本發明公開了一種基于反饋控制的交互式點云分割方法。該方法如下：根據基于區域增長的點云分割原理確定反饋狀態，設計反饋控制框架及其數學概念表達式；對用戶輸入的點云進行處理，并擴散輸入效果；根據用戶輸入和預估分割結果表達式，利用李雅普諾夫直接法確定預估分割表達式的控制律，使得預估分割結果趨向于理想分割結果；利用李雅普諾夫直接法確定輸出分割表達式的控制律，使得輸出分割的結果跟蹤預估分割結果，得到用戶期望的點云分割結果。本發明從反饋控制角度分析交互式點云分割系統的穩定性和收斂性，提高了交互式分割的抗干擾能力，減少了用戶交互；采用預估分割結果估計用戶理想分割結果，提高了交互式分割的精確度。

技術領域

本發明涉及計算機視覺和反饋控制技術領域，特別是一種基于反饋控制的交互式點云分割方法。

背景技術

近年來，隨著硬件三維掃描設備(激光掃描儀、深度掃描儀、Kinect等)的普及，可以針對不同的目標輕松地獲取點云數據。此外，隨著三維重建、AR/VR、3D打印等任務需求增加，點云數據的處理，尤其是點云分割得到了更為廣泛的關注。由于點云數據自身的種種特性以及自動點云分割算法本身的局限性，自動點云分割往往達不到百分之百的精確度，無法完全滿足用戶需求。根據是否包含交互階段，點云分割主要分為以下幾類：

自動點云分割方法，主要包括使用純數學模型和幾何推理的傳統分割方法和基于深度學習的點云分割。傳統分割方法常用的有：計算邊緣強度，參考強度閾值判斷邊緣；選定種子點，將附近鄰域內具有相同屬性的點集合在一起組成一個區域；對點云數據進行模型擬合，根據不同幾何形狀的數學模型對其進行分類。傳統分割方法受幾何約束、調參困難，且分割結果不可控。基于深度學習的分割方法從點云數據中提取特征，并使用深度學習/機器學習來學習不同類別的對象類型，然后使用結果模型對所獲取的數據進行分類?；谏疃葘W習的點云分割方法雖然可以提供更好的結果，但它們對GPU要求很高、訓練模型需要大量的數據、運算速度通常很慢。當用戶對分割結果不滿意時，自動點云分割方法不能實時交互，修正分割結果。

交互式點云分割方法，通常是由用戶添加前景背景約束，在此基礎上運行分割算法。若是分割結果不滿足要求則繼續添加約束，直至得到滿意的結果。常用的方法有基于最小割(Min-Cut)的點云分割算法，該算法只能將數據分為前景/背景，并且不可繼承前一次的分割結果；Lazy Snaping標記前景背景約束，可以將先前獲得的分割結果作為新的種子點，進行下一次分割，但是沒有分析整體系統的穩定性和收斂性，沒有考慮過度的用戶輸入對分割結果造成的不利影響。

2018年，Zhu等(Zhu L,Karasev P,Kolesov I,et al.Guiding ImageSegmentation on the Fly:Interactive Segmentation From a Feedback ControlPerspective[J]//IEEE Transactions on Automatic Control.2018)在文獻中提出了基于反饋控制的圖像分割方法，從反饋控制的角度設計用戶輸入以及目標分割結果，給出了相應的控制律，并分析了用戶輸入對系統的穩定性以及收斂性的影響。但是該方法應用在圖像分割領域，不適用于3D場景。

發明內容

本發明的目的在于提供一種魯棒性強、交互效率高、精確度高的基于反饋控制的交互式點云分割方法。

實現本發明目的的技術解決方案為：一種基于反饋控制的交互式點云分割方法，包括以下步驟：

步驟1、根據基于區域增長的點云分割原理確定反饋狀態，設計反饋控制框架，給出反饋控制框架的數學概念表達式；

步驟2、對用戶輸入的點云進行處理，并擴散輸入效果；

步驟3、根據用戶輸入和預估分割結果表達式，利用李雅普諾夫直接法確定預估分割表達式的控制律，使得預估分割結果趨向于理想分割結果；