孔德明，张 娜，王书涛，史慧超

(1. 燕山大学 电气工程学院，河北 秦皇岛 066004；2. 北京化工大学 信息科学与技术学院，北京 100029)

1 引 言

点云模型分割是医学研究、模式识别、机器人环境认知、逆向工程等领域中一项关键且繁琐的技术。作为目标识别的基础，其实质是将具有相似特征属性的点划分入同一区域，不同特征的点归入相互独立的集合，从而依据各区域内点集的特性选取相应处理方式对其分而治之，使得后续有针对性地处理更加精准高效。然而，现实场景中物体逐渐趋于复杂化，应用现有的点云分割技术已不能满足快速、高精度的要求。因此，如何在高冗余度且无序不均的数据点中，迅速提取关键点并进行有效处理是当前重点研究的内容。

区域生长作为点云分割领域中的经典分割算法，因其算法原理简单且易于实现，广泛应用于各种场景中。Yi B等[1]通过区域生长算法获取点的恰当局部区域，同时利用基本基元的中层参数，指导各点法线参数的修改和曲面类型的迭代检测；Rabbani T等[2]提出一种加入平滑条件约束的区域生长算法对密集管道场景进行分割，但应用于复杂场景时分割效果欠佳；李仁忠等[3]将曲率最小的点设置为种子点，以拟合曲面与种子面法向量夹角是否超出阈值作为生长准则实现点云分割，但该算法的阈值需要测试选取，故分割的稳定性不足；郭保青等[4]利用基于法线一致性原则的区域生长算法对铁路场景中不同类物体进行分割，并利用VFH获取单个物体特征信息；……