CN103500329A - 基于车载移动激光扫描点云的路灯自动提取方法 - Google Patents

Abstract

基于车载移动激光扫描点云的路灯自动提取方法，涉及公共照明系统。首先对原始点云数据进行高程滤波，滤除地面点云；其次，利用欧氏距离聚类方法将点云聚类成分离的独立目标；最后，利用成对三维形状描述符实现路灯的自动提取。通过对车载点云数据进行网格化生成一系列点云体元，解决了单一高程滤波阈值无法适应地面起伏多变的情形，有效地提高了地面点云滤波的质量；通过对滤波后的点云进行欧氏距离聚类，有效地将单个目标与周围环境分离开，为后续的目标提取奠定了基础；通过计算点云目标的成对三维形状描述符，有效地区分开不同目标的三维拓扑结构及可区分的几何信息，最终实现路灯的自动提取，降低了数据处理的时间及劳动成本。

Description

基于车载移动激光扫描点云的路灯自动提取方法

技术领域

本发明涉及公共照明系统，尤其涉及基于车载移动激光扫描点云的路灯自动提取方法。

背景技术

路灯作为城市照明系统的重要组成元素，在众多的城市基础设备中发挥着不可替代的作用。一方面，它为城市交通提供了便利，方便车辆和行人在夜间活动；另一方面，它有助于抑制夜间犯罪活动的发生，为城市和居民的安全提供了保障。此外，形态多样的路灯也构成了城市的一道亮丽的风景线。因此，交通管制部门和城市基础设备监管部门急需一种快速、实时的用于监控街道两旁路灯状况的系统，从而保证交通的安全和进行照明系统的维护。

目前，路灯的提取一般基于影像或视频数据。主要方法包括形状分割、灰度分割以及基于几何特征的分割方法。常见的路灯提取方法有：主成分分析法(PCA)、柱状物体检测法以及机器学习方法。然而，这些方法主要受到以下几个方面的约束：（1）路灯本身形状和类型的多样性；（2）路灯材质和颜色的多样性；（3）数据采集的光照条件与时间；（4）沿路景观树木以及移动车辆所造成的阴影与遮挡。因此，基于影像或视频的方法还无法满足自动路灯提取的需求。

近几年，车载移动激光扫描技术发展十分迅速。其快速、精确获取地面三维空间信息的能力，越来越受到人们的高度重视。车载移动激光扫描系统不仅具备机载LiDAR系统能够采集大范围数据的特性，而且可以达到地面扫描系统所具备的数据精度和点密度。因此，车载系统逐渐成为城市空间信息采集的一种重要技术手段。

然而，如何从高密度、高精度的海量车载点云数据中自动提取地形、地物特征是点云后处理技术研发面临的一个挑战。从海量点云中快速、自动地提取精确、有效的地物特征还仍然处于起步阶段。

发明内容

本发明的目的是提供一种基于车载移动激光扫描点云的路灯自动提取方法。

本发明包括以下步骤：

(1)在水平方向上对车载点云进行网格化，生成一系列点云体元；

(2)对每个点云体元进行高程滤波，滤除地面点云，得到滤波后的点云；

(3)利用欧氏距离聚类方法，将步骤(2)中得到的滤波后的点云聚类成分离的独立点云目标；

(4)对步骤(3)中得到的每个聚类后的点云目标，采样出特征点，并计算其对应的成对三维形状描述符；

(5)选取待提取目标的原型点云数据，采样出特征点，并计算其对应的成对三维形状描述符；

(6)基于步骤(4)和(5)中计算的形状描述符，计算目标原型与待提取目标中采样点的一对一匹配代价、局部相似度以及全局相似度；

(7)基于步骤(6)中计算出的相似度衡量结果，以预定的阈值筛选出路灯目标。

本发明首先对原始点云数据进行高程滤波，滤除地面点云；其次，利用欧氏距离聚类方法将点云聚类成分离的独立目标；最后，利用成对三维形状描述符实现路灯的自动提取。

本发明具有如下优点：1）通过对车载点云数据进行网格化生成一系列点云体元，解决了单一高程滤波阈值无法适应地面起伏多变的情形，有效地提高了地面点云滤波的质量；2）通过对滤波后的点云进行欧氏距离聚类，有效地将单个目标与周围环境分离开，为后续的目标提取奠定了基础；3)通过计算点云目标的成对三维形状描述符，有效地区分开不同目标的三维拓扑结构及可区分的几何信息，最终实现路灯的自动提取，大大降低了数据处理的时间及劳动成本，因而具有重要的实际应用价值。

附图说明

图1是本发明实施例车载点云网格化示意图。

图2是本发明实施例高程滤波示意图。

具体实施方式

本发明提出的基于车载移动激光扫描点云数据进行路灯自动提取方法的具体技术方案和实施步骤如下：

步骤一：根据车载系统扫描的点云数据，在XY平面内以一定的格网宽度(如0.5m)将点云网格化，生成一系列点云体元，如图1所示，在图1中，r_v为路面高程滤波体元的长度和宽度。

步骤二：对每一个点云体元，以一定的高程阈值(如0.3m)对体元内的点云进行高程滤波，滤除潜在的地面点，如图2所示，在图2中，r_v为路面高程滤波体元的长度和宽度，h_v为路面高程滤波高度。

步骤三：对滤波后的点云，以一定的聚类距离(如0.15m)进行欧氏距离聚类，将独立的点云目标与环境分离开。根据待提取目标的几何特性(如高度、宽度等)，可对聚类后的点云目标进行简单的目标过滤，以减少计算的时间和数据的存储空间。

步骤四：针对每个聚类后的点云目标，利用采样方法在点云目标上采样出一定数量的特征点（如20个采样点），这些点可以近似地勾画出目标的空间几何特性；再计算采样点的成对三维形状描述符；该描述符以点对的形式，并采用直方图来描述点云目标的空间几何信息。对任意两个采样点，首先要确定这两个采样点之间用于描述点云目标局部几何特征的感兴趣区域；其次，对感兴趣区域进行划分，并计算对应的直方图；最后，建立每个采样点的成对三维形状描述符。

第一步，确定感兴趣区域。首先，在两个采样点A与B之间寻找一条流形空间上的最短路径。该最短路径的计算可基于最短径向路径。以采样点A为球心，以相等的半径间隔做一系列的同心球(b₁,b₂,...,b_n)，将采样点附近的点云作一个划分。A与B之间的最短径向路径P_AB定义为：

P_AB＝[p₀,p₁,...,p_n-1,p_n],A＝p₀∧B＝p_n，

其中，p_i∈b_i\b_i-1(i＝1,2,..,n-1)是离p_i+1最近的点。假设路径上相邻两点间的欧氏路径为R，则A与B之间的最短径向路径可递归定义为：

$P_{\mathrm{AB}}=\left\{\begin{array}{c}{R}_{\mathrm{AB}},B\∈b_1\\ P_{{\mathrm{Ap}}_{n-1}}+R_{p_{n-1}B},B\∈b_n\backslash b_{n-1}\end{array}\right..$

其中，R_AB为采样点A与B之间的欧氏路径，

为点p_n-1与采样点B之间的欧氏路径，为采样点A与点p_n-1之间的最短径向路径。其次，将距离最短径向路径一定距离内的点所在的区域定义为初始感兴趣区域。接下来，分别以采样点A和B为球心，以A、B间的欧氏距离为半径做球形区域，并以这两个球形区域相交的区域作为滤波区域。最后，感兴趣区域可由初始感兴趣区域与滤波区域的交集部分得到。

第二步，感兴趣区域划分。以采样点A为球心，以等半径间隔将感兴趣区域划分成一系列的块。

第三步，建立形状描述直方图。统计落在每个块中数据点的数量，并用感兴趣区域中总的点数对该统计结果进行如下归一化：

$h_{\mathrm{AB}}\left(k\right)=\frac{\#\{p\∈\mathrm{bin}\left(k\right)\}}{\underset{i=1}{\overset{K_b}{\mathrm{\Σ}}}\#\{q\∈\mathrm{bin}\left(i\right)\}},k=\mathrm{1,2},...,K_b,$

其中，h_AB为点对(A,B)的形状描述直方图，h_AB(k)表示直方图的第k项，K_b为感兴趣区域的划分块数，p和q分别为数据点，bin(i)和bin(k)分别表示第i个和第k个块的区域。通过计算任意点对间的形状描述直方图，便可以得到每个采样点对应的成对三维形状描述符。

步骤五：选取一个待提取目标的点云原型目标，按着步骤四中的方法对原型目标进行采样，并计算采样点对应的成对三维形状描述符。

步骤六：第一步，利用Chi-Square距离来计算原型目标上采样点与待提取目标上采样点的一对一匹配代价：

$C(p,q)={\min }_{i,j=1}^{N-1}\frac{1}{2}\underset{k=1}{\overset{K_b}{\mathrm{\Σ}}}\frac{{[h_i^p\left(k\right)-h_j^q\left(k\right)]}^2}{h_i^p\left(k\right)+h_j^q\left(k\right)}.$

其中，C(p,q)表示采样点p与采样点q的一对一匹配代价,N为采样点总数，K_b为感兴趣区域的划分块数，

表示点p相对于点i的直方图的第k项，表示点q相对于点j的直方图的第k项。原型目标上采样点与待提取目标上采样点的一对一最小平均匹配代价M_Q(π)可由下式得到：

$M_Q\left(\mathrm{\π}\right)={\min }_{\mathrm{\π}}\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}C(i,\mathrm{\π}\left(i\right)),$

其中，N为采样点总数,π是{1,2,...,N}的一个排列,π(i)表示排列中的第i个点，C(i,π(i))表示点i与点π(i)的一对一匹配代价。

第二步，通过采样点曲率计算原型目标与待提取目标的局部相似度。采样点的曲率是通过构造采样点邻域的协方差矩阵，并对其进行特征值分解得到的特征值来计算的。采样点p的曲率σ_p可由下式给出：

${\mathrm{\σ}}_p=\frac{{\mathrm{\λ}}_0}{{\mathrm{\λ}}_0+{\mathrm{\λ}}_1+{\mathrm{\λ}}_2},$

其中λ₀，λ₁和λ₂为特征值。原型目标与待提取目标的局部相似度L(P,Q)可由下式得到：

其中，N为采样点总数,p_i和q_i分别为点云目标P和Q上的第i个采样点，

和

分别为采样点p_i和q_i的曲率。

第三步，通过采样点的成对三维形状描述符计算原型目标与待提取目标的全局相似度G(P,Q)：

其中，N为采样点总数,

为采样点p_i对应的成对三维形状描述符的第j个分量，

为采样点q_m对应的成对三维形状描述符的第n个分量。

步骤七：基于采样点一对一匹配代价、局部相似度及全局相似度的计算，原型目标与待提取目标的整体相似性衡量O(Q)可由下式给出：

O(Q)＝M_Q(π)+L(P,Q)+G(P,Q)。

待提取目标与原型目标的相似度越高，上式的值就会越小。因而，可以根据实际情况设置一定的阈值，将低于这一阈值的点云目标作为提取出的路灯目标。

至此，通过基于体元的高程滤波过程，地面点云数据被有效地滤除；通过欧氏距离聚类，独立目标与环境被有效地分离开；通过计算成对三维形状描述符，点云目标的空间拓扑结构被有效地区分开；通过基于成对三维形状描述符的目标提取过程，最终实现路灯的自动提取。

Claims (1)

1.基于车载移动激光扫描点云的路灯自动提取方法，其特征在于包括以下步骤：

(1)在水平方向上对车载点云进行网格化，生成一系列点云体元；

(2)对每个点云体元进行高程滤波，滤除地面点云，得到滤波后的点云；

(3)利用欧氏距离聚类方法，将步骤(2)中得到的滤波后的点云聚类成分离的独立点云目标；

(4)对步骤(3)中得到的每个聚类后的点云目标，采样出特征点，并计算其对应的成对三维形状描述符；

(5)选取待提取目标的原型点云数据，采样出特征点，并计算其对应的成对三维形状描述符；

(6)基于步骤(4)和(5)中计算的形状描述符，计算目标原型与待提取目标中采样点的一对一匹配代价、局部相似度以及全局相似度；

(7)基于步骤(6)中计算出的相似度衡量结果，以预定的阈值筛选出路灯目标。

Images