点云分割是指识别与单个语义单元相对应的场景部分的任务,主要利用颜色、深度值、法矢量等属性将具有类似属性的点云聚类到一个连通区域内,以完成场景中单个对象的分离。由于缺乏关于对象的形状和姿势的先验信息以及被杂乱场景遮挡的影响,点云分割仍然是一个具有挑战性的任务。许多机器人应用程序,如识别、掌握和操纵未知物体,需要有关于目标形状的可靠信息才能良好执行任务。随着三维数据获取技术的不断发展,快速有效的获取现实世界中物体的高精度表面模型成为计算机视觉领域的重点。如何对杂乱场景中获得的点云数据进行分割,以便识别和重建,是该领域的技术瓶颈。现实世界中,背景复杂多样,涉及的物体不计其数,大小形状材质各异,摆放位置随意,相互之间存在邻接、堆叠和遮挡。人类能轻而易举地根据几何形状、外观、颜色、边缘、空间位置等区分出杂乱场景中的每个物体,而现有的视觉处理技术在物体分割方面,与人类相差甚远。因此,如何准确有效地分割出杂乱场景中的物体,以便识别与重建,是更具挑战性的研究课题。根据以上实际存在的问题,本文重点研究点云数据处理与分割,继而探讨杂乱场景点云分割算法,并做了相应的实验进行验证。本文完成的主要工作内容如下:1、对目前点云数据处理与分割算法的现状进行了分析,简要介绍了点云分割在机器视觉领域中起到的重要作用,是机器人完成杂乱场景中物体操控行为的理论依据和技术支撑。2、介绍了目前常见的点云分割算法,引出基于凹凸性的杂乱场景点云分割算法并对这种分割算法的具体实现步骤进行了详细说明,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。实验结果表明,该方法对于一般的规则物体可以取得较好的分割结果,而对于碗和杯子这类具有内部凹面的物体分割效果并不理想。3、为实现进一步提高上述方法中点云数据的分割效率,在凹凸性的基础上提出了结合超体素几何和色彩信息的3D点云分割算法,该算法从点云的超体素划分开始,利用一种捕获几何和颜色信息的新度量标准来合并超体素,以获得维持分割区域层次结构的3D分割。该算法还具有与输入点云大小呈线性相关的时间复杂度。实验从分割效率和分割准确率两个角度对改进的分割算法与常见分割算法进行了对比测试,证明了该方法的实用性。