张树益，常建华，2*，毛仁祥，李红旭，张露瑶

(1.南京信息工程大学 江苏省大气环境与装备技术协同创新中心，南京 210044；2.南京信息工程大学 江苏省气象探测与信息处理重点实验室，南京 210044)

引 言

随着激光雷达与微软Kinect[1-2]设备的快速普及，3维点云技术日渐成熟，已经广泛应用于3-D打印、自动驾驶、机器人、自主导航、工程测量、曲面重建等领域。3维点云数据处理已经成为国内外研究重点。点云分割是点云数据处理的重要基础，其目的是对点云数据进行有效地划分，将具有相似属性的点云划分为同一类。目前点云分割方法主要分为基于边缘的方法[3-6]、基于区域生长的方法[7-12]、 基于特征聚类的方法[13-17]以及基于机器学习的方法[18-20]。

基于边缘分割的算法主要是找出表面特征剧烈变化的点，利用边缘信息实现点云的划分。BHANU[5]等人提出一种边缘检测算法，通过计算梯度、拟合3维曲线来检测物体表面单位法向量的变化情况。DING等人[6]依据k维树空间拓扑结构,根据k邻域点的法线的夹角阈值进行边界点提取。此类方法原理简单且速度快，但受噪声影响较大且无法分割复杂场景。基于区域生长的算法主要研究点云之间的相似性，由初始种子点搜索邻域，将达到相似条件的点云划分为一类。BESL[7]在1988年首次提出区域增长算法，主要包括两个步骤：确定种子曲面；根据相似性进行区域生长。STEIN等人[8]在2014年提出了一种基于凹凸性的点云分割算法，由超体素算法对点云数据聚类得到超体数据，利用超体之间的凹凸性完成划分。……