基于局部凹凸性进行目标分割

摘要
如何对场景进行适当的三维分割仍然是一个难题。
尽管目前阶段的方法持续提高基准性能，但是他们依旧变得越来越复杂。
例如在合并分类器链中需要大量的人工标注，作为一个替代的方法，我们提出一个新的高效的不需要模型和训练的方法将点云分割为物体块。该算法依据体素栅格将场景分割为毗邻的图的面片。图中的边被分类为凸的或凹的，使用对这些斑块的局部几何结构操作的简单准则的新组合。这样，图被划分为局部凸连通子图，这些子图以高精度表示对象部分。
此外，我们还提出了一种新的深度相关体素网格来处理点云中远距离点密度的下降。这改善了分割，允许使用固定参数的巨大不同的场景。该算法实现简单，无需任何训练数据，生成的结果可与包含高级概念的分类、学习和模型拟合的最新方法相媲美。

1.Introduction and State-of-the-Art
尽管已有几十年的历史，将场景分割成物体仍然是计算机视觉中最具挑战性的课题之一。为了解决这个问题，最近的方法经常使用层次结构，即创建一个从小的局部超级像素到大规模区域的自底向上的排列顺序。作为可选择的方式，研究者也严格要求自上而下的方式。首先是使用多尺度滑动窗口检测器进行粗分割，后来发展到基于对象部分的细粒度分割和检测。这两种搜索途径自然导致了一种组合自下而上的层次结构和自上而下物体和块的检测方法。尽管这些方法在复杂环境下也取得了很好的效果，但是通过数据集，是他们失去了大量的不需要学习的方法。一般来说，迄今为止最强大的方法是使用经过训练的分类筛选器进行分割。这意味着，这些方法无法运用到没有被训练过的任何场景，对每一个测试的环境需要获取特定的数据集。
本文研究了一种不需要模型和学习的自下而上的RGB-D点云的分割。特别是，我们将重点放在杂乱的场景划分为基本对象部分，而不需要训练数据。作为将场景分割为基本部分的一般规则的灵感&#x