智能家居数字孪生中的三维点云聚类分割方法

技术领域

本发明涉及三维点云分割技术领域，具体涉及一种智能家居数字孪生中的三维点云聚类分割方法。

背景技术

随着三维扫描技术的飞速发展，三维点云数据模型已成为几何模型的通用表示形式，并广泛应用于计算机可视化、逆向工程、三维重建等领域。近年来，国内外学者对三维点云分割方法的研究主要分为两类：基于深度学习和基于点云聚类。基于深度学习的点云分割方法利用数据集对模型进行训练，得到包含点云空间局部到全局特征的参数模型，并使用训练好的模型进行点云级分割，但训练过程对算力要求较高。而聚类是一种无监督无训练过程的机器学习算法，通过最大化类内元素相似性，最小化类间元素相似程度划分类别，可以作为点云数据处理的关键步骤之一。基于点云聚类方法主要有DBSCAN聚类、谱聚类和K均值聚类等。DBSCAN按点的密度大小进行聚类，耗时较长，计算量大；谱聚类对K值的选取依赖于先验知识，且容易受到初始的簇质心影响，陷入局部最优；K均值聚类算法简单，易实现，收敛较快，但在三维点云数据处理时，对聚类中心比较敏感，易陷入局部最优，需要优化改进。近年来利用群智能优化算法

发明内容

本发明的目的在于提供一种智能家居数字孪生中的三维点云聚类分割方法，以解决现有技术中KMC对聚类中心比较敏感，聚类精度低；以及现有秃鹰搜索算法路径搜索能力不足，易陷入局部最优等缺陷，本发明在面对不同室内家具三维点云模型时具有更好的聚类分割效果。

为达到上述目的，本发明采用如下技术方案：

智能家居数字孪生中的三维点云聚类分割方法，包括以下步骤：

步骤1：获取室内家具点云文件，采用体素滤波器处理室内家具点云文件，获得家具点云模型；

步骤2：对步骤1中获得的家具点云模型确定其聚类分割代价函数；

步骤3：获取秃鹰搜索算法；

步骤4：根据家具点云模型的特点对步骤3中获得的秃鹰搜索算法进行改进，得到改进秃鹰搜索算法；

步骤5：利用步骤4中获得的改进秃鹰搜索算法，并利用步骤2中获得的聚类分割代价函数，优化室内家具三维点云聚类分割。

进一步地，步骤1中从ModelNet40点云数据集中获取室内家具点云文件；并利用PCL点云库中的体素滤波器处理室内家具点云文件，获得家具点云模型。

进一步地，步骤2的聚类分割代价函数具体为：

式中，P

进一步地，步骤3中秃鹰搜索算法包括以下步骤：

步骤3.1：随机初始化秃鹰种群；

步骤3.2：根据步骤3.1已初始化完成的秃鹰种群，利用公式进行秃鹰种群的位置更新；

首先，秃鹰在搜索空间内识别并选择最佳区域直至捕获猎物，所述最佳位置表示食物数量最多，根据公式进行位置更新如下：

p

式中，ɑ为控制秃鹰三维空间内的位置变化的参数，取值范围为(1.5,2)；r为随机数，取值范围为(0,1)；p

其次，秃鹰在搜索空间内搜索猎物，在搜索空间的不同的方向移动，逐渐加速搜索范围，根据公式利用极坐标方程进行位置更新如下：

θ(i)＝K*π*rand

r(i)＝θ(i)+R*rand

xr(i)＝r(i)*sin(θ(i)),yr(i)＝r(i)*cos(θ(i))

x(i)＝xr(i)/max(|xr|),y(i)＝yr(i)/max(|yr|)

p

式中，θ(i)和r(i)分别为极坐标方程的极角与极径；K和R是控制参数，变化范围分别为(0,5)和(0.5,2)；rand为(0,1)内随机数；x(i)与y(i)表示极坐标中秃鹰位置，取值均为(-1,1)；p

最后，所有秃鹰从搜索空间的最佳位置快速俯冲飞向目标猎物进行攻击捕食，根据公式利用极坐标方程进行位置更新如下：

θ(i)＝α*π*rand,r(i)＝θ(i)

xr(i)＝r(i)*sinh(θ(i)),yrθ(i)＝rθ(i)*cosh(θ(i))

x1(i)＝xr(i)/max(xr|),y1(i)＝yr(i)/max(yr)

p

式中，r(i)为极坐标方程的极径，x1，y1，xr，yr均为不同情况下秃鹰的坐标值，x1与y1，xr与yr为极坐标中第i只秃鹰位置，δ

进一步地，步骤4中根据家具点云模型的特点对步骤3中获得的秃鹰搜索算法进行改进，得到改进秃鹰搜索算法，具体步骤包括：

步骤4.1：针对步骤1获得的家具点云模型，基于点云体元密度选择初始化聚类中心，每只秃鹰代表一处点云位置；

步骤4.2：首先在选择区域阶段，采用动态自适应控制算子更新秃鹰种群位置；

步骤4.3：其次在搜索阶段，采用柯西反向学习策略更新秃鹰种群位置；

步骤4.4：最后，采用疯狂捕猎机制更新秃鹰种群俯冲捕获阶段位置；

步骤4.5：计算秃鹰种群的适应度，根据适应度的大小选出最优秃鹰；

步骤4.6：判断是否达到最大迭代次数，若是，输出最优秃鹰即最优聚类中心，若否，返回步骤4.2。

进一步地，步骤4.1中基于点云体元密度选择初始化聚类中心，公式如下：

式中，x

进一步地，步骤4.2中首先在选择区域阶段，采用动态自适应控制算子更新秃鹰种群位置：

p

lm＝lm

式中，lm为动态自适应控制算子，其区间为[2,2.5]，n为当前迭代次数，Max_iter为最大迭代次数，lm

进一步地，步骤4.3中采用柯西反向学习策略更新秃鹰种群位置，具体为：

QOP＝rand((ub

式中，QOP为柯西反向点，rand为(0,1)内随机数，ub

进一步地，步骤4.4采用疯狂捕猎机制更新秃鹰种群俯冲捕获阶段位置，具体为：

ω＝2*rand-1

EA＝0.5*rand*e

式中，χ为平衡搜索策略的质量函数，ω为运动形态参数，n为当前迭代次数，Max_iter为最大迭代次数，pop为种群数量，EA为逃逸因子。

进一步地，步骤5中利用获得的改进秃鹰搜索算法优化室内家具三维点云聚类分割，具体方式为：

由基于点云体元密度选择初始化得到聚类中心后，在每个类别的秃鹰种群中通过QO-BESCH进行寻优操作，得到新的聚类中心，利用QO-BESCH优化室内家具三维点云聚类分割时，具体步骤包括：

步骤5.1：对步骤1获得的家具点云模型利用步骤4.1的方法获得初始化聚类中心；

步骤5.2：对初始秃鹰种群利用步骤2获得的聚类分割代价函数计算每只秃鹰的适应度，根据适应度的大小对秃鹰种群排序，选出最优秃鹰；

步骤5.3：对秃鹰种群利用步骤4.2-4.4的方法更新位置，计算每只秃鹰的适应度，根据适应度的大小对秃鹰种群排序；

步骤5.4：判断是否达到最大迭代次数，若是，输出归并之后的每个类的新聚类中心；否则，返回步骤5.3。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提出了一种基于QO-BESCH(Quasi-Oppositional Bald Eagle Searchbase on Crazy-hunting，QO-BESCH)优化的K均值互补迭代室内家具三维点云聚类分割方法，在保证快速寻优的前提下，获得室内家具三维点云的最优聚类中心。本发明在面对不同室内家具三维点云模型时具有更好的聚类分割效果，即提高改进秃鹰搜索算法的寻优精度，寻得最优聚类中心。

进一步地，本发明设计了基于体元初始聚类中心选择模型的KMC初始化提高初始化聚类中心的质量；在选择搜索空间阶段和搜索空间阶段采用动态自适应控制算子策略和柯西反向策略，解决了BES在选择搜索空间阶段过早收敛，易陷入局部极值点的情况；设计了一种疯狂捕猎机制，提升了秃鹰搜索算法BES俯冲捕获阶段的寻优能力，增加了寻找聚类中心的成功率。由此，QO-BESCH可以实现有效聚类，适用性较强。

本发明相比于秃鹰搜索算法，能耗更优，收敛速度更快，可以实现有效聚类，表现出较好的寻优能力，提高了鲁棒性和聚类精度。

附图说明

说明书附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明的流程示意图；

图2是本发明所涉及的改进秃鹰搜索算法的流程图；

图3是本发明在室内家具三维点云模型聚类效果图；(a)为bathtub点云模型聚类结果，(b)为bed点云模型聚类结果，(c)为bench点云模型聚类结果,(d)为bookshelf点云模型聚类结果,(e)为curtain点云模型聚类结果,(f)为desk点云模型聚类结果,(g)为door点云模型聚类结果,(h)为dresser点云模型聚类结果,(i)为stool点云模型聚类结果,(j)为table点云模型聚类结果,(k)为toilet点云模型聚类结果,(l)为tv_stand点云模型聚类结果。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

参见图1为本发明的流程图，本发明对基本的秃鹰搜索算法进行了优化改进，提出一种基于疯狂捕猎机制的秃鹰搜索算法，如图2，应用于室内家具三维点云聚类分割中。首先，构建基于体元包围盒的初始聚类中心选择模型并建立代价函数；其次，设计了一种疯狂捕猎机制，提升了秃鹰搜索算法BES俯冲捕获阶段的寻优能力，增加了寻找聚类中心的成功率；然后，设计了一种动态自适应控制算子和柯西反向策略，跳出局部最优，解决了BES在选择和搜索空间阶段过早收敛，易陷入局部极值的问题。从图3可以看出，QO-BESCH可以实现有效聚类分割，表现出较好的寻优能力，提高了鲁棒性和聚类精度。

具体步骤如下：

步骤1：导入ModelNet40点云数据集，获取室内家具点云文件，利用PCL点云库中的体素滤波器处理室内家具点云文件，获得家具点云模型。其中，PCL点云库中的体素滤波器是一种下采样的滤波器，利用体素化方法减少点云数量，在减少点云数据的同时保存点云的形状特征；

步骤2：聚类分割代价函数具体为：

针对家具点云模型，利用类内平均距离构建QO-BESCH的聚类分割代价函数P

式中，P

步骤3：秃鹰搜索算法包括以下步骤：

步骤3.1：随机初始化秃鹰种群；

步骤3.2：根据步骤3.1已初始化完成的秃鹰种群，在此基础上利用公式进行秃鹰种群的位置更新；

首先，秃鹰在搜索空间内识别并选择最佳区域(食物数量最多)直至捕获猎物，根据公式进行位置更新如下：

p

式中，ɑ为控制秃鹰三维空间内的位置变化的参数，取值范围为(1.5,2)；r为随机数，取值范围为(0,1)；p

其次，秃鹰在搜索空间内搜索猎物，在搜索空间的不同的方向移动，逐渐加速搜索范围，根据公式利用极坐标方程进行位置更新如下：

θ(i)＝K*π*rand

r(i)＝θ(i)+R*rand

xr(i)＝r(i)*sin(θ(i)),yr(i)＝r(i)*cos(θ(i))

x(i)＝xr(i)/max(xr),y(i)＝yr(i)/max(yr)

p

式中，θ(i)和r(i)分别为极坐标方程的极角与极径；K和R是控制参数，变化范围分别为(0,5)和(0.5,2)；rand为(0,1)内随机数；x(i)与y(i)表示极坐标中秃鹰位置，取值均为(-1,1)；p

最后，所有秃鹰从搜索空间的最佳位置快速俯冲飞向目标猎物进行攻击捕食，根据公式利用极坐标方程进行位置更新如下：

θ(i)＝α*π*rand,r(i)＝θ(i)

xr(i)＝r(i)*sinh(θ(i)),yrθ(i)＝rθ(i)*cosh(θ(i))

x1(i)＝xr(i)/max(xr|),y1(i)＝yr(i)/max(yr)

p

式中，r(i)为极坐标方程的极径，x1，y1，xr，yr均为不同情况下秃鹰的坐标值，x1与y1，xr与yr为极坐标中第i只秃鹰位置，δ

步骤4：根据家具点云模型的特点对步骤3中获得的秃鹰搜索算法进行改进，得到改进秃鹰搜索算法，具体步骤包括：

步骤4.1：针对步骤1获得的家具点云模型，基于点云体元密度选择初始化聚类中心，每只秃鹰代表一处点云位置；

步骤4.2：首先在选择区域阶段，采用动态自适应控制算子更新秃鹰种群位置；

步骤4.3：其次在搜索阶段，采用柯西反向学习策略更新秃鹰种群位置；

步骤4.4：最后，采用疯狂捕猎机制更新秃鹰种群俯冲捕获阶段位置；

步骤4.5：计算秃鹰种群的适应度，根据适应度的大小选出最优秃鹰；

步骤4.6：判断是否达到最大迭代次数，若是，输出最优秃鹰即最优聚类中心，若否，返回步骤4.2。

步骤4.1中基于点云体元密度选择初始化聚类中心，公式如下：

/>

式中，x

步骤4.2中首先在选择区域阶段，采用动态自适应控制算子更新秃鹰种群位置如下：

p

lm＝lm

式中，lm为动态自适应控制算子，其区间为[2,2.5]，n为当前迭代次数，Max_iter为最大迭代次数，lm

步骤4.3中采用柯西反向学习策略更新秃鹰种群位置，具体为：

QOP＝rand((ub

式中，QOP为柯西反向点，rand为(0,1)内随机数，ub

步骤4.4采用疯狂捕猎机制更新秃鹰种群俯冲捕获阶段位置，具体为：

ω＝2*rand-1

EA＝0.5*rand*e

式中，χ为平衡搜索策略的质量函数，ω为运动形态参数，n为当前迭代次数，Max_iter为最大迭代次数，pop为种群数量，EA为逃逸因子。

步骤5：利用获得的改进秃鹰搜索算法优化室内家具三维点云聚类分割，具体方式为：

由基于点云体元密度选择初始化得到聚类中心后，在每个类别的秃鹰种群中通过QO-BESCH进行寻优操作，得到新的聚类中心，利用QO-BESCH优化室内家具三维点云聚类分割时，具体步骤包括：

步骤5.1：对步骤1获得的家具点云模型利用步骤4.1的方法获得初始化聚类中心；

步骤5.2：对初始秃鹰种群利用步骤2获得的聚类分割代价函数计算每只秃鹰的适应度，根据适应度的大小对秃鹰种群排序，选出最优秃鹰；

步骤5.3：对秃鹰种群利用步骤4.2-4.4的方法更新位置，计算每只秃鹰的适应度，根据适应度的大小对秃鹰种群排序；

步骤5.4：判断是否达到最大迭代次数，若是，输出归并之后的每个类的新聚类中心；否则，返回步骤5.3。

图3为本发明在室内家具三维点云模型聚类效果图；

图3由采用的经体素滤波器滤波后，ModelNet40数据集中室内家具的三维点云模型聚类得到，ModelNet40是一个由3D-CAD模型对象表示的含丰富注释的大型部件存储库，在点云部件分割任务被广泛应用。图3可以看出，QO-BESCH-KMC在各个模型上取得了较为理想的分割结果，几乎无欠分割和混分割现象，且可以看出明显部位的细分割，因此能够满足实际应用。当Scat指数和Dens指数这两个指标之和达到最小时，聚类一定为最优聚类，QO-BESCH-KMC在不同模型上能够得到最好的Scat和Dens值的成功率达到95％，进一步表明了QO-BESCH聚类效果的有效性。

最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。