姚绍华， 贺 松， 涂园园

（贵州大学 大数据与信息工程学院， 贵阳 550025）

0 引 言

三维激光雷达有着较高的测量准确性、较大的探测范围以及不受光照条件影响的抗干扰能力，这些优势使其成为了环境主动感知领域的一项关键技术，在智能驾驶、移动机器人等领域得到广泛的应用［1］。 三维激光雷达扫描产生的点云是一系列无序的点，点与点之间无拓扑关系，要实现对环境周围目标的识别，首先，关键内容就是要对点云进行聚类分割，使其成为一个个独立的子集，每个子集都有相对照的物理目标，这为后续的目标分类或识别提供了重要基础。 进一步也表明分割的准确程度将直接影响后续的处理效果。 因此研究一种能提高分割准确率的分割方法是非常有必要的。

目前，点云分割算法主要基于从几何约束和统计规则出发制定的严格的人工设计的特征。 分割的主要过程是将原始3D 点分组为非重叠区域。 这些区域对应于一个场景中的特定结构或对象。 由于这种分割过程不需要有监督的先验知识，因此所得到的结果没有很强的语义信息。 这些方法可以分为基于边缘的、基于区域增长的、基于模型拟合的和基于聚类的4 种方法［2］。 其中，基于边缘的分割方法是通过定位亮度快速变化的点，这类似于一些二维图像分割方法。 此方法虽然可以简单快速运行，但只适用于简单场景，对于密集和大面积的点云数据集处理效果不佳。 基于区域增长的分割方法是一种经典的分割方法，通过将2 个点或2 个区域单元之间的特征相结合，以测量像素（2D）、点（3D）或体素（3D）之间的相似性，并将其合并在一起。……