刘 玮， 李 岩， 贾 科， 刘克平*

(1.长春工业大学电气与电子工程学院， 长春 130012; 2.长春一汽国际物流有限公司， 长春 130000)

近年来，点云处理技术逐渐应用在非结构环境下的目标零件识别领域[1]。非结构环境，即环境信息未知、不固定，且存在零件杂乱摆放相互堆叠、连接的情况。如何将单个零件从复杂背景中准确地分割出来，依旧是点云处理过程中待解决的难题。点云分割结果的好坏，将直接影响后续目标识别的精确度[2]。

目前，常用的点云分割方法有：基于聚类的分割、基于区域的分割、基于边缘的分割以及基于模型的分割。第一类是基于聚类的分割方法。Wang等[3]提出了一种基于距离的聚类方法来解决物体重叠放置的问题，根据高斯映射的特性和点的几何信息，可以识别出平面、圆柱体、球体等原始形状，从而避免了点云的过分割。Sansoni等[4]提出了一种对欧式聚类进行优化的算法，用于识别有噪声和遮挡情况下自由形状的物体，使用定制开发的分割算法集成商业软件库并通过相同扫描系统创建的模型云数据库来执行对象识别。上述方法在处理点云分割问题时，仅限于识别固定形状的物体，在解决其他场景问题时具有一定的局限性。第二类是基于区域的分割方法。杨琳等[5]提出了一种结合超体素和区域生长的点云分割算法，首先获得点云的空间位置信息，其次利用超体素的中心合并成均匀分布的点云，再依据其点云特征得到点云子集，最终进行区域生长聚类。……