三維點(diǎn)云數(shù)據(jù)分割原理及應(yīng)用

師域軒++褚智威

摘 要：點(diǎn)云數(shù)據(jù)呈現(xiàn)海量增長趨勢，對點(diǎn)云數(shù)據(jù)進(jìn)行有效分割是數(shù)據(jù)處理的基礎(chǔ)與前提，其在3D打印、虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)、智慧城市、智能交通等領(lǐng)域均有極其廣泛的應(yīng)用。本文通過閱讀國內(nèi)外文獻(xiàn)，總結(jié)了點(diǎn)云分割的基本原理和特征，對比了各類點(diǎn)云分割算法的特點(diǎn)和適用場景，最后，結(jié)合實(shí)踐應(yīng)用需要，指出了現(xiàn)階段點(diǎn)云分割算法存在的問題和發(fā)展趨勢。

關(guān)鍵詞：點(diǎn)云數(shù)據(jù) 分割算法 混合分割

中圖分類號：TP39 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2017）08（c）-0242-05

Abstract： Point cloud segmentation is an important research topic of pointcloud processing， and it has many important applications in the field of intelligent vehicle driving， scene recognition and understanding. This paper introduces the basic principles and characteristics of point cloud segmentation. And the principle， characteristics and application environment of various point cloud segmentation algorithms aresummarized and analyzed. Finally， the problems and development trend of the existing segmentation algorithms are also discussed.

Key Words： Point cloud； Segmentation； Hybrid Segmentation

圖形圖像技術(shù)飛速發(fā)展，激光掃描儀、深度掃描儀、Kinect等硬件三維掃描設(shè)備的廣泛使用產(chǎn)生了大量的點(diǎn)云數(shù)據(jù)，與此同時，3D打印、虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)、場景重建的應(yīng)用環(huán)境對點(diǎn)云數(shù)據(jù)的處理提出種種需求。2011年，Rusu[1]提出并建立了點(diǎn)云實(shí)驗(yàn)室，專注先進(jìn)的三維感知技術(shù)和處理算法的研究。點(diǎn)云數(shù)據(jù)的處理，特別是點(diǎn)云分割是三維重建、場景理解[2]和目標(biāo)識別跟蹤[3]等各項應(yīng)用或任務(wù)處理的基礎(chǔ)，分割結(jié)果有利于對象識別與分類，是人工智能領(lǐng)域的研究熱點(diǎn)問題，也是難點(diǎn)問題，已經(jīng)受到越來越多科研院所和科技公司的關(guān)注。

點(diǎn)云分割是通過一定的方式方法，將使用特定設(shè)備獲取到的雜亂無章的點(diǎn)云數(shù)據(jù)，分割成若干個互不相交的子集，每一個子集中的數(shù)據(jù)具有基本相同的屬性特征或一定的語義信息，這樣的話，在場景理解或虛擬重建時，能將這些點(diǎn)云數(shù)據(jù)視為一個獨(dú)立物體上的數(shù)據(jù)，如此處理，就可以方便的確定目標(biāo)的形狀、大小等屬性特征。

目前，由于采集設(shè)備的技術(shù)局限性，通過各種方式獲得的點(diǎn)云數(shù)據(jù)的采樣密度是不均勻的，通常是無序、稀疏的，并且摻雜有大量的噪聲點(diǎn)和異常點(diǎn)。此外，點(diǎn)云數(shù)據(jù)的表面形狀和分布可以是符合物理特性的任意的形式，沒有固定或者鮮明的統(tǒng)計分布特點(diǎn)，同時，點(diǎn)云數(shù)據(jù)冗余性高、采樣密度不均勻且缺少明確的結(jié)構(gòu)特征。以上點(diǎn)云數(shù)據(jù)自身的種種特點(diǎn)，決定了實(shí)現(xiàn)點(diǎn)云數(shù)據(jù)分割的技術(shù)難度相當(dāng)大，因此也成為一個研究的熱點(diǎn)和難點(diǎn)。

1 點(diǎn)云分割算法分類

筆者通過閱讀國內(nèi)外文獻(xiàn)，整理出目前用于點(diǎn)云分割的6種主要方法：基于邊緣的分割算法、基于區(qū)域增長的分割算法、基于屬性的分割算法、基于模型的分割算法、基于圖的分割算法和混合分割算法。分別對其原理和應(yīng)用詳細(xì)介紹如下。

1.1 基于邊緣的分割方法

物體的邊緣線條能夠簡單的勾勒出其形狀特性?；谶吘壍狞c(diǎn)云分割算法，通過檢測邊緣區(qū)域即點(diǎn)云強(qiáng)度快速變化或者表面法向量急劇變化的區(qū)域，勾勒出點(diǎn)云數(shù)據(jù)中隱藏的邊緣信息來得到分割區(qū)域。

基于邊緣的分割算法是Bhanu等[4]在1896年首先提出的，其通過計算點(diǎn)云數(shù)據(jù)的梯度信息、檢測單位法向量的方向變化來檢測點(diǎn)云數(shù)據(jù)邊緣。1999年，Jiang等[5]提出了一種基于掃描線的邊緣檢測算法。該算法給出了最優(yōu)邊緣檢測的定義，提供了保證邊緣強(qiáng)度的原理和幾何解釋。和Bhanu的算法相比，該算法不僅提高了點(diǎn)云的分割質(zhì)量，而且大大提升了算法的運(yùn)行時間，但其只適用于深度圖像的分割，且對于密度分布不均勻的深度圖像分割效果差。2001年，Sappa[6]提出了一種通過二維邊緣圖提取閉合輪廓的邊緣檢測策略來實(shí)現(xiàn)點(diǎn)云的快速分割。

基于邊緣的分割算法原理簡單、分割速度快，在早期車牌識別[7]、機(jī)場快速安檢[8]，機(jī)場跑道識別[9]等領(lǐng)域有較好的應(yīng)用，但是由于受噪聲和點(diǎn)云的密度影響較大，算法的分割精度較低，不適合處理復(fù)雜的點(diǎn)云數(shù)據(jù)。

1.2 基于區(qū)域增長的分割算法

基于區(qū)域增長的點(diǎn)云分割算法是在鄰域范圍內(nèi)，將具有相同屬性的點(diǎn)結(jié)合組成孤立區(qū)域，同時保證其余周圍區(qū)域的差異性最大。與基于邊緣分割算法相比，基于區(qū)域增長的算法抗噪聲能力強(qiáng)，但因?yàn)槠錈o法得到確定的分割邊緣，因此易產(chǎn)生過分分割或者分割不足的結(jié)果。

基于區(qū)域增長的分割算法以種子曲面作為種子起點(diǎn)，通過相似度（如接近程度、坡度、曲率和曲面法向量等）度量，對各個種子曲面周圍的離散點(diǎn)云進(jìn)行分組，從而使種子逐步擴(kuò)展到更大的曲面片。這種方法是Besl等[10]在1988年首先提出的。該算法主要包括兩個步驟一是確定種子曲面；二是通過特定方式實(shí)現(xiàn)區(qū)域生長。2000年，Koster等[11]利用不規(guī)則圖來存儲區(qū)域之間的相對信息，即區(qū)域之間的相似性度量，基于相對信息對相鄰區(qū)域進(jìn)行比較合并，2003年，Rottensteiner等[12]利用激光雷達(dá)觀測獲得點(diǎn)云并自動生成三維模型，其首先檢測建筑物的整個區(qū)域，然后利用曲率作為區(qū)域增長的條件進(jìn)行平面分割，檢測屋頂平面。2005年，Tovari[13]提出了一種基于區(qū)域增長的分割算法來處理機(jī)載激光點(diǎn)云數(shù)據(jù)。其將點(diǎn)云數(shù)據(jù)的法向量和點(diǎn)到種子平面的距離進(jìn)行綜合后作為相似性度量進(jìn)行區(qū)域增長。2012年，Wang[14]提出一種基于區(qū)域增長的快速平面分割算法，成功應(yīng)用于智能設(shè)備在室內(nèi)場景中檢測障礙物體。Jeremie等[15]在2013年提出一種新的超像素分割算法，可以將點(diǎn)云數(shù)據(jù)分割得到依附于物體邊界信息的超像素塊。該算法首先體素化處理點(diǎn)云數(shù)據(jù)并生成種子區(qū)域，在距離種子最近的連通區(qū)域內(nèi)，綜合考慮顏色信息、空間距離和幾何特征進(jìn)行區(qū)域增長，直到達(dá)到搜索邊界或者沒有相鄰體素可以搜索時迭代過程結(jié)束。endprint

基于區(qū)域增長的分割算法適合處理大規(guī)模、復(fù)雜場景的點(diǎn)云數(shù)據(jù)，對噪聲信息不敏感，容易實(shí)現(xiàn)且計算成本較低。但是這類算法性能依賴于種子的選取和區(qū)域增長策略，很難確定精確的區(qū)域邊界，容易出現(xiàn)過分分割或者分割不足的情況。同時，約束條件或者兼容性閾值對分割結(jié)果的好壞影響較大。

1.3 基于屬性的分割算法

基于屬性的分割算法是一種利用點(diǎn)云的特征屬性進(jìn)行聚類的分割算法。在該算法中，每個點(diǎn)都對應(yīng)一個特征向量，該特征向量內(nèi)包含了若干個屬性不同的特征值。

2001年，F(xiàn)ilin[16]提出了一種基于表面紋理特征聚類激光點(diǎn)云數(shù)據(jù)的平面分割算法。該算法可以在激光點(diǎn)云數(shù)據(jù)上直接進(jìn)行處理而不需要柵格化。Vosselman等[17]利用Hough變換實(shí)現(xiàn)激光點(diǎn)云數(shù)據(jù)的平面分割。2010年，Zhan[18]提出了一種利用法向量和顏色信息作為屬性特征進(jìn)行聚類的點(diǎn)云分割算法，之后還提出一種改進(jìn)的基于歐式距離聚類的點(diǎn)云分割算法[19]。2012年，Dirk Holz[20]提出了一種利用表面法向量進(jìn)行實(shí)時平面分割的算法，其可以實(shí)時感知周圍場景中的主要目標(biāo)物體，實(shí)驗(yàn)結(jié)果可以成功應(yīng)用于機(jī)器人導(dǎo)航和避障。

基于屬性的分割算法是一種比較穩(wěn)定的分割算法，其在特征空間中實(shí)現(xiàn)，不受點(diǎn)云空間關(guān)系的影響。特征空間和聚類方法的選擇很大程度上決定了算法的性能，且點(diǎn)云密度變化對算法影響較大，在處理大規(guī)模復(fù)雜分布的點(diǎn)云數(shù)據(jù)時，時間復(fù)雜性也大。

1.4 基于模型的分割算法

基于模型的分割算法利用原始幾何形態(tài)的數(shù)學(xué)模型（例如平面、圓柱體、圓錐體、球體等）作為先驗(yàn)知識進(jìn)行分割，將具有相同數(shù)學(xué)表達(dá)式的點(diǎn)云數(shù)據(jù)歸入同一區(qū)域。

Fischer[21]在1981年提出隨機(jī)抽樣一致性估計算法（RANSAC算法）。算法從樣本中隨機(jī)抽選出一個樣本子集，使用最小方差估計法對這個子集進(jìn)行模型參數(shù)計算，計算所有樣本與該模型的偏差，與預(yù)先設(shè)定的閾值進(jìn)行比較，重復(fù)迭代直到滿足結(jié)束條件為止。許多基于幾何模型的點(diǎn)云分割算法都是在該算法的基礎(chǔ)上發(fā)展起來的。

2007年，Schnabel等[22]對以上算法進(jìn)行了改進(jìn)設(shè)計，可以自動檢測雜亂點(diǎn)云數(shù)據(jù)中的基本幾何形狀，用來進(jìn)行網(wǎng)格和點(diǎn)云數(shù)據(jù)的分割。改進(jìn)后的算法不僅增加了速度優(yōu)化的步驟，同時保證了分割結(jié)果的準(zhǔn)確性。為了打破算法對原始形狀的局限性，Gelfand等[23]提出一種檢測Slippable形狀的分割算法，Slippable形狀被定義為旋轉(zhuǎn)和平移對稱的形狀，包括球、螺旋、平面和氣缸等。算法可以通過合并原始的Slippable表面形狀來進(jìn)一步處理點(diǎn)云數(shù)據(jù)中可能包含的復(fù)雜形狀。2011年，Li等[24]在RANSAC算法的基礎(chǔ)上提出一種改進(jìn)算法，在局部范圍內(nèi)使用RANSAC算法檢測基本的幾何模型，然后在全局范圍內(nèi)進(jìn)行融合，分割并且融合得到更為復(fù)雜的目標(biāo)模型。

2014年，Awadallah M[25]提出了一種基于模型的點(diǎn)云分割算法，算法首先將點(diǎn)云數(shù)據(jù)投影到二維圖像網(wǎng)格，然后利用Snake模型來劃分點(diǎn)云集合，實(shí)現(xiàn)稀疏、有噪聲點(diǎn)云數(shù)據(jù)的良好分割。2015年，Wang等[26]介紹一種基于局部采樣和統(tǒng)計推理的點(diǎn)云分割算法，利用RANSAC來確定點(diǎn)云數(shù)據(jù)中的平面、圓柱體和曲面。

基于模型的分割算法以數(shù)學(xué)原理為基礎(chǔ)，算法處理速度快，而且對于噪聲點(diǎn)和異常點(diǎn)不敏感。這類算法的主要限制是無法處理大規(guī)模復(fù)雜場景下的點(diǎn)云數(shù)據(jù)。

1.5 基于圖的分割算法

基于圖的分割算法利用點(diǎn)云數(shù)據(jù)構(gòu)造圖結(jié)構(gòu)，每個點(diǎn)云在圖中對應(yīng)一個頂點(diǎn)，兩個頂點(diǎn)之間的邊連接相鄰兩個點(diǎn)云數(shù)據(jù)。每條邊都被分配一個權(quán)重，用它來表示點(diǎn)云數(shù)據(jù)中一對點(diǎn)的相似性。分割的過程需保證不同分割區(qū)域之間相似性最小，而同一分割區(qū)域上相似性最大。

很多基于圖的點(diǎn)云分割算法將分割問題轉(zhuǎn)換成概率推理模型，如條件隨機(jī)場模型或馬爾科夫隨機(jī)場模型。Schoenberg等[27]提出了一種利用馬爾科夫隨機(jī)場模型的分割算法，該算法處理的是將單光學(xué)相機(jī)和激光掃描儀得到的數(shù)據(jù)通過數(shù)據(jù)融合得到的深度圖像。利用光學(xué)圖像數(shù)據(jù)的約束條件，對稀疏的激光數(shù)據(jù)進(jìn)行插值處理得到稠密的具有紋理信息的點(diǎn)云數(shù)據(jù)。通過綜合考慮歐氏距離、像素密度和表面法線作為像素點(diǎn)間的相似性進(jìn)行分割。該算法處理速度快，可以對城市場景的點(diǎn)云數(shù)據(jù)進(jìn)行實(shí)時的分割處理，在場景重建中應(yīng)用較廣。GrabCut是一種經(jīng)典的圖像分割算法，利用迭代的能量函數(shù)最小化和少量的用戶交互實(shí)現(xiàn)圖像的切割。2013年，Nizar等[28]提出一種改進(jìn)的GrabCut算法，并將其應(yīng)用于RGBD點(diǎn)云數(shù)據(jù)的分割上。2014年，Geetha M[29]介紹一種利用最小生成樹分割點(diǎn)云的算法。算法基于距離和法線信息將點(diǎn)云聚類為若干部分，在聚類結(jié)果基礎(chǔ)上構(gòu)建加權(quán)平面圖，然后利用圖對應(yīng)的最小生成樹對分割結(jié)果作進(jìn)一步細(xì)化處理。2015年，Yang等[30]利用圖模型的方法進(jìn)行區(qū)域融合，通過最小化能量函數(shù)得到邊界清晰的RGBD圖像分割結(jié)果。

基于圖的分割算法可以處理大規(guī)模復(fù)雜場景的點(diǎn)云數(shù)據(jù)，特別是對于帶噪聲或者點(diǎn)云密度分布不均勻的點(diǎn)云數(shù)據(jù)分割效果很好。然而，這類算法通常無法實(shí)現(xiàn)實(shí)時處理。

1.6 混合的分割算法

2010年，Ma等[31]提出一種針對點(diǎn)云數(shù)據(jù)形狀分割的算法。該方法綜合考慮譜聚類和圖分割兩種分割原理，用譜聚類的方法代替K最近鄰算法計算的領(lǐng)域區(qū)間，可以更好地適應(yīng)點(diǎn)云的采樣密度，使得分割結(jié)果更精確、更貼合物體的形狀。并且通過刪除多余的特征向量降低了空間維度，降低了算法的計算復(fù)雜性。

2012年，Abdul Nurunnabi[32]提出一種魯棒性激光點(diǎn)云分割算法，該算法結(jié)合主成分分析和基于區(qū)域增長的分割算法。該算法可以避免噪聲干擾對分割造成的影響，提高分割算法的性能。endprint

2015年，D. Wolf等[33]介紹一種利用超像素和機(jī)器學(xué)習(xí)的語義分割框架，利用聚類和條件隨機(jī)場結(jié)合的算法實(shí)現(xiàn)點(diǎn)云數(shù)據(jù)的分割和場景理解。

2015年，William R[34]提出了一種應(yīng)用八叉樹理論和圖論進(jìn)行點(diǎn)云分割的算法。算法的思想是通過融合空間關(guān)系、幾何特征和外觀作為特征向量，利用圖論的原理進(jìn)行點(diǎn)云分割。利用八叉樹的結(jié)構(gòu)來組織點(diǎn)云數(shù)據(jù)，通過概率的方式在體素空間內(nèi)創(chuàng)建一個正態(tài)分布變換的特征模型，利用Hellinger距離來計算八叉樹結(jié)構(gòu)內(nèi)點(diǎn)云數(shù)據(jù)的鄰域距離，該算法可以提高分割結(jié)果在邊界處的精確度。

2 討論

從國內(nèi)外研究和應(yīng)用現(xiàn)狀來看，盡管點(diǎn)云分割已經(jīng)進(jìn)行了大量的、面向不同應(yīng)用問題的研究，但是還沒有一種適合所有應(yīng)用的分割算法。絕大多數(shù)算法都是針對具體問題提出的。點(diǎn)云分割算法中容易被忽略的重要信息是點(diǎn)云數(shù)據(jù)的語義信息。Anand等[35]利用點(diǎn)云數(shù)據(jù)的語義信息改進(jìn)了分割算法，利用局部視覺外觀、三維空間下的幾何關(guān)系和形狀特征，結(jié)合室內(nèi)場景的語義信息對復(fù)雜的點(diǎn)云數(shù)據(jù)進(jìn)行處理并取得良好的分割效果。

由于噪聲、點(diǎn)云密度不均勻、存在大量遮擋區(qū)域等原因，很難在復(fù)雜場景中找到合適的幾何特征。有學(xué)者研究利用機(jī)器學(xué)習(xí)的分割算法，且初步試驗(yàn)表明該類算法的效果優(yōu)于只考慮點(diǎn)云空間連通性和幾何特性的算法，但是該類算法運(yùn)算速度較慢，實(shí)驗(yàn)結(jié)果對特征提取過程的依賴性較大，還有極大的改進(jìn)空間。點(diǎn)云數(shù)據(jù)的應(yīng)用會越來越廣泛，因此對點(diǎn)云數(shù)據(jù)的應(yīng)用和處理算法研究也會保持持續(xù)的熱度，了解其基本方法和原理，對今后開展相關(guān)領(lǐng)域的研究或應(yīng)用都具有極大價值。

參考文獻(xiàn)

[1] Rusu R B， Cousins S. 3D is here： Point cloud library （PCL）[C]// IEEE International Conference on Robotics & Automation. 2011：1-4.

[2] Song S， Lichtenberg S P， Xiao J. SUN RGB-D： A RGB-D scene understanding benchmark suite[C]// Computer Vision and Pattern Recognition （CVPR），2015 IEEE Conference on. IEEE.2015：567-576.

[3] Hane C， Savinov N， Pollefeys M. Class Specific 3D Object Shape Priors Using Surface Normals[C]// 2014 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE Computer Society.2014：652-659.

[4] B. Bhanu， S. Lee， C. Ho， and T. Henderson， Range data processing：Representation of surfaces by edges[M]. In proc.int.Pattern recognitionconf， 1896.

[5] Jiang X Y， Meier U， Bunke Fast range image segmentation using high-level segmentation primitives[C]// Applications of Computer Vision， 1996. Wacv '96.Proceedings， IEEE Workshop on. IEEE.1996：83-88.

[6] A. Sappa， M.Devy， Fast range image segmentation by an edge detectionstrategy[M]. In 3D Digital Imaging and Modeling， Los Alamitos， CA，USA，2001：292-299.

[7] 張海濤，姚雪，劉萬軍.利用車輛邊緣的遮擋車輛曲線分割算法[J].計算機(jī)應(yīng)用研究，2014，31（7）：2191-2194.

[8] 陳旭光，林卉.邊緣分割算法在機(jī)場識別中的應(yīng)用[J].微計算機(jī)信息，2012（1）：163-165.

[9] 王昭蓮，吳樂華，楊琬.一種有效的基于邊緣圖像的機(jī)場跑道識別算法[J]. 光電技術(shù)應(yīng)用， 2008， 23（1）：70-73.

[10] P.J. Besl， R.C. Jain， Segmentation through variable order surfacefitting[M]. IEEE Transaction on Pattern Analysis and Machine Intelligence， 1988.

[11] K.K¨oster， M. Spann： An approach to robust clustering application to range image segmentation[M]. IEEE Transaction on Pattern Pattern Analysis， 2000.

[12] Rottensteiner F. Automatic Generation of High-Quality Building Models from Lidar Data[J]. Computer Graphics & Applications IEEE， 2003， 23（6）：42-50.endprint

[13] D.Tovari， Segmentation based robust interpolation - A new approach to laser data filtering， International Archives of Photogrammetry[J].Remote Sensing and Spatial Information Sciences，2005，36（3/W19）：79-84.

[14] Wang Z， Liu H， Qian Y， et al. Real-Time Plane Segmentation and Obstacle Detection of 3D Point Clouds for Indoor Scenes[M]// Computer Vision ECCV 2012. Workshops and Demonstrations. Springer Berlin Heidelberg.2012：22-31.

[15] Papon.J，Abramov.A，Schoeler. M，Worgotter.F. Voxel Cloud Connectivity Segmentation -Supervoxels for Point Clouds[M]. Computer Vision and Patterrn Recognition （CVPR 2013） 10.1109＼CVPR.2013：264.

[16] S. Filin， Surface clustering from airborne laser scanning data[M]. International Archives of Photogrammetry， Remote Sensing and Spatial Information Sciences，2001：117124.

[17] G. Vosselman 3D building model reconstruction frompoint clouds and ground plans， Int. Arch. Photogramm[J]. Remote Sens.，2001（34）：37-43.

[18] Zhan Q， Yu L， Liang Y. A point cloud segmentation method based on vector estimation and color clustering[C]//Information Science and Engineering （ICISE）， 2010 2nd International Conference on. IEEE.2010：3463-3466.

[19] Zhan Q， Yu L. Segmentation of LiDAR Point Cloud based on Similarity Measures in Multi-Dimension Euclidean Space[C]//Proceedings of 2010 International Conference on Remote Sensing Volume 2.2010.

[20] Holz D， Holzer S， Rusu R B， et al. Real-Time Plane Segmentation Using RGB-D Cameras[M]// RoboCup 2012：Robot Soccer World Cup XV. Springer Berlin Heidelberg.2012：306-317.

[21] Fischler M A， Bolles R C. Random Sample Consensus： A Paradigm for Model Fitting with Applications To Image Analysis and Automated Cartography[J]. Communications of the Acm，1981，24（6）：381-395.

[22] R.Schnabel， R. Wahl， R.Klein， Efficient ransac for point cloud shape detection. Comput[J].Graph，2007，26（2）：214-226.

[23] N. Gelfand， L. Guibas， Shape segmentation using local slippage analysis[M]. In Proceedings of Eurographics， ACM， New York，2004：214-223.

[24] Y. Li， X.， Y. Chrysathou， A. Sharf， D. Cohenor， N.J. Mitra， Globfit： Consistently fitting primitives by discovering global relations[M]. ACM Trans. Graph， 2011.

[25] Wang Y， Shi A segmentation method for point cloud based on local sample and statistic inference[J]. Communications in Computer and Information Science， 2015（482）：274-282.

[26] Wang Y， Shi H. A segmentation method for point cloud based on local sample and statistic inference[J]. Communications in Computer and Information Science， 2015（482）：274-282.endprint

[27] J. Schoenberg， A. Nathan， and M. Campbell， Segmentation of denserange information in complex urban scenes[M]. In Proc. of the IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS），2010：2033-2038.

[28] Sallem N K， Devy M. Extended GrabCut for 3D and RGB-D Point Clouds[M]// Advanced Concepts for Intelligent Vision Systems. Springer International Publishing.2013：354-365.

[29] Geetha M， Rakend. An improved method for segmentation of point cloud using Minimum Spanning Tree[C]// Communications and Signal Processing （ICCSP）， 2014 International Conference on. IEEE.2014.

[30] Yang J， Gan Z， Li K， et al. Graph-Based Segmentation for RGB-D Data Using 3-D Geometry Enhanced Superpixels[J]. Cybernetics IEEE Transactions on， 2015，45（5）：913-926.

[31] Ma T， Wu Z， Feng L， et al. Point cloud segmentation through spectral clustering[C]// International Conference on Information Science and Engineering. IEEE. 2010：1-4.

[32] Nurunnabi A， Belton D， West G. Robust Segmentation in Laser Scanning 3D Point Cloud Data[C]// Digital Image Computing Techniques and Applications （DICTA）， 2012 International Conference on. IEEE.2012：1-8.

[33] Wolf，J Prankl，M Vincze. Fast semantic segmentation of 3D point clouds using a dense CRF with learned parameters[C]// 2015 IEEE International Conference on Robotics and Automation （ICRA）.2015.

[34] Green W R，Grobler H. Normal distribution transform graph-based point cloud segmentation[C]// Pattern Recognition Association of South Africa and Robotics and Mechatronics International Conference.IEEE.2015.

[35] A. Anand，T.Joachims，A.Saxena，Contextually Guided Semantic Labeling and Search for 3D Point Clouds[M].In IJRR，2012.endprint