，α2固定设置为0.5厘米。n(y)表示被增长顶点p(y)的法向信息。oi表示片元的重心。ni表示片元pi的法向。公式1保证了区域增长过程中片元整体的连续性、光滑性和平面性。
[0086]
示例性地，将公式1总结为约束条件。约束条件包括新增顶点与种子点在一个平面点，新增顶点与种子点的标签相同，标签包括训练语义标签和/或训练实例标签。
[0087]
在本发明的一个实施例中，值得注意的是，片元的重心和法向会随着片元区域增长过程而动态变化。然而，每增长一个顶点就重新进行片元评估，即重新计算片元的重心和法向是不合理的，这会带来过高的计算复杂度。因而，在片元中顶点数量大于预设顶点阈值的情况下，更新种子点所在片元的重心和法向。
[0088]
具体来说，只有在片元的顶点数量|pi|增长为时，才会重新计算片元重心和估计片元法向。其中，预设顶点阈值为其中,是上次片元评估的点集数量。α3是一个常数因子，作为一个示例，α3固定设置为1.5。因此，区域增长过程中片元评估次数不会超过总体算法的复杂度为o(nlogn)。
[0089]
在本发明的一个实施例中，k1和k2决定了区域增长的边界，是控制片元分割结果的关键参数。宽松的参数设置可能会导致片元欠分割现象。同理，严格的约束条件可能会导致片元过分割现象。由于欠分割现象导致不同物体混合在相同片元中，这对语义分类造成了客观上的歧义，大多数现有方法通常倾向于选用过分割的参数。
[0090]
作为一个示例，在本发明实施例的训练阶段，k1和k2分别设置为0.5厘米和5厘米，区域增长算法的约束条件要求：在整个片元增长过程中片元属于相同的实例。即，新增顶点与种子点的标签相同，标签包括训练语义标签和/或训练实例标签。如：在训练实例标签不存在时，则要求片元具备相同的训练语义标签
[0091]
在图4的实施例中，将满足约束条件的顶点增加到片元中。相比于由于向噪声引发的过分割现象，本发明实施例中的方案很大程度上规避了法向噪声，对噪声具有更强的适应性，并且抑制过分割现象。
[0092]
s302、采用聚类算法将片元，划分为片元聚类组，以提取每个片元聚类组中的片元合并条件和排斥片元合并条件。
[0093]
将训练点云数据分割为片元后，为了提高训练语义标签的效率，基于片元几何形状的相似性，采用无监督聚类对其进行简单的形状分组。聚类组结果是“形状-语义”关系学习和上下文分析的重要中间件。
[0094]
参见图5，图5是根据本发明实施例的片元划分为片元聚类组的流程示意图，具体包括以下步骤：
[0095]
s501、计算每个片元的有向包围盒，以拟合片元对应的长方形。
[0096]
为了更好地对片元按照几何形状进行聚类，需要定义其几何形状描述符。本发明实施例中，首先计算每个片元的有向包围盒(oriented bounding box，obb))。
[0097]
具体地，有向包围盒将片元的法向作为主方向，并将片元点集根据法向投影到拟合切平面。然后，在拟合平面内计算拟合长方形。拟合长方形是包围所有点集的面积最小的长方形。
[0098]
作为一个示例，使用凸包(convex hull)算法和旋转卡壳算法，以有效地获得最优解。其中，凸包算法具有o(nlogn)的时间复杂度，旋转卡壳算法具有0(n)的时间复杂度，n是片元中的顶点数。
[0099]
作为一个示例，带有靠背的椅子的分割结果包括6个有向包围盒。分别为靠背的有向包围盒、椅子座位的有向包围盒和四条支撑腿对应的四个有向包围盒。
[0100]
有向包围盒是一种很好的形状近似,可以高效地辅助片元特征的提取和片元关系的计算。作为一个示例，围绕有向包围盒，定义9个特征描述符，具体含义如表1所示。
[0101]
表1
[0102][0103]
表1中片元的特征描述符。凹包(concave hull)指的是覆盖片元所有顶点的极小凹多边形。相比于凸包，凹包可以更加精准地描述复杂片元的表面积，如：l型桌面。这些特征描述符覆盖给定片元的位置、形状、大小和分布，计算简便并且具有泛用性。
[0104]
s502、通过改进后的k-means 算法，将长方形对应的片元划分为片元聚类组，改进后的k-means 算法中的聚类数目是依据最大片元距离常数动态确定的。
[0105]
在本发明实施例中，引入片元聚类作为中间表示，在片元和物体之间架起桥梁。聚类可以对片元的几何形状描述符进行可靠的归纳总结，并从实例物体分布中可靠地学习上下文规则。
[0106]
参照表1，每个片元pi对应着一个9维的特征由于同一维度的特征数值有很大的变化，如：地面上的物体相对于地板上高度可以接近零，但相对于天
花板则是一个较大的值。本发明实施例中，没有直接在这个特征空间中聚类。
[0107]
不同的特征之间的变化范围也有很大的差异，如：角度的取值范围与高度的取值范围差异非常大。为了解决上述问题，使用特征的标准差σk，对每个特征进行规范化，并采用对数操作来处理数值中的巨大差异。
[0108]
具体地说，通过以下公式来计算转换后的特征向量
[0109]
其中，ε是一个极小的偏移量,确保in函数的有效性。在s502中被ε设置为1/e，e是自然常数。
[0110]
将片元p
x
和py之间的距离定义为特征向量v
x
和vy之间的l1范数:
[0111][0112]
本发明实施例中，通过改进后的k-means 算法，进行快速有效的聚类。k-means 算法是一个快速高效的聚类算法，它可以通过指定k个良好的聚类中心初值快速迭代收敛速度。
[0113]
选取聚类中心的时间复杂性是o(kn)，其中n是片元数、k是聚类数目，并且一般有k《n。原始的k-means 算法需要明确指定聚类数目k，并且该数值对聚类结果有着决定性影响。
[0114]
在几何形状聚类中，往往很难对分组数量形成合理的先验假设。在本发明实施例中，不需要预先固定聚类数目k，而是通过定义一个最大片元距离常数a4来自适应地决定k的数值。也就是说，改进后的k-means 算法中的聚类数目是依据最大片元距离常数动态确定的。
[0115]
改进后的k-means 算法包括以下6个步骤，a4表示无法分配到同一聚类的最大片元距离，其数值选取跟几何特征高度相关。作为一个示例，a4固定设置为1.7，对不同的数据集都具有良好的适应性。
[0116]
(1)从片元集特征中随机抽取一个样本并将其作为聚类中心，令k＝1。
[0117]
(2)计算距离每个片元特征vi最近的聚类中心
[0118]
(3)令表示所有特征中，与聚类中心距离最远的特征变化。
[0119]
(4)将加入聚类中，令k＝k 1。
[0120]
(5)重复(2)直到
[0121]
(6)以k个聚类中心作为初值，进行k-means聚类。
[0122]
经过通过改进后的k-means 算法聚类之后，每个片元pi都被配属给距离最近的聚类中心。训练集中的每个片元pi还包含物体类别的语义标签li。
[0123]
在本发明实施例中，使用来自训练集的统计信息，预先计算训练语义标签li和聚类c之间的基本置信度conf
base
，以及每个聚类的平均特征向量即聚类中心：
[0124][0125]
[0126]
其中,|.|是集合中元素的数目,mean{.}是集合中元素的向量均值。
[0127]
在图5的实施例中，改进后的k-means 算法中的聚类数目是依据最大片元距离常数动态确定的，进而能够提高片元聚类的准确性。
[0128]
片元聚类结果对于语义识别有一定的指导作用，同时也存在很多形状相似但是语义不一致的片元，片元形状聚类组情况并不能直接决定物体的训练语义标签。一般来说，上下文信息分析主要集中在物体实例级别上。它们对分割的正确性很敏感，并且需要对物体及其部件进行显式的建模。
[0129]
参见图6，图6是根据本发明实施例的提取每个片元聚类组中的上下文规则的流程示意图，具体包括以下步骤：
[0130]
s601、依据片元的有向包围盒，确定两个片元组成片元对的空间关系。
[0131]
在本发明实施例中，上下文规则定义在“片元对”的空间分布和几何关系的基础上，统计片元对的聚类组合及其语义组合之间的关系，进而归纳并提取其中的规律组合。上下文规则隐含“部件-部件”,“部件物体”和“物体-物体”之间的上下文关系。为了统计所有“片元对”的几何关系，需要快速高效地判断片元之间的近邻关系，也就是计算两个片元p
x
和py之间的距离。为了简化距离的计算，采用这两个片元对应的有向包围盒之间的最近距离d(p
x
,py)近似替代，具体定义如下:
[0132][0133]
其中，obb
x
和obby表示有向包围盒内部的点集，x和y是其中的任意点。为了简化计算，首先检查是否满足若存在交集，则将d(obb
x
,obby)定义为0，否则d(obb
x
,obby)可以简化计算为：
[0134][0135]
其中，v和s表示相应有向包围盒的顶点和表面。
[0136]
在本发明实施例中，相邻距离阈值设置为d1＝0.50米，相邻的片元对p的定义为：
[0137]
p＝{(p
x
,py)|d(obb
x
,obby)≤d1}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式7
[0138]
对于任何片元对(p
x
,py)∈p，需要进一步分析它们的空间关系r
xy
。空间关系包括以下一种或多种可能性：相邻，即片元距离小于0.5米；紧邻，即片元距离小于0.03米；垂直；平行和共面。
[0139]
s602、按照片元对的空间关系、片元对的聚类组和片元对的语义标签，提取片元对的出现频率和片元对的出现占比。
[0140]
对于训练集中每个片元对(p
x
,py)∈p，都可以使用五元组q＝(c
x
,cy,r
xy
,l
x
,ly)来描述上下文。其中，c
x
和cy表示的是片元对对应的聚类组编号，r
xy
是上文所述的空间关系，l
x
和ly是片元的语义标签。
[0141]
在本发明实施例中，统计不同五元组的出现频率，记为γq。在训练集中属于相同聚类c
x
和cy，并且与q具有相同关系r
xy
的所有片元对中，进一步计算出与q具有相同语义标签的出现占比，记为τq：
[0142]
[0143]
s603、根据出现频率和出现占比，确定片元合并规则和排斥片元合并规则。
[0144]
这里，将片元上下文五元组的集合表示为q，q∈q的充分必要条件是：
[0145]
γq≥t1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式9
[0146]
τq≥t2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式10
[0147]
公式9约束五元组应出现足够的次数，以过滤掉不常见组合。公式10约束上下文规则的强度，即说明五元组构成的上下文关系在相同聚类组合中应具备统治级别的占比。作为一个示例，t1设置为2，t2设置为75％。
[0148]
在本发明的实施例中，定义四元组t＝(c
x
,cy,r
′
xy
,l)用于描述片元的“聚类-实例”关系。γ
′
(c
x
,cy,r
′
xy
,l,1)代表支持合并五元组的出现频率；τ
′
(c
x
,cy,r
′
xy
,l,1)代表支持合并五元组的符合同一物体实例关系的比例。
[0149]
用τ 代表正向的“片元-实例”上下文关系，表示支持片元之间的合并操作。t∈τ 成立的充分必要条件，即片元合并规则如下：
[0150]
γ
′
(c
x
，cy，r
′
xy
，l，1)＞t3ꢀꢀꢀꢀꢀꢀꢀꢀ
公式11
[0151]
τ
′
(c
x
，cy，r
′
xy
，l，1)＞t4ꢀꢀꢀꢀꢀꢀꢀꢀ
公式12.
[0152]
类似地，γ
′
(c
x
,cy,r
′
xy
,l,0)代表不支持合并五元组的出现频率；τ
′
(c
x
,cy,r
′
xy
,l,0)代表不支持合并五元组的不符合同一物体实例关系的比例。
[0153]
用τ-代表负面的“片元-实例”上下文关系，表示排斥片元之间的合并操作。t∈τ-成立的充分必要条件，即排斥片元合并规则如下:
[0154]
γ
′
(c
x
，cy，r
′
xy
，l，0)＞t3ꢀꢀꢀꢀꢀꢀꢀꢀ
公式13
[0155]
τ
′
(c
x
，cy，r
′
xy
，l，0)＞t4ꢀꢀꢀꢀꢀꢀꢀꢀ
公式14
[0156]
其中,t3约束了五元组出现的最少频次；t4约束了该实例关系在所有相关聚类组合中的占比，即说明训练集中相似片元组合绝大多数属于相同/不同物体实例。作为一个示例，t3设置为2,t4设置为90％。
[0157]
在图6的实施例中，通过训练点云数据学习获得片云合并规则和排斥片元合并规则，进而为合并片元奠定基础。
[0158]
对于点云数据，语义分割的目标是将其分割成为点云数据的片元，并为每个片元分配正确的语义标签。
[0159]
参见图7，图7是根据本发明实施例的将点云数据切分为点云数据的片元的流程示意图，具体包括以下步骤：
[0160]
s701、将点云数据分割为多个级别，按照当前级别将点云数据切分为多个片元。
[0161]
基于片元的分割应该为训练和测试阶段生成边界一致的片元集，以便有效地应用所学习的模型。
[0162]
然而，受到参数k1和k2的控制。在训练阶段，先验的训练语义标签和/或训练实例标签有助于指导分割。因此通过设置较宽松的参数。得到的片元结果可以在很大程度上避免欠分割或过分割。
[0163]
但是在测试阶段即分割点云数据的阶段，客观上不存在任何一组参数k1和k2，在任意情况下都行之有效。如：使用宽松的k1和k2无法将黑板从墙上分割出来，因为黑板和墙具有相似的深度和法向。而使用较严格的k1和k2便会将沙发等复杂曲面形状过分割成许多微小片元，散失几何形状。
[0164]
为了减少上述欠分割和过分割的情况，可以通过自上面下的枚举选择合适的局部控制参数。
[0165]
语义标签需要采用一系列分割尺度级别,每个级别由该级别对应的k1和k2确定,定义为：作为一个示例，对于每个级别，可以基于该级别对应的k1和k2确定分割步长。其中，每个级别对应的k1和k2是预设参数。
[0166]
首先，初始化第0级别，直接将整个点云数据视为根片元p
(0)
。然后，考虑后续级别h(从h＝1开始)的片元分割。使用第h层参数，将上亿层中的每个片元分割成子片元。这将产生一个片元待选集s
(h)
,但并不是所有的s
(h)
都可以被接受。还需要通过停止切分条件判断这种深层次分割是否有益。
[0167]
作为一个示例，父亲片元为片元的语义标签是将li分配到片元pi的分数定义为全局分数s({li})中的子项总和，具体参见公式15，公式15适用于任何分割级别。在下述步骤中具体说明确定片元的语义标签。
[0168][0169]
然后，再根据所有可能的语义标签分数定义一个正规化的置信度
[0170][0171]
接受子片元的充分必要条件为：
[0172][0173][0174]
其中，公式17表示该子片元与其父片元具有不同的语义标签。否则，就不应进行更高级别的片元分割,以避免过分割。公式18则规定子片元的置信度应高于父片元。
[0175]
可以理解的是，停止切分条件包括两部分，一部分是：分割后的片元的语义标签与分割前的片元的语义标签不同；另一部分是：分割后的片元的置信度大于分割前的片元的置信度，片元的置信度是按照公式16计算获得的参数。在同时满足上述两部分的情况下，则满足停止切分条件。
[0176]
s702、切分后的片元未满足停止切分条件，在下一个级别中再次分割切分后的片元。
[0177]
切分后的片元未满足停止切分条件，作为一个示例，切分后的片元不满足公式17和/或公式18，则说明需要再次分割上述切换后的片元。
[0178]
作为一个示例，在切分后的片元未满足停止切分条件的情况下，则继续切分，直到切分后的片元满足停止切分条件。
[0179]
s703、切分后的片元满足停止切分条件，将满足停止切分条件的片元作为点云数据的片元。
[0180]
在切分后的片元满足停止切分条件，即同时满足公式17和公式18的情况下，则停止切分，将满足停止切分条件的片元作为点云数据的片元。
[0181]
在图7的实施例中，一方面将点云数据分割为多个级别；另一方面，采用停止切分条件判断是否需要再次分割。从而实现点云数据的合理分割。
[0182]
在本发明的实施例中，levelh的片元由来自以下三个来源的片元组成：
[0183]
1)s
(h)
中可接受的子片元。
[0184]
2)中所有子片元均被拒绝的上层片元；
[0185]
3)使用第(h-1)级别的参数，对剩余顶点集进行分割的片元。最后一种情况处理级的片元,这类片元只有部分的子片元被接受。
[0186]
最后一级的结果，即片元及其分配的语义标签被视为多尺度语义标签的结果。
[0187]
也就是说，在本发明实施例中，点云数据分割得到的多个片元，是按照级别分割得到的。片元满足停止切分条件，则需要再次分割。这样，针对不同片元实现自适应分割，每个片元的分割级别由停止切分条件确定。继而实现以语义标签为依据的片元切分。
[0188]
在上述图7的实施例中所涉及片元的语义标签，下面具体说明为点云数据的片元分配语义标签的具体步骤。
[0189]
参见图8，图8是根据本发明实施例的为片元分配语义标签的流程示意图，具体包括以下步骤：
[0190]
s801、计算点云数据的片元的语义置信度。
[0191]
在本发明实施例中，利用多尺度控制算法即图7中的实施例实现片元的分割，采用单尺度语义分割为片头分配语义标签。单尺度语义分割是多尺度控制算法的基础。
[0192]
在点云数据中，由于没有先验的实例分割边界，也就无法限制片元在区域增长过程中拥有一致的语义标签。图8中方案的目标是为点云进行分割后生成的每个片元pi分配一个语义标签li。为此，定义一个语义分割的总分数s，目标是求s的最大值，进而将最大值对应的语义标签作为该片元的语义标签。
[0193]
置信度conf
base
(c,li)进行加权平均，以便于描述聚类c与语义标签li的关系。片元的语义标签置信度权重与片元pi与聚类中心的特征距离成反比：
[0194][0195]
其中，权重w(pi,c)定义为：
[0196][0197]
其中，d是片元pi的特征向量与聚类重心c之间的距离。该距离定义也可以用马氏距离(mahal anobis distance)代替。但在本发明实施例中，d的定义与聚类特征距离更加一致。
[0198]
s802、将语义置信度的最大值对应的语义标签，作为点云数据的片元的语义标签。
[0199]
对于一个片元，按照公式19计算每个语义标签的语义置信度。将语义置信度的最大值对应的语义标签，作为该片元的语义标签。
[0200]
为了确定片元对(p
x
,py)的上下文规则置信度，本发明实施例定义conf
pc
(p
x
,py,
l
x
,ly)来测量，具体如下：
[0201][0202]
其中，c
x
和cy被定义为最接近片元p
x
和py的聚类中心，q＝(c
x
,cy,r
xy
,l
x
,ly)是对应的五元组。这样，语义标签分配问题可以通过最小化以下能量来实现：
[0203][0204]ex,y
(l
x
,ly)＝1-conf
pc
(p
x
,py,l
x
,ly)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式25
[0205]
其中，e({li})是一元能量项,表示“语义-聚类”关系。是二元能量项，表示“语义-上下文”关系。公式25能量定义与公式23相对应，目标是求取其最小值。但是，该二元能量项通常情况下不一定满足以下性质：
[0206]ex,y
(l
x
,l
x
) e
x,y
(ly,ly)≤e
x,y
(l
x
,ly) e
x,y
(ly,l
x
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式26
[0207]
满足公式26该是多标注图割算(multi-label graph-cut)所必需的。可以理解的是，采用公式22至公式26能够计算得到公式19中的第二项。
[0208]
然而，在本发明实施例中，某些片元对被分配不同语义组合的置信度可以高于同一个语义的置信度。例如，“键盘-显示器”上下文片云组合往往表明它们拥有不同的语义标签。对于上述情况，片元包括多个语义标签。
[0209]
s102、将带有相同语义标签的片元，按照片元合并规则和排斥片元合并规则，合并为同一个物体实例，片元合并条件和排斥片元合并条件是从训练数据的聚类组中提取的。
[0210]
实例分割目的是将输入点云分割成具有独立语义意义的物体。并且每个物体可能包含多个几何片元。
[0211]
参见图9，图9是根据本发明实施例的片元合并为同一个物体实例的流程示意图，具体包括以下步骤：
[0212]
s901、以两个带有相同语义标签的片元，构建一个片元对。
[0213]
本发明实施例中，利用语义标签来辅助实现场景的实例分割。具体来说，根据“聚类-实例”关系将带有相同语义标签的片元，按照片元合并规则和排斥片元合并规则合并为同一个物体实例。
[0214]
因而，为了合并片元，则以两个带有相同语义标签的点云数据的片元，构建一个片元对。
[0215]
与语义标签的片元上下文类似，对于训练集中(p
x
,py)∈p，可以类比地获得一个片元“聚类-实例”关系五元组：
[0216]q′
＝(c
x
,cy,r
′
xy
,l,pred)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式27
[0217]
其中，c
x
和cy是与片元p
x
和py对应的聚类组编号。r
′
xy
描述了片元p
x
和py的关系，类似于先前定义的片元关系。但是在本步骤中去除了“相邻”关系，因为针对实例分割，合并的片元仅考虑“紧邻”关系。l指片元对的语义标签。这里限制p
x
和py具有相同的语义标签，是因为属于不同语义标签的片元显然属于不同的物体实例。在不考虑语义标签的平行对比过程中，公式27所有五元组中语义标签l都固定为0，表示两个片元是否属于同一物体实例，定义如下：
[0218][0219]
其中，o
x
和oy表示片元p
x
和py所属的物体实例编号。
[0220]
计算每个五元组的出现频率，记为γ
′q′
。统计训练集中属于相同的聚类、具有与q
′
相同的几何关系(r
x
′y)和语义标签的片元对数量，就可以据此进一步计算出符合同一物体实例关系的比例τ
′q′
定义为：
[0221][0222]
在处理点云数据的过程中，首先将每个片元单独视为一个实例对象。假设a
x
是属于o
x
实例的片元集合，该物体实例o
x
包含了片元p
x
初始时有：
[0223][0224]
s902、片元对符合点云数据中同一物体实例的占比，符合片元合并规则，且不符合排斥片元合并规则，则将片元对的片元合并为同一个物体实例。
[0225]
为了提高处理片元的速度，往往τ
′q′
较大值对应的片元数量较多，则以τ
′q′
的降序迭代顺序处理片元对。然后，针对于每个片元对，计算其当前所属实例的任意片元对构成的“片元-实例“关系，定义为τ
xy
。片元集合a
x
和ay合并成同一实例物体的充分必要条件如下：
[0226]
l
x
＝lyꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式31
[0227][0228][0229]
公式31表明相同的语义标签是片元合并的前提。对于待合并的实例片元集合,必须存在合并关系并且不存在任何排斥关系。也就是说，片元对符合同一物体实例的比例，符合片元合并规则，且不符合排斥片元合并规则。
[0230]
具体来说，片元对的语义标签相同，片元对符合同一物体实例的比例，符合片元合并规则，且不符合排斥片元合并规则。
[0231]
具体来说，本发明实施例中使用并查集(union-find data structure)数据结构对片元合并过程进行维护。并查集支持在平均时间复杂度为o(1)的时间内完成集合的合并和查找,这对优化实例分割过程非常有效。重复执行此过程，直至处理完所有可合并的片元。
[0232]
在图9的实施例中，以片元对的方式，将片元合并为同一个物体实例，进而实现点云数据的分割。
[0233]
s103、依据物体实例，分割点云数据。
[0234]
在确定物体实例后，就可以依据物体实例，分割点云数据。作为一个示例，确定两个物体实例，则可以将点云数据分割为两个物体实例对应的点云数据。
[0235]
在上述实施例中，利用片元合并条件和排斥片元合并条件，以片元对的方式，将片元合并为物体实例，进而将点云数据分割为多个物体实现。避免欠分割和过分割，能够缩短分割点云数据的时间。
[0236]
具体来说，利用训练点云数据的形状特征和上下文信息对复杂的三维室内场景进行语义分割和实例分割。将无监督的片元形状聚类与有监督的规则学习方法相结合，利用片元空间关系提取可靠的上下文规则。片元聚类组作为上下文分析的中间件，允许每个物体的部件属于不同聚类组,也允许同一聚类组包含不同语义标签的片元。如，单个桌子的片元分割通常形状迥异，桌面和桌腿从几何形状上很难被归为同一类。但是，多张桌子的片元分割结果就存在一定形状相似性，这是因为不同桌子的桌面和桌腿之间大概率具有相似的几何外形。
[0237]
通过学习到的上下文信息进行自适应的参数尺度选择。多尺度片元分割可以极大地避免区域增长算法所带来的过分割和欠分割问题。利用片元的语义标签来引导片元合并，最终将点云分割为以个体为单位的物体实例。
[0238]
与传统的点云分割相比，本发明实施例实现了语义分割和实例分割，并且极大地避免了片元过分割和欠分割现象。同比与现有的几何分割识别算法，学习率高、算法运行高效、并且可直接处理非结构化的点云数据。
[0239]
参见图10，图10是根据本发明实施例的分割点云数据的装置的主要结构的示意图，分割点云数据的装置可以实现分割点云数据的方法，如图10所示，分割点云数据的装置具体包括：
[0240]
标签模块1001，将点云数据，切分为点云数据的片元，并为所述点云数据的片元分配语义标签；
[0241]
合并模块1002，用于将带有相同语义标签的所述片元，按照片元合并条件和排斥片元合并条件，合并为同一个物体实例，所述片元合并条件和所述排斥片元合并条件是从训练数据的聚类组中提取的；
[0242]
分割模块1003，用于依据所述物体实例，分割所述点云数据。
[0243]
在本发明的一个实施例中，标签模块1001，还用于依据训练语义标签和训练实例标签，将训练数据分割为训练片元，所述训练语义标签用于标识物体实例的统计特征；所述训练实例标签用于标识物体实例的几何特征；
[0244]
采用聚类算法将所述训练片元，划分为所述片元聚类组，以提取每个片元聚类组中的所述片元合并条件和所述排斥片元合并条件。
[0245]
在本发明的一个实施例中，标签模块1001，具体用于依据训练片元的有向包围盒，确定两个所述训练片元组成片元对的空间关系；
[0246]
按照所述片元对的空间关系、所述片元对的聚类组和所述片元对的训练语义标签，提取所述片元对的出现频率和所述片元对的出现占比；
[0247]
根据所述出现频率和所述出现占比，确定所述片元合并条件和所述排斥片元合并条件。
[0248]
在本发明的一个实施例中，标签模块1001，具体用于将所述点云数据，切分为点云数据的片元；
[0249]
计算所述点云数据的片元的语义置信度；
[0250]
将所述语义置信度的最大值对应的语义标签，作为所述点云数据的片元的语义标签。
[0251]
在本发明的一个实施例中，标签模块1001，具体用于将所述点云数据分割为多个
级别，按照当前级别将点云数据切分为多个片元；
[0252]
切分后的片元未满足停止切分条件，在下一个级别中再次分割所述切分后的片元；
[0253]
切分后的片元满足所述停止切分条件，将满足所述停止切分条件的片元作为所述点云数据的片元。
[0254]
在本发明的一个实施例中，所述停止切分条件包括：
[0255]
切分后的片元的语义标签与切分前的片元的语义标签不同，以及切分后的片元的置信度大于切分前的片元的置信度。
[0256]
在本发明的一个实施例中，合并模块1002，具体用于以两个带有相同语义标签的所述片元，构建一个片元对；
[0257]
所述片元对符合点云数据中同一物体实例的占比，符合所述片元合并规则，且不符合所述排斥片元合并规则，则将所述片元对的片元合并为同一个物体实例。
[0258]
图11示出了可以应用本发明实施例的分割点云数据的方法或分割点云数据的装置的示例性系统架构1100。
[0259]
如图11所示，系统架构1100可以包括终端设备1101、1102、1103，网络1104和服务器1105。网络1104用以在终端设备1101、1102、1103和服务器1105之间提供通信链路的介质。网络1104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0260]
用户可以使用终端设备1101、1102、1103通过网络1104与服务器1105交互，以接收或发送消息等。终端设备1101、1102、1103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
[0261]
终端设备1101、1102、1103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
[0262]
服务器1105可以是提供各种服务的服务器，例如对用户利用终端设备1101、1102、1103所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息
‑‑
仅为示例)反馈给终端设备。
[0263]
需要说明的是，本发明实施例所提供的分割点云数据的方法一般由服务器1105执行，相应地，分割点云数据的装置一般设置于服务器1105中。
[0264]
应该理解，图11中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0265]
下面参考图12，其示出了适于用来实现本发明实施例的终端设备的计算机系统1200的结构示意图。图12示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0266]
如图12所示，计算机系统1200包括中央处理单元(cpu)1201，其可以根据存储在只读存储器(rom)1202中的程序或者从存储部分1208加载到随机访问存储器(ram)1203中的程序而执行各种适当的动作和处理。在ram 1203中，还存储有系统1200操作所需的各种程序和数据。cpu 1201、rom 1202以及ram 1203通过总线1204彼此相连。输入/输出(i/o)接口1205也连接至总线1204。
[0267]
以下部件连接至i/o接口1205：包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分1207；包括硬盘等的存储部分1208；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至i/o接口1205。可拆卸介质1211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1210上，以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
[0268]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(cpu)1201执行时，执行本发明的系统中限定的上述功能。
[0269]
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0270]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0271]
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括标签模块、合并模块和分割模块。其中，这些模块的名称在某种情况下并不构成对该模块
本身的限定，例如，标签模块还可以被描述为“将点云数据，切分为点云数据的片元，并为所述点云数据的片元分配语义标签”。
[0272]
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：
[0273]
将点云数据，切分为点云数据的片元，并为所述点云数据的片元分配语义标签；
[0274]
将带有相同语义标签的所述片元，按照片元合并条件和排斥片元合并条件，合并为同一个物体实例，所述片元合并条件和所述排斥片元合并条件是从训练数据的聚类组中提取的；
[0275]
依据所述物体实例，分割所述点云数据。
[0276]
根据本发明实施例的技术方案，将点云数据，切分为点云数据的片元，并为所述点云数据的片元分配语义标签；将带有相同语义标签的所述片元，按照片元合并条件和排斥片元合并条件，合并为同一个物体实例，所述片元合并条件和所述排斥片元合并条件是从训练数据的聚类组中提取的；依据所述物体实例，分割所述点云数据。采用片元合并条件和排斥片元合并条件，合并属于同一个物体实例的片元，最后将点云数据分割为多个物体实例，以避免欠分割和过分割，能够缩短分割点云数据的时间。
[0277]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。