首页 > 论文 > 光学学报 > 39卷 > 4期(pp:412003--1)

一种板型物体混叠场景的快速分割算法

A Fast Segmenting Method for Scenes with Stacked Plate-Shaped Objects

  • 摘要
  • 论文信息
  • 参考文献
  • 被引情况
  • PDF全文
分享:

摘要

针对多个板型物体混叠摆放的场景, 提出了一种快速有效的分割算法。该算法充分利用有序点云的特点, 将自顶向下以及自底向上的分割策略结合, 根据三维点的空间位置和法向量, 利用随机采样一致性(RANSAC)算法从三维点云数据中快速提取平面点集; 然后将提取的平面点集所对应的图像坐标映射为二值图像, 通过连通区域分析将其分割为多个连通的平面区域; 接着利用“胶水”算法对这些区域进行快速合并, 并对较大的弱连接连通区域进行断裂修正, 得到最终的分割结果。实验结果表明:与区域生长算法相比, 所提算法的分割结果更优, 且算法效率大幅提升。

Abstract

A fast and efficient segmentation algorithm is proposed for scenes in which multiple plate-shaped objects are placed in an overlapping manner. The algorithm makes full use of the characteristics of the ordered point cloud, and combines the top-down and bottom-up segmentation strategies. The Random Sample Consensus (RANSAC) algorithm is used to quickly extract the three-dimensional planar point set according to the spatial position and normal vector of the three-dimensional point from the three-dimensional point cloud. The image coordinates corresponding to the extracted planar point set are mapped into a binary image, and are divided into a plurality of connected planar regions by the connected region analysis. Then, the glue algorithm is used to quickly merge these regions, and the larger weakly connected regions are subjected to the fracture correction, so as to obtain the final segmentation result. The experimental results show that compared with the region growing algorithm, the proposed algorithm can obtain better segmentation results, and the algorithm efficiency is greatly improved.

Newport宣传-MKS新实验室计划
补充资料

中图分类号:TP391

DOI:10.3788/aos201939.0412003

所属栏目:仪器,测量与计量

基金项目:国家自然科学基金(U1713216)、机器人学国家重点实验室自主课题(2017-Z21)

收稿日期:2018-11-01

修改稿日期:2018-11-21

网络出版日期:--

作者单位    点击查看

鲁荣荣:中国科学院沈阳自动化研究所, 辽宁 沈阳 110016中国科学院机器人与智能制造创新研究院, 辽宁 沈阳 110016中国科学院大学, 北京 100049中国科学院光电信息处理重点实验室, 辽宁 沈阳 110016辽宁省图像理解与视觉计算重点实验室, 辽宁 沈阳 110016
朱枫:中国科学院沈阳自动化研究所, 辽宁 沈阳 110016中国科学院机器人与智能制造创新研究院, 辽宁 沈阳 110016中国科学院光电信息处理重点实验室, 辽宁 沈阳 110016辽宁省图像理解与视觉计算重点实验室, 辽宁 沈阳 110016
吴清潇:中国科学院沈阳自动化研究所, 辽宁 沈阳 110016中国科学院机器人与智能制造创新研究院, 辽宁 沈阳 110016中国科学院大学, 北京 100049中国科学院光电信息处理重点实验室, 辽宁 沈阳 110016辽宁省图像理解与视觉计算重点实验室, 辽宁 沈阳 110016
崔芸阁:中国科学院沈阳自动化研究所, 辽宁 沈阳 110016中国科学院机器人与智能制造创新研究院, 辽宁 沈阳 110016中国科学院大学, 北京 100049中国科学院光电信息处理重点实验室, 辽宁 沈阳 110016辽宁省图像理解与视觉计算重点实验室, 辽宁 沈阳 110016
孔研自:中国科学院沈阳自动化研究所, 辽宁 沈阳 110016中国科学院机器人与智能制造创新研究院, 辽宁 沈阳 110016中国科学院大学, 北京 100049中国科学院光电信息处理重点实验室, 辽宁 沈阳 110016辽宁省图像理解与视觉计算重点实验室, 辽宁 沈阳 110016
陈佛计:中国科学院沈阳自动化研究所, 辽宁 沈阳 110016中国科学院机器人与智能制造创新研究院, 辽宁 沈阳 110016中国科学院大学, 北京 100049中国科学院光电信息处理重点实验室, 辽宁 沈阳 110016辽宁省图像理解与视觉计算重点实验室, 辽宁 沈阳 110016

联系人作者:朱枫(fzhu@sia.cn)

【1】Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62-66.

【2】Adams R, Bischof L. Seeded region growing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1994, 16(6): 641-647.

【3】Comaniciu D, Meer P. Mean shift: a robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(5): 603-619.

【4】Kass M, Witkin A, Terzopoulos D. Snakes: active contour models[J]. International Journal of Computer Vision, 1988, 1(4): 321-331.

【5】Shi J B, Malik J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(8): 888-905.

【6】Felzenszwalb P F, Huttenlocher D P. Efficient graph-based image segmentation[J]. International Journal of Computer Vision, 2004, 59(2): 167-181.

【7】Trevor A J B, Gedikli S, Rusu R B, et al. Efficient organized point cloud segmentation with connected components[C]. Semantic Perception Mapping and Exploration, 2013: 1-6.

【8】Tian Q H, Bai R L, Li D. Point cloud segmentation of scattered workpieces based on improved euclidean clustering[J]. Laser & Optoelectronics Progress, 2017, 54(12): 121503.
田青华, 白瑞林, 李杜. 基于改进欧氏聚类的散乱工件点云分割[J]. 激光与光电子学进展, 2017, 54(12): 121503.

【9】Schnabel R, Wahl R, Klein R. Efficient RANSAC for point-cloud shape detection[J]. Computer Graphics Forum, 2007, 26(2): 214-226.

【10】Rabbani T, van den Heuvel F, Vosselmann G. Segmentation of point clouds using smoothness constraint[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2006, 36(5): 248-253.

【11】Li R Z, Liu Y Y, Yang M, et al. Three-dimensional point cloud segmentation algorithm based on improved region growing[J]. Laser & Optoelectronics Progress, 2018, 55(5): 051502.
李仁忠, 刘阳阳, 杨曼, 等. 基于改进的区域生长三维点云分割[J]. 激光与光电子学进展, 2018, 55(5): 051502.

【12】Stein S C, Schoeler M, Papon J, et al. Object partitioning using local convexity[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2014: 14632311.

【13】Charles R Q, Su H, Mo K C, et al. PointNet: deep learning on point sets for 3D classification and segmentation[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2017: 17355473.

【14】Qi C R, Yi L, Su H, et al. Pointnet++: deep hierarchical feature learning on point sets in a metric space[C]. Advances in Neural Information Processing Systems, 2017: 5099-5108.

【15】Jiang M, Wu Y, Lu C. PointSIFT: a SIFT-like network module for 3D point cloud semantic segmentation[EB/OL]. (2018-07-03)[2018-10-31]. https://arxiv.org/abs/1807.00652.

【16】Canny J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(6): 679-698.

引用该论文

Lu Rongrong,Zhu Feng,Wu Qingxiao,Cui Yunge,Kong Yanzi,Chen Foji. A Fast Segmenting Method for Scenes with Stacked Plate-Shaped Objects[J]. Acta Optica Sinica, 2019, 39(4): 0412003

鲁荣荣,朱枫,吴清潇,崔芸阁,孔研自,陈佛计. 一种板型物体混叠场景的快速分割算法[J]. 光学学报, 2019, 39(4): 0412003

您的浏览器不支持PDF插件,请使用最新的(Chrome/Fire Fox等)浏览器.或者您还可以点击此处下载该论文PDF