本发明属于计算机视觉及智慧城市，涉及基于迭代聚类与模型拟合的建筑物点云分割方法。
背景技术：
1、建筑物场景作为人类生活的基本场所，对三维点云建筑物场景的理解与分割，是计算机与环境交互的关键科学难题。在当下时代发展需求的背景下，三维点云相比于传统图像或者视频数据更能反映物体的真实空间位置和形状特征，因此其作为众多研究领域的技术基础也得到了越来越多的关注。而建筑物场景又是现代城市的关键元素，是建设数字化城市以及智慧城市的重要对象。因此，探索一种能够快速且准确地完成大型复杂建筑物场景分割的方法，具有极其重要的理论意义、研究价值以及实际应用价值。
2、三维点云扫描技术的发展使得人们很容易获得建筑物场景的点云数据。对于建筑物点云场景来说，主要的分割结构包括：墙壁、地面以及天花板等，这些结构在大小、形状、方向等属性上又存在差异。除此之外，对于大型的建筑物场景，如会议厅、展馆或者走廊等，由于追求设计的艺术性，这些场景通常具有更为复杂的建筑结构，这也是目前分割工作的又一大难题。反观现有的大多数研究却很少将大型复杂的建筑物点云场景作为研究对象，且方法仍存在效率较低、分割准确率不高的问题。
技术实现思路
1、本发明的目的是提供基于迭代聚类与模型拟合的建筑物点云分割方法，解决了大型复杂建筑物点云分割的效率以及精度问题。
2、本发明所采用的技术方案是，基于迭代聚类与模型拟合的建筑物点云分割方法，具体按照如下步骤实施：
3、步骤1，改进dbscan聚类算法，并完成建筑物点云的初始粗分割；
4、步骤2，将步骤1的分割结果作为输入参数，利用法线评估的ransac模型拟合算法完成建筑物点云的精细分割，并将点云场景中的剩余点云进行迭代；
5、步骤3，从模型合并、模型修正以及模型去噪三个方面对分割结果进行模型优化。
6、本发明的特点还在于，
7、步骤1具体为：
8、步骤1.1，计算点云法向量，完成高斯映射；
9、步骤1.2，设计将mean shift与dbscan结合并优化聚类过程；
10、步骤1.3，在高斯映射结果上进行聚类并提取聚类点完成初始粗分割。
11、步骤1.1具体为：
12、步骤1.1.1，对于原始输入点云数据p＝{p1,p2,p3,...,pi}中的每一个点pi＝(xi,yi,zi)∈r，以pi为中心，根据k近邻构建pi的局部邻域，则点pi的局部协方差矩阵表示为：
13、
14、式(1)中，pj表示点pi的邻居点，pj＝(xj,yj,zj),j＝(1,2,...,k)。是点pi局部邻域的重心，
15、步骤1.1.2，正定分解协方差矩阵x，求解出协方差矩阵x的特征值λ以及对应的特征向量e，选取最小的特征值λ3所对应的特征向量e3表示点pi的局部法向量：
16、
17、式(2)中，λ1≥λ2≥λ3，分别表示pi局部邻域在对应e上的拟合偏差，e1、e2、e3分别为特征值λ1、λ2、λ3对应的特征向量。
18、步骤1.1.3，将建筑物点云中，每个点的法向量起点移动到欧式空间中的单位球的球心处，法向量的终点直接落到球面上形成一个投影点，对于输入的原始点云数据p＝{p1,p2,p3,...,pi},pi＝{xi,yi,zi,nxi,nyi,nzi}，其中xi,yi,zi分别表示点pi的三维空间坐标，nxi,nyi,nzi分别为点pi的法向量坐标，经过高斯映射后形成的高斯球体表示为：
19、
20、步骤1.2具体为：
21、步骤1.2.1，在步骤1.1的高斯映射结果上，首先使用mean shift算法定位聚簇中心，操作流程为：1)在经过高斯映射的点云集合cm中随机选取一个点；2)获取以该点为中心，半径为rm的邻域内的所有邻居点集合pm；3)计算从中心点开始到集合pm中每个点对象的向量，将这些向量相加得到偏移向量ns；4)将中心点沿着偏移向量ns的方向，移动|ns|的距离；5)重复步骤2)-4)，直到中心点移动的距离小于阈值θs为止，即|ns|＜θs，此时的中心点记为均值漂移的最终中心点ps；
22、步骤1.2.2，从聚类中心点ps开始，选择中心点上、下、左、右、前以及后六个方向上的代表点p1，p2，p3，p4，p5，p6，搜寻以代表点为中心，半径为eps球形邻域内的所有邻居点pnum，若pnum≥minpts，则将该代表点加入种子点集cs，并将该邻域中六个方向上的代表点加入代表点集合，迭代该步骤直到处理完所有的代表点。
23、步骤1.3中，在步骤1.1的高斯映射结果上，利用步骤1.2中设计的聚类算法进行聚类，获得每个聚簇的具体点对象，接着将这些点对象从原始点云数据中提取出来，即可得到建筑物点云的初始粗分割结果。
24、步骤2具体为：
25、步骤2.1，在步骤1的初始粗分割结果上进行平面法线评估；
26、步骤2.2，在步骤1的初始粗分割结果上进行柱面法线评估；
27、步骤2.3，对平面以及柱面分别进行法线评估的ransac模型拟合并将剩余点云进行下一轮迭代。
28、步骤2.1具体为：
29、步骤2.1.1，利用pca算法计算点云平面的法向量nplane；
30、步骤2.1.2，平面几何参数模型表达式：ax+by+cz+d＝0，其中a,b,c,d表示平面模型的几何参数，通常为了方便计算d取值为1，由平面几何参数模型公式中具有3个未知数，所以选取最小样本点集为3；
31、步骤2.1.3，计算最小样本点集中3个采样点法向量的加权平均值；
32、步骤2.1.4，法向量之间的夹角表示为公式：
33、θ＝cos-1(nplane·ni) (4)
34、其中ni为平面上任意一点的法向量，即最小样本点集法向量的加权平均值，根据式(4)计算与平面法向量nplane的夹角θ，并按照夹角的大小升序存放到最终样本点集csample中。
35、步骤2.2具体为：
36、步骤2.2.1，对于任意一个圆柱模型，其由3个参数确定：圆柱体的主轴α(x0,y0,z0)，圆柱主轴的方向矢量γ(nx0,ny0,nz0)；圆柱的半径ra，即柱面上任意一点到主轴的距离，而空间中某一个圆柱结构模型由柱面上任意的两点p1,p2和其对应的法矢向量n1,n2进行估计，如果该圆柱构件的主轴为τ＝{α,γ}，通过以下公式表示：
37、τ＝n1×n2 (5)
38、计算点云柱面的主轴矢量τ；
39、步骤2.2.2，根据公式(5)计算最小样本点集中2个采样点法向量的叉乘τi；
40、步骤2.2.3，根据公式(4)计算τ和τi两个法向量的夹角θ，并根据θ的大小升序存放到最终样本点集csample中。
41、步骤2.3具体为：
42、步骤2.3.1，如果聚类经过步骤1的聚类结果为平面，则根据步骤2.1获取其法线评估后的采样点集，若聚类结果为柱面，则根据步骤2.2计算柱面法线评估采样点集；
43、步骤2.3.2，使用ransac模型拟合从采样点集中选择采样点评估模型参数；
44、步骤2.3.3，根据点到面的距离，利用步骤2.3.2中计算得到的模型参数提取相应的几何模型，并将其从原始点云中分割出来，若存在剩余点云，则重复步骤1、步骤2进行迭代，直到建筑物点云场景全部分割完毕为止。
45、步骤3具体为：
46、步骤3.1，模型合并：若两个平面模型点集sa，sb中都包含有一个点对象px，则说明这两个平面具有相交或者平行的关系，表示为通过判断两个平面模型sa，sb的平面法向量的夹角关系，若其小于阈值θδ，则表明两个平面是既相交又平行的，需要将其进行合并为一个平面；
47、步骤3.2，模型修正：若两个平面模型点集sa，sb中都包含有一个点对象px，且sa，sb不属于同一个模型结构点集，表明px为过分割点，通过分别计算px的法向量与sa，sb平面法向量的夹角来判断出点px应该属于夹角较小的一个平面模型点集；
48、步骤3.3，模型去噪：通过上述步骤3.1-3.2的优化，分割模型中还存在一些模型无关点，通过设置阈值进行聚类以去除。
49、本发明的有益效果是：
50、本发明基于迭代聚类与模型拟合的建筑物点云分割方法，首先对传统的dbscan聚类算法以及ransac模型拟合算法进行了改进，提升了算法的聚类效率以及拟合精度；接着在这两种算法的基础之上，根据高斯映射的点云分布规律，通过采用迭代提取，分类分割的方式设计了一种由粗分割到精细提取的分割方法；最后，针对分割之后模型中存在的过分割或者欠分割问题，设计了三个模型优化过程，平面合并、模型修正以及模型去噪；经过粗细分割以及优化过程，最终生成一种精确的复杂建筑物场景点云分割结果；本发明改善了对于大型复杂建筑物场景的分割工作中仍然存在分割效率低、分割准确率不高的问题。
1.基于迭代聚类与模型拟合的建筑物点云分割方法，其特征在于，具体按照如下步骤实施：
2.根据权利要求1所述的基于迭代聚类与模型拟合的建筑物点云分割方法，其特征在于，所述步骤1具体为：
3.根据权利要求2所述的基于迭代聚类与模型拟合的建筑物点云分割方法，其特征在于，所述步骤1.1具体为：
4.根据权利要求2所述的基于迭代聚类与模型拟合的建筑物点云分割方法，其特征在于，所述步骤1.2具体为：
5.根据权利要求2所述的基于迭代聚类与模型拟合的建筑物点云分割方法，其特征在于，所述步骤1.3中，在步骤1.1的高斯映射结果上，利用步骤1.2中设计的聚类算法进行聚类，获得每个聚簇的具体点对象，接着将这些点对象从原始点云数据中提取出来，即可得到建筑物点云的初始粗分割结果。
6.根据权利要求1所述的基于迭代聚类与模型拟合的建筑物点云分割方法，其特征在于，所述步骤2具体为：
7.根据权利要求6所述的基于迭代聚类与模型拟合的建筑物点云分割方法，其特征在于，所述步骤2.1具体为：
8.根据权利要求6所述的基于迭代聚类与模型拟合的建筑物点云分割方法，其特征在于，所述步骤2.2具体为：
9.根据权利要求6所述的基于迭代聚类与模型拟合的建筑物点云分割方法，其特征在于，所述步骤2.3具体为：
10.根据权利要求1所述的基于迭代聚类与模型拟合的建筑物点云分割方法，其特征在于，所述步骤3具体为：
