随着机器视觉和图像处理技术的不断发展,点云分割是目标识别、点云分类以及三维重建的基础,分割结果对后续的场景分析有着极其重要的作用,成为现代机器视觉的热门研究领域。通过对三维点云数据处理,计算机能够更好的理解环境场景,为工作和生活提供便利,如物体的自动检测、场景建模、无人驾驶等。本文针对点云分割展开研究,通过使用基于区域增长的点云分割方法,降低了图像处理的计算量,同时实现了对点云数据的实时、精确有效分割。本文具体研究工作总结如下:在数据采集方面,利用双目视觉采集系统获得立体图像对,得到深度视差图,重建三维场景,将三维场景数据格式进行转换得到三维点云数据,输入算法进行点云分割。首先,对点云数据进行聚类过分割。三维空间下,点云数据聚类过分割是把采集的原始点云数据进行聚类算法处理,用来降低计算复杂度,消除噪声,提高分割精度。体素化处理三维点云数据,选取种子体素,利用聚类算法形成超体素,再对超体素数据进行平面拟合获取残差值,选取种子超体素,实现点云数据的过分割过程,完成聚类过分割。然后,基于区域增长算法进行分割。输入数据为过分割步骤得到的超体素,综合考虑空间连通性、表面光滑性以及表面几何特征等约束条件进行区域增长,确保分割算法的稳定性。本文所提分割方法避免了直接处理点云数据,提高了分割算法的鲁棒性,确保得到良好的分割边界。