点云的无监督语义分割方法

深度学习和人工智能是点云分割的优秀且强大的解决方案，但语义分割能否在数据处理方面更简单、更快速？如今，我们专注于深度学习，但人工智能是以数据为中心的。生成这些数据是一项劳动密集型的解决方案，我们能否尝试采用简单的无监督语义分割来有效地“预标记”点云？

目前已有一些成熟的方法可以基于颜色、强度、几何形状、拓扑关系以及混合方式对点云进行分割。因此，我们将在此回顾这些方法，并探索一种融合解决方案，以更快、更高效的方式解决“预标记”过程。

基于颜色

• 根据一系列颜色
• 从点云中提取定义的颜色
• 所谓的“半监督”——需要一些手动标记或颜色范围的先验知识
• 例如，可以使用 K 均值聚类根据颜色相似性对点进行分组，从而实现进一步的分类或分割

基于几何

• 点的几何特性，坐标（X，Y，Z）
• 聚类算法，例如 K-means 或 DBSCAN
• 识别点云中的不同形状或结构

关于 DBSCAN 的更多信息

DBSCAN 工作原理示例

• 根据其密度
• 将密集的点视为属于同一簇
• 将点分类为核心点、边界点或噪声
• 核心点在指定距离（epsilon）内有足够数量的邻近点
• 边界点具有较少的相邻点，但在核心点的 epsilon 距离内
• 噪声点是不属于任何聚类的孤立点
• 通过将核心点连接到其相邻的核心点或边界点来扩展聚类

与基于几何的解决方案相比，基于颜色的分割的优点和局限性

对于样本 1 和样本 2，基于几何的分割以及基于颜色和几何的混合融合解决方案可以更好、更有效地从低密度和超小占地面积的 LiDAR 点云中分割出这些椅子。

样本1（原椅子数量：14）

仅基于几何：5/14（35.7%），混合：14/14（100%）

样本2（原椅子数量：20）

仅基于几何：8/20（40%），混合：18/20（90%）

混合解决方案可以对目标椅子实现约 90% 到 100% 的分割准确率。然而，由于基于颜色的分割，一些点可能会从点云中被预先过滤掉。这是因为基于颜色的方法可能无法覆盖椅子所有可能的颜色范围。

在拥有更宽的颜色范围和实现更有效的几何分割之间存在权衡。增加颜色范围可能会削弱几何分割，导致分割精度降低。

换句话说，如果颜色范围扩大到包含更多变化，几何分割的效果可能会降低，因为颜色相似但几何属性不同的点可能会被归为一类。另一方面，如果颜色范围较窄，几何分割会更加精确，因为它将更多地依赖于点的空间排列，而不是颜色信息。

基于拓扑

• 点云的拓扑特征
• 地面点和非地面点之间的区别
• 通过模拟或预定义的高度阈值分析点的高度信息，可以将地面点与非地面点分离
• 例如，通过布料流体模拟提取地面
• 在机载激光雷达点云中，高度检测是方法之一

有关布料模拟过滤器（CSF）的更多信息

用布料模拟滤波器（CSF）处理的机载LiDAR点云样本

• 旨在从点云中提取地面点
• 模拟布料覆盖在点云上的行为
• 模拟假设地面的行为类似于具有某些物理特性的布料
• 通过将顶点分配给点云中的地面点来定义布料的初始状态
• 对布料应用物理特性，例如弹性、重力和摩擦力
• 根据这些特性模拟布料的运动和变形。
• 在模拟过程中，布料顶点与点云中的周围点相互作用
• 不属于地面的点对布料施加力，导致其变形或脱落
• 布料逐渐贴近地面
• 提取已达到稳定状态的布料顶点，因为它们代表地面点。

基于几何的混合解

与基于几何的解决方案相比，基于拓扑的分割的优点

对于样本 3 和样本 4，混合拓扑和几何的分割比仅基于几何的方法更好。

样本 3 和 4（原椅子：19）

仅基于几何：11/19（57.8%），混合：19/19（100%）

基于布料模拟滤波器的特性，非地面点的去除会大大促进基于几何的分割。一旦我们将地面点和非地面点进行分类，点云特征形状的差异就会更大。

基于强度

• 根据反射率的性质 -> 传感器捕获的强度值
• 从点云中提取相似的强度值，并根据强度阈值或聚类方法分配类标签
• 根据反射特性区分不同的材料或物体
• 样本使用叶上和叶下分割

GeoSLAM 样本数据集，按强度提取的树枝，有叶（左）和无叶（右）点云

混合方法

• 结合不同的方法并将它们集成到一个工作流程中

点云无监督语义分割方法的建议方法和工作流程