尽管进行了很长时间的研究，将场景分割成物体仍是计算机视觉中比较有挑战性的课题之一[1]。针对这一问题，目前人们主要从基于识别的和无监督性两个方面来研究点云分割算法。对于基于识别的方法，数据库中有一些可用的物体模型。这类的许多先进方法通过将提取的特征与存储在数据库中的场景相匹配来执行物体的分割。它们强烈依赖于检测测试场景和存储模型之间的重复性的、可靠的和描述性特征，以及相应的准确特征。如果没有足够数量的可靠的特征对应，是很难识别一个在高度杂乱堆放场景中的物体。例如通过采用 RANSAC方法来分割屋内杂乱场景中的桌面[2]。这个方法在通用性和稳定性方面表现较好，但是当场景点云数量较大时，算法执行起来需要大量的时间和计算。还有人提出在八叉树结构基础上建立点与点之间的相似空间关系，使用这个结构对局内点进行采样可以对RANSAC的效果进一步改进[3]。此外，基于识别的方法仅限于数据库中可用的对象模型的分割。相比之下，基于无监督的方法能够在视觉复杂的情况下没有任何关于对象或场景的先验信息来分离各种各样的对象。有一类算法通过拟合形状基元到分段点云来进行对象分割[4]。这些方法中的初始分割是通过寻找点云上的水平支撑面和聚类这些平面支撑的点所获得。这些方法在物体孤立的情况下表现得很好但不能分开堆叠的物体。另一类算法使用基于学习的方法结合条件随机场和马尔科夫随机场[5]的优化去处理分割问题[6]，但它们的高计算运行限制了在实际应用中的使用。

针对上述问题，提出一种方法，它使用单一RGB-D场景的图像分离未知的堆叠和阻挡物体。相比之下,本文方法不涉及任何数据集的具体学习而是利用几种表面块之间的凹凸性关系进行对象分割。这使得该方法能够在未知环境中推广和分割未知的对象。此外,方法在计算效率上是比较高的，这使它更适用于实际中的应用。

⑤严格来说，就地城镇化和就近城镇化有一定的区别，“就地”倾向于“原地”，“就近”倾向于“附近”，但是都认同农村人口不向大城市、中心城市迁移的基本特征，因此本文忽略二者的区别，将其作为一个整体性概念进行界定。

  

图1 本文方法流程图Fig.1 Flow chart of this method

1 基于点云的场景分割方法

提出的基于点云的场景分割方法主要包括如下几个部分：超体聚类构建邻接图、对邻接图的边缘进行分类创建凸度图、通过区域生长划分凸度图。分割流程图如图1所示。

品牌管理规划是从组织机构与管理机制上为品牌建设保驾护航，即确定基本的组织机构框架，制定原则性的管理条约。然后，在上述规划的基础上为品牌的发展设立远景，并明确品牌发展各阶段的目标与衡量指标。

1.1 构建邻接图

使用voxel cloud connectivity segmentation(VCCS)方法[7]来构建物体表面块的邻接图；它是一种将3D点云数据过分割成超体素晶块的方法。这是使用超体聚类算法完成的，它对点云实施过分割，其中邻接图中的每个超体素被视为线性晶块，并且计算其法向量，用pi=(xi，ni，Ni)来表示，其中xi为质心，ni为法向量，Ni表示连接相邻超体素边的总和。该步骤的主要优点在于它降低了噪声，从而增加了凹凸性判定的准确性。此外，实现了大量的数据减少，使得算法更快。

1.2 创建凸度图

通过分类两个超体素之间的连接e=(pi，pj)是凸的(有效)还是凹的(无效)来分割超体素邻接图。这里设立一个凸度标准(convexity criterion，CC)来确定两个超体素之间的连接。

  

图2 凹凸关系判据图Fig.2 Corrugated relationship criterion

对于定量分析，使用了Richtsfeld等在2012年提出的对象分割数据库(OSDv0.2)[12]。它由111个放置在桌子上的对象的场景组成。所有场景都包含多个对象，这些对象主要是盒状或圆柱形，并被记录在各种位置。数据集包括具有部分和完全遮挡的场景，以及混乱的场景(3D)。数据集的一个重要属性是大多数对象不是由多个部分组成，而是一个单一的物体。这使得最后得到的分割结果相对比较明确。如图5(a)为OSD数据集的示例场景。

对于两个任意矢量a和b之间的夹角α，一般利用这个已知公式ab=|a||b|cosα来计算，因此，假设连接两个质心的向量是d=x1-x2，则法向量(n1,n2)与d的夹角就能计算出为使用来定义且|n1|=|n2|=1，就能进一步写成cosα1=n1·d、cosα2=n2·d。如图2所示，当α1<α2时，两个超体素之间是凸连接的[10, 11]，可以表示为

α1<α2⟹cosα1-cosα2>0⟺

 

(1)

同理，当α1>α2时，两个超体素之间是凹连接的，可以表示为

企业财务状况与融资活动息息相关。本文采用了权益对负债比率 （Equity-to-debt Ratio），即股东权益与总负债的比值，用于反映公司财务结构的健全程度和自有资本的偿债能力。本文还采用了流动比率 （Current Ratio），即流动资产与流动负债之比，用于反映资产流动性和短期偿债能力。

α1>α2⟹cosα1-cosα2<0⟺

第四，空调的选用方面。高层建筑中，空调对于能源方面也会产生极大的耗损。在实际使用过程中，普通空调往往机组的工作效率低，舒适性差，而且在电能方面的消耗很大。而节能空调在降温速度、经济环保等方面都有显著的优势。使空气的流通更加稳定，舒适性也更强。在维护费用方面也比普通空调的维护成本低，更适合建筑企业的节能系统的使用。

 

(2)

另外，当两个相邻的超体素位于同一个物体表面时，这个表面可能是平坦的，也可能是具有低曲率的小的凹面，都应该视为凸的并在分割中合并。这种情况它们具有非常相似的法向量，无法用式(1)、式(2)来判断，因此引入一个很小的阈值βThresh，当β=∠(n1,n2)=|α1-α2|=cos-1(n1·n2)<βThresh时，都认为超体素之间是凸连接的。至此，设定凸度标准CC：

将TPi=Gi∩Si定义为两组的重叠，然后再分别定义FPi=Si/Gi和FNi=Gi/Si，最后，平均分数定义如下：

 

(3)

  

图3 奇异点判据图Fig.3 Singular point map

还有一些情况，比如两个超体素之间只有一个奇异点的连接，因为它们表面是不连续的，判断连接是凸或凹是没有意义的。但是，如果根据上述凸度标准CC来判断的话，可能会认为是凸的并在分割中合并。所以，为了识别这种无效连接，提出一个补充标准(supplementary criterion， SC)。为此，使用连接质心的向量d和两个法向量的叉积s=n1×n2。如图3所示，确定邻接的两个超体素的表面是否连接，或者存在奇异点，这就涉及向量d和s的夹角ϑ，ϑ角越接近90°，则两个超体素的表面是连接的；ϑ角越接近0°，则两个超体素的表面是不连接的。因为s的方向是任意的，所以ϑ取d和s之间小于180°的那个角度，即：

ϑ(p1,p2)=min[∠(d,s),∠(d,-s)]=

此时此刻，我忽然有种错觉，这富丽堂皇的剧场，在昏黄的灯光下，恢宏的音乐声中，俨然变成了一座华丽的屠宰场。

min[∠(d,s),180°-∠(d,s)]

(4)

当ϑ值较小时，可以通过引入阈值ϑThresh来处理。当ϑ<ϑThresh时，此时为奇异点连接，应确认无效。与CC标准类似，对于具有相似法向量的超体素，该条件必须放宽，以补偿传感器噪声。这里通过将法向量之间的角度代入到软化阶梯函数中完成：

 

(5)

式(5)中，β=∠(n1,n2)法向量之间的角度，使用实验导出和a=0.25°。

然后设定SC标准为

4.1.1 问题：在测试底噪问题时发现终端以满功率发射是造成底噪抬升的重要因素，需对此问题进行详细分析。

(1)专创型师资的多渠道培训。①充分利用现有的KAB、SYB、创新创业教育联盟及其他机构等开展的创新创业培训；②国内开展创业教育较早的学校已形成了相对成熟的创新创业教育体系，如清华大学、南开大学，政府可以选取一些典型高校设立固定的国家级培训基地，为其他院校的教师提供创业教育进修学习的机会；③利用政策支持的出境进修和学院本身已经形成的与国外高校的合作关系推进教师访问学习。这些“走出去”的培训方式对学院现有市场营销师资队伍而言，因经费限制等关系覆盖面相对较小。因此，“请进来”的培训方式，能更具有针对本校教师需求情况展开，类似“行健讲坛”系列，邀请知名的创业教育专家、风险投资人等开展系列培训。

SC(pi,pj):=

 

(6)

最后，通过区域生长划分获得的凸度图，过程如下：首先，选择和标记任意的种子超体素，然后区域生长将种子标签传播到和它相邻的且具有凸边关系的超体素上，直到和相邻体素都属于凹边关系则停止生长。然后该过程再以新的种子开始，直到所有超体素被标记。

conv(pi,pj)=CC(pi,pj)∩SC(pi,pj)

(7)

1.3 区域生长

合并式(3)和式(6)，得到最终的判定公式：

1.4 欧几里得算法

再计算区域的加权平均值，即加权重叠率WOv：

  

图4 算法比较Fig.4 Algorithm comparison

2 实验和评估分析

实验环境硬件配置为AMD X4 740、16 GB内存，软件配置为Windows8 64位操作系统，PCL1.8.0，VS2015。

2.1 数据集和评价指标

假设两个相邻的超体素，其质心分别为x1、x2，法向量分别为n1、n2，它们之间的连接是凸的还是凹的可以从法向量与连接它们质心的向量的关系来推断[8, 9]。

定义正确分割结果Gi={G1,G2,…,Gm}作为一组注释区域的集合，用Si={S1,S2,…,Sn}作为一组算法分割区域的集合。对于由标准分割区域表示的每个对象，具有最大重叠的段被视为最佳估计量。因此，将标准分割区域Gi的最大重叠定义为

综上所述，PDCD4在EOC组织中呈低表达状态，其阳性表达率与组织分化程度有关，与患者年龄、病理类型、远处转移、FIGO分期、原发灶部位、月经情况及腹水情况等无关；PDCD4阳性表达的EOC患者预后生存情况优于PDCD4阴性表达者，PDCD4表达可以作为EOC患者预后的独立危险因素。

Ov=max(|Gi∩Si|/|Gi∪Si|)，

i=1,2,…,m

(8)

利用区域生长算法得到的结果如图4(a)所示，发现对于碗、杯子这种具有凹面的物体内部会有过度分割的现象。所以，提出用多维欧几里得空间相似度测量来对区域生长算法进行改进。改进之后的方法结合了两者的优点，并用于点云数据的多种特征(如法矢量、曲率、凹凸性等)的提取，把它们看作是多维欧氏空间上某一个维度方向的参数;用它们来度量空间中的距离，然后按照这个距离的大小进一步确定原来的点云空间中的相似水平，当点云之间的空间相似度足够小时，就把它们聚类为一个区域，最终实现分割得到一个完整的分割区域，如图4(b)中的碗和杯子内部。

 

(9)

式(9)中，WOv值的范围为0～1，值越大表示越接近标准分割。

CCb(pi,pj):=

 

(10)

 

(11)

 

(12)

式中，tp、fp分别为真、假阳性率，fn为假阴性率[13]。tp值越大，同时fp与fn值越小，则分割的结果就越好。

此外，还用过分割和欠分割比率来评估结果，过分割是通过所有对象点云数归一化的正确分配的点云数，而欠分割是由所有对象点云数归一化的错误分配的点云数，分别用Fos和Fus来表示：

 

(13)

 

(14)

式中，和Fus值越小，分割效果越好。

2.2 实验结果

图5显示了所提出的基于点云的杂乱场景分割算法的过程以及最终的实现效果图。可以发现，所用的方法能够更好地实现桌面场景中的多个物体分割。

黑龙江省超前完成全面建立河长制目标，启动“一河一策”方案编制工作。印发水资源“双控行动”实施方案和工作方案，制定乌裕尔河、讷谟尔河、双阳河、牡丹江4条跨市江河流域水量分配方案。开展取水许可权限下放，明确职能承接要求。加强农业灌溉取水许可管理。制定地下水压采方案，出台农业水价综合改革实施计划，完成年度县域节水型社会建设任务，修订《用水定额》地方标准，部分调整水资源费和水土保持补偿费征收标准。制定水功能区、入河排污口监督管理办法实施细则。印发重要饮用水水源地安全保障达标规划，各地制定重要饮用水源地突发事件应急预案。

为了更好地评估实验结果，在使用数据集中的场景图的基础上，还利用Kinect扫描仪在实验室桌面扫描了两幅场景，做进一步分割实验，如图6所示。

1.4 统计学方法 采用GraphPad Prism version 6.0软件进行数据分析，计量资料服从正态分布以均数±标准差表示，多组间比较采用单因素方差分析，组间两两比较采用LSD-t法，P<0.05为差异有统计学意义。

将提出的基于点云的场景分割方法分别与Richtsfeld等[14]、Uckermann等[15]的方法进行比较，表1列出了比较后的结果。

李莉又加了一句：“嗯，好，你好好给我挣钱去，不准三心二意朝思暮想，不要觊觎路边的美女，也不能对别的女人动心。”许峰干脆利落道：“我只等你。”

  

图5 分割过程示例图Fig.5 Example of a split process

  

图6 Kinect扫描场景分割图Fig.6 Kinect scanning scene split chart

 

表1 检测结果Table 1 Test results

  

方法WOv/%fp/%fn/%Fos/%Fus/%本文方法941.97.34.53.9Richtsfeld913.17.86.75.4Uckermann874.39.38.47.9

从表1的实验结果可以看出，提出的基于点云的场景分割方法的分割效果较优于Richtsfeld等[13]、Uckermann等[14]的方法，进一步提高了物体分割的精确性。

3 结论

针对桌面场景中杂乱对象的分割问题，提出了一种基于点云的分割方法。该方法先将场景点云超体聚类分解为基于体素网格的邻接图，然后对邻接图的边缘进行分类创建凸度图，再通过区域生长合并具有凸关系的分块从而得到未知物体。并且在对象分割数据库和自己提取的场景中都获得了比较准确的结果。

参考文献

1 Vasudevan S, Gächter S, Nguyen V, et al. Cognitive maps for mobile robots—An object based approach. Robotics and Autonomous Systems, 2007； 55(5): 359—371

2 Rusu R B, Cousins S.Fast geometric point labeling using conditional random fields. IEEE/RSJ International Conference on Intelligent Robots and Systems. Louis: IROS, 2009: 7—12

3 Schnabel R, Wahl R, Klein R. Efficient ransac for point-cloud shape detection. Computer Vision and Pattern Recognition. Taipei: IEEE, 2015: 169—176

4 Klasing K, Wollherr D, Buss M. A clustering method for efficient segmentation of 3D laser data. Computer Vision and Pattern Recognition. New York: IEEE,2013: 2011—2018

5 Triebel R, Shin J, Siegwart R, et al. Segmentation and unsupervised part-based discovery of repetitive objects. IEEE Conference on Robotics, Automation and Mechatronics. Manila: RAM, 2013: 225—230

6 Felzenszwalb P F, Huttenlocher D P. Efficient graph-based image segmentation. International Journal of Computer Vision, 2004； 59(2):167—181

7 Papon J, Abramov A, Schoeler M, et al. Voxel cloud connectivity segmentation-supervoxels for point clouds. IEEE Conference on Computer Vision and Pattern Recognition. New York: CVPR, 2013: 2027—2034

8 Moosmann F, Pink O, Stiller C. Segmentation of 3D lidar data in non-flat urban environments using a local convexity criterion. IEEE International Conference on Robotics and Automation. Karlsruhe: ICRA, 2013: 2088—2095

9 Stein S C, Worgotter F, Schoeler M, et al. Convexity based object partitioning for robot applications. IEEE International Conference on Robotics and Automation. Barcelona: ICRA, 2014: 3213—3220

10 Trevor A, Gedikli S, Rusu R, et al. Efficient organized point cloud segmentation with connected components. Semantic Perception Mapping and Exploration. karlsruhe: SPME, 2013

11 Poppinga J, Vaskevicius N, Birk A, et al. Fast plane detection and polygonalization in noisy 3D range images. International Conference on Robotics and Automation. Seattle: IEEE, 2015: 1316—1322

12 Richtsfeld A, Zillich M, Vincze M, et al. Implementation of Gestalt principles for object segmentation. International Conference on Pattern Recognition. Tsukuba: ICPR, 2012: 1330—1333

13 Holz D, Behnke S. Fast range image segmentation and smoothing using approximate surface recon-struction and region growing. Intelligent Autonomous Systems. Berlin: Springer, 2013: 61—73

14 Richtsfeld A, Morwald T, Prank I J, et al. Segmentation of unknown objects in indoor environments. IEEE/RSJ International Conference on Intelligent Robots and Systems.Vilamoura: IEEE, 2012: 4791—4796

15 Uckermann A, Haschke R, Ritter H. Real-time 3d segmentation of cluttered scenes for robot grasping. IEEE-RAS International Conference on Humanoid Robots. Osaka: Humanoids, 2012: 198—203