CN104504709B - 一种基于特征球的室外场景三维点云数据的分类方法 - Google Patents
一种基于特征球的室外场景三维点云数据的分类方法 Download PDFInfo
- Publication number
- CN104504709B CN104504709B CN201410834450.0A CN201410834450A CN104504709B CN 104504709 B CN104504709 B CN 104504709B CN 201410834450 A CN201410834450 A CN 201410834450A CN 104504709 B CN104504709 B CN 104504709B
- Authority
- CN
- China
- Prior art keywords
- point
- characteristic vector
- ball
- feature
- dimensional point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及一种三维点云数据的分类方法,一种基于特征球的室外场景三维点云数据的分类方法,包括以下步骤:步骤1、构建条件随机场模型,步骤2、构造三维点云特征球,步骤3、计算点特征向量,步骤4、计算边特征向量,步骤5、计算团特征向量,步骤6、学习条件随机场模型的参数,步骤7、对三维点云数据进行推断分类。本发明通过三维点云特征球的构造,准确全面地计算了三维点云各层次的特征向量,准确可靠地分割了室外场景的三维点云,形成了性质统一的点云团,从而有效地解决了由于室外场景几何拓扑结构较为复杂等因素而引起的点云特征向量构造不完善和点云分割不准确的问题,极大地提高了室外场景三维点云数据分类识别的效果。
Description
技术领域
本发明涉及一种三维点云数据的分类方法,更具体地说,涉及一种基于特征球的室外场景三维点云数据的分类方法。
背景技术
随着三维扫描测距技术的发展,三维点云数据在逆向工程、工业检测、自主导航等领域的应用越来越为广泛。三维点云数据处理技术作为实现上述应用的基础,发挥了至关重要的作用。在三维点云数据处理技术中,三维点云数据的分类识别是一个非常重要的技术,尤其是针对室外场景的三维点云数据的分类识别,其对于移动机器人的目标识别、环境探测和自主导航,以及各种智能机械的自主作业,都有着极其重要的作用。
室外场景三维点云数据分类是指利用外部传感器来获取室外场景环境信息,并通过对环境信息的学习和挖掘,将其分割和分类为各种自然物体(地面、建筑、树木、车辆等),以实现对环境的深入理解和对目标的准确分类。目前,基于三维点云数据的物体分类、目标分类和环境分析已经成为人工智能领域的前沿课题和研究热点。
目前,较为常见的室外场景三维点云数据分类方法主要是通过对离散点的分割以及特征的提取来实现的,特别是基于条件随机场模型的分类方法,条件随机场主要引用先验信息,将不确定性与先验知识相联系,通过利用观测到的变量,根据统计理论中的最优准则确定分类问题的目标函数,进而求解得到满足这些条件的最大可能分布,基于条件随机场模型的点云分类利用了点与点之间的邻域关系,并由这种邻域关系来构造“团”,依靠这些团和这种邻域关系推导出的几何特性,来对整幅场景进行推断,实现了很不错的分类效果,这是其他分类方法都没有的优势。然而基于条件随机场模型的分类方法在以下几个方面仍存在一些不足之处:1、条件随机场实现点云分类的基础是点云的分割,即点云的团的构造,但由于室外场景形状比较复杂,噪声比较大等,目前还没有较好的室外场景三维点云的分割方法,即缺乏可靠的团构造方法;2、点云特征向量的构造和计算是条件随机场分类的另一个重要组成部分,但目前在这一方面所提特征都相对简单,不能够准确描述室外场景中离散点的几何形状和拓扑结构。
发明内容
为了克服现有技术中存在的不足,本发明目的是提供一种基于特征球的室外场景三维点云数据的分类方法,以提高室外场景分类的准确性和可靠性。该方法针对一个室外场景,首先利用激光扫描测距仪获取室外场景的三维点云数据,其实质为三维空间中的一个点集,然后通过一定的点云分类方法,从室外场景三维点云数据中,准确可靠地分类出建筑、树木、汽车、地面等。该方法解决了由于室外场景几何拓扑结构较为复杂等因素而引起的点云特征向量构造不完善和点云分割(即团构造)不准确的问题,极大地提高了基于条件随机场模型的分类方法的分类效果。
为了实现上述发明目的,解决现有技术中所存在的问题,本发明采取的技术方案是:一种基于特征球的室外场景三维点云数据的分类方法,包括以下步骤:
步骤1、构建条件随机场模型:所述条件随机场模型为 其中:表示每一个点的能量势函数之和,N为点的个数,K为类的个数,fi为第i个点的特征向量,为当某点属于第k类的权重,为第i个点属于第k类的值;表示每一条边的能量势函数之和,fij为第ij条边的特征向量,为当某边属于第k类的权重,为第ij条边属于第k类的值;表示每一个团即三维点云中的某一部分的能量势函数之和,fc为第c个团的特征向量,为当某团属于第k类的权重,为第c个团属于第k类的值,Z为归一化因子系数;通过对该模型的学习和推断,即可将室外场景三维点云数据分为建筑、树木、汽车或地面类型;
步骤2、构造三维点云特征球:利用二叉搜索树算法构建每一个点的邻域,计算该邻域的协方差矩阵,并根据协方差矩阵特征值之间的大小关系,将三维点云分为三大类,即点性点Cp、线性点Cl和面性点Cs,再由此构造三维点云的特征球Sf;所述构造三维点云特征球,具体包括以下子步骤:
步骤(a)、利用二叉搜索树算法,来快速构建给定点p=(x,y,z)的邻域N={pi=(xi,yi,zi)|1≤i≤k},其中:pi为邻点,i为邻点的序号,k为邻点的个数;
步骤(b)、通过公式构建给定点p的邻域N的协方差矩阵M,T为向量转置符号,其将列向量转置为行向量,并求取协方差矩阵M的特征值λ1、λ2、λ3,且λ1<λ2<λ3,以及相应的特征向量v1、v2、v3,最小特征值λ1对应的特征向量v1即为给定点p的法向量n=(xn,yn,zn),最大特征值λ3对应的特征向量v3即为给定点p的切向量t=(xt,yt,zt);
步骤(c)、若协方差矩阵M的特征值λ1≈λ2≈λ3,即λ3/λ2≤8和λ2/λ1≤8,则给定点p与其邻点pi呈散乱状分布,将给定点p分类为点性点Cp,若协方差矩阵M的特征值λ1≈λ2<<λ3,即λ3/λ2>8和λ2/λ1≤8,则给定点p与其邻点pi呈直线状分布,将给定点p分类为线性点Cl,若协方差矩阵M的特征值λ1<<λ2≈λ3,即λ3/λ2≤8和λ2/λ1>8,则给定点p与其邻点pi呈平面状分布,将给定点p分类为面性点Cs;
步骤(d)、以空间原点为圆心,构造一个同心三层球,内层球半径为r1,中层球半径为r2,外层球半径为r3,且r1<r2<r3,将所有点性点Cp映射到内层球,将所有线性点Cl的切向量映射到中层球,将所有面性点Cs的法向量映射到外层球,此三层同心球称为三维点云的特征球Sf;
步骤3、计算点特征向量:利用三维点云中每一个离散点的特征球和几何信息,来构造并计算条件随机场模型中的点特征向量fi;所述计算点特征向量,具体包括以下子步骤:
步骤(a)、构造第i个点的特征向量fi=(fi1,fi2,...,fi10),其中,fi1=zi为该点的高度;
步骤(b)、利用该点的特征球来获取其它特征,其中包括点性特征fi2=λ3,线性特征fi3=λ3-λ2,面性特征fi4=λ2-λ1,点的切向量特征fi5=xt,fi6=yt,fi7=zt及点的法向量特征fi8=xn,fi9=yn,fi10=zn;
步骤4、计算边特征向量:利用三维点云中相邻两点之间边的端点的特征球和几何信息,来构造并计算条件随机场模型中的边特征向量fij;所述计算边特征向量,具体包括以下子步骤:
步骤(a)、利用步骤3分别计算第ij条边的两个端点的特征向量fi和fj;
步骤(b)、将该边的两个端点的特征向量相减,即可得该边的特征向量fij=fi-fj,fij=(fij1,fij2,...,fij10);
步骤5、计算团特征向量:利用特征球对三维点云数据进行分割,以获取三维点云的团,并利用其中心点的特征球和几何信息,来构造并计算条件随机场模型中的团特征向量fc;所述计算团特征向量,具体包括以下子步骤:
步骤(a)、首先,用Mean-Shift聚类算法在外层球上,对所有面性点的法向量的顶点进行聚类,进而可将面性点的法向量分为若干类,最终可将面性点初步分为若干个面性区域,然后,用K-means聚类算法对这些面性区域在空间位置上进行进一步的细分,将它们分割为一些空间位置独立的面性片段;
步骤(b)、首先,用Mean-Shift聚类算法在中层球上,对所有线性点的切向量的顶点进行聚类,进而可将线性点的切向量分为若干类,最终可将线性点初步分为若干个线性区域,然后,用K-means聚类算法对这些线性区域在空间位置上进行进一步的细分,将它们分割为一些空间位置独立的线性片段;
步骤(c)、利用K-means聚类算法对所有的点性点进行聚类,将它们分割为一些空间位置独立的点性片段;
步骤(d)、对于上述所获得的面性片段、线性片段和点性片段,每一个点云片段中点的几何属性基本一致,因此,每一个点云片段都构成了条件随机场模型中的一个团,构造第c个团的特征向量为fc=(fc1,fc2,...,fc12),其中,fc1为该团的平均高度,fc2为该团内点的个数,fc3,...,fc12为该团的中心点按照步骤3所计算出的特征向量;
步骤6、学习条件随机场模型的参数:在得到所有点特征向量、边特征向量和团特征向量后,通过训练点云样本,利用Max-margin方法对条件随机场模型进行学习,并获得模型的所有参数和
步骤7、对三维点云数据进行推断分类:在获得条件随机场的准确模型后,按照步骤3到步骤5的处理方法,计算三维点云测试数据的点特征向量、边特征向量和团特征向量,然后利用Graph-cut算法对三维点云测试数据进行推断,即可得到测试数据的分类结果。
本发明有益效果是:一种基于特征球的室外场景三维点云数据的分类方法,包括以下步骤:步骤1、构建条件随机场模型,步骤2、构造三维点云特征球,步骤3、计算点特征向量,步骤4、计算边特征向量,步骤5、计算团特征向量,步骤6、学习条件随机场模型的参数,步骤7、对三维点云数据进行推断分类:与已有技术相比,本发明创造性地构造了三维点云的特征球,该特征球集合了三维点云中每一个离散点的几何信息和拓扑信息,可以准确地描述三维点云的形状分布和几何拓扑结构。利用该特征球所构造的点特征向量、边特征向量和团特征向量,从微观、中观和宏观多个层面翔实准确地描述了三维点云的内部结构和特征取向,为室外场景三维点云的分类识别打下了坚实的基础。此外,利用三维点云的特征球还可有效地解决室外复杂场景分类中的点云分割问题,三维点云的特征球其本身就自然地将三维点云按照邻域结构分为点、线和面三大类,在特征球的不同球面上,还可以按照位置、切向和法向对三维点云进行进一步的细分,充分地保证了每一个点云分割片段(团)具有统一的几何拓扑属性,这极大地提高了室外场景三维点云分类的准确性和可靠性。
附图说明
图1是本发明方法步骤流程图。
图2是室外场景三维点云数据显示图。
图3是本发明特征球构造结果图。
图4是本发明室外场景面性点分割结果图。
图5是本发明室外场景线性点分割结果图。
图6是本发明室外场景点性点分割结果图。
图7是本发明室外场景建筑物分类结果图。
图8是本发明室外场景路面分类结果图。
图9是本发明室外场景车辆分类结果图。
图10是本发明室外场景树木分类结果图。
图11是本发明室外场景篱笆分类结果图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,一种基于特征球的室外场景三维点云数据的分类方法,包括以下步骤:
步骤1、构建条件随机场模型:所述条件随机场模型为 其中:表示每一个点的能量势函数之和,N为点的个数,K为类的个数,fi为第i个点的特征向量,为当某点属于第k类的权重,为第i个点属于第k类的值;表示每一条边的能量势函数之和,fij为第ij条边的特征向量,为当某边属于第k类的权重,为第ij条边属于第k类的值;表示每一个团即三维点云中的某一部分的能量势函数之和,fc为第c个团的特征向量,为当某团属于第k类的权重,为第c个团属于第k类的值,Z为归一化因子系数;通过对该模型的学习和推断,即可将室外场景三维点云数据分为建筑、树木、汽车、地面等类型,如图2所示,测试室外场景由大约10万个点组成,其中包括建筑、树木、汽车、地面、篱笆等。
步骤2、构造三维点云特征球:利用二叉搜索树算法构建每一个点的邻域,计算该邻域的协方差矩阵,并根据协方差矩阵特征值之间的大小关系,将三维点云分为三大类,即点性点Cp、线性点Cl和面性点Cs,再由此构造三维点云的特征球Sf;所述构造三维点云特征球,具体包括以下子步骤:
步骤(a)、利用二叉搜索树算法,来快速构建给定点p=(x,y,z)的邻域N={pi=(xi,yi,zi)|1≤i≤k},其中:pi为邻点,i为邻点的序号,k为邻点的个数;
步骤(b)、通过公式构建给定点p的邻域N的协方差矩阵M,T为向量转置符号,其将列向量转置为行向量,并求取协方差矩阵M的特征值λ1、λ2、λ3,且λ1<λ2<λ3,以及相应的特征向量v1、v2、v3,最小特征值λ1对应的特征向量v1即为给定点p的法向量n=(xn,yn,zn),最大特征值λ3对应的特征向量v3即为给定点p的切向量t=(xt,yt,zt);
步骤(c)、若协方差矩阵M的特征值λ1≈λ2≈λ3,即λ3/λ2≤8和λ2/λ1≤8,则给定点p与其邻点pi呈散乱状分布,将给定点p分类为点性点Cp,若协方差矩阵M的特征值λ1≈λ2<<λ3,即λ3/λ2>8和λ2/λ1≤8,则给定点p与其邻点pi呈直线状分布,将给定点p分类为线性点Cl,若协方差矩阵M的特征值λ1<<λ2≈λ3,即λ3/λ2≤8和λ2/λ1>8,则给定点p与其邻点pi呈平面状分布,将给定点p分类为面性点Cs;
步骤(d)、以空间原点为圆心,构造一个同心三层球,内层球半径为r1,中层球半径为r2,外层球半径为r3,且r1<r2<r3,将所有点性点Cp映射到内层球,将所有线性点Cl的切向量映射到中层球,将所有面性点Cs的法向量映射到外层球,此三层同心球称为三维点云的特征球Sf,如图3所示。
步骤3、计算点特征向量:利用三维点云中每一个离散点的特征球和几何信息,来构造并计算条件随机场模型中的点特征向量fi;所述计算点特征向量,具体包括以下子步骤:
步骤(a)、构造第i个点的特征向量fi=(fi1,fi2,...,fi10),其中,fi1=zi为该点的高度;
步骤(b)、利用该点的特征球来获取其它特征,其中包括点性特征fi2=λ3,线性特征fi3=λ3-λ2,面性特征fi4=λ2-λ1,点的切向量特征fi5=xt,fi6=yt,fi7=zt及点的法向量特征fi8=xn,fi9=yn,fi10=zn。
步骤4、计算边特征向量:利用三维点云中相邻两点之间边的端点的特征球和几何信息,来构造并计算条件随机场模型中的边特征向量fij;所述计算边特征向量,具体包括以下子步骤:
步骤(a)、利用步骤3分别计算第ij条边的两个端点的特征向量fi和fj;
步骤(b)、将该边的两个端点的特征向量相减,即可得该边的特征向量fij=fi-fj,fij=(fij1,fij2,...,fij10)。
步骤5、计算团特征向量:利用特征球对三维点云数据进行分割,以获取三维点云的团,并利用其中心点的特征球和几何信息,来构造并计算条件随机场模型中的团特征向量fc;所述计算团特征向量,具体包括以下子步骤:
步骤(a)、首先,用Mean-Shift聚类算法在外层球上,对所有面性点的法向量的顶点进行聚类,进而可将面性点的法向量分为若干类,最终可将面性点初步分为若干个面性区域,然后,用K-means聚类算法对这些面性区域在空间位置上进行进一步的细分,将它们分割为一些空间位置独立的面性片段,如图4所示;
步骤(b)、首先,用Mean-Shift聚类算法在中层球上,对所有线性点的切向量的顶点进行聚类,进而可将线性点的切向量分为若干类,最终可将线性点初步分为若干个线性区域,然后,用K-means聚类算法对这些线性区域在空间位置上进行进一步的细分,将它们分割为一些空间位置独立的线性片段,如图5所示;
步骤(c)、利用K-means聚类算法对所有的点性点进行聚类,将它们分割为一些空间位置独立的点性片段,如图6所示;
步骤(d)、对于上述所获得的面性片段、线性片段和点性片段,每一个点云片段中点的几何属性基本一致,因此,每一个点云片段都构成了条件随机场模型中的一个团,构造第c个团的特征向量为fc=(fc1,fc2,...,fc12),其中,fc1为该团的平均高度,fc2为该团内点的个数,fc3,...,fc12为该团的中心点按照步骤3所计算出的特征向量。
步骤6、学习条件随机场模型的参数:在得到所有点特征向量、边特征向量和团特征向量后,通过训练点云样本,利用Max-margin方法对条件随机场模型进行学习,并获得模型的所有参数和
步骤7、对三维点云数据进行推断分类:在获得条件随机场的准确模型后,按照步骤3到步骤5的处理方法,计算三维点云测试数据的点特征向量、边特征向量和团特征向量,然后利用Graph-cut算法对三维点云测试数据进行推断,即可得到测试数据的分类结果,如图7至图11所示。
本发明优点在于:本发明通过三维点云特征球的构造,准确全面地计算了三维点云各层次的特征向量,准确可靠地分割了室外场景的三维点云,形成了性质统一的点云团,从而有效地解决了由于室外场景几何拓扑结构较为复杂等因素而引起的点云特征向量构造不完善和点云分割不准确的问题,极大地提高了室外场景三维点云数据分类识别的效果。本发明由中央高校基本科研业务费专项资金资助(项目编号:DUT13LAB04)。
Claims (1)
1.一种基于特征球的室外场景三维点云数据的分类方法,其特征在于包括以下步骤:
步骤1、构建条件随机场模型:所述条件随机场模型为 其中:表示每一个点的能量势函数之和,N为点的个数,K为类的个数,fi为第i个点的特征向量,为当某点属于第k类的权重,为第i个点属于第k类的值;表示每一条边的能量势函数之和,E为边的集合,fij为第ij条边的特征向量,为当某边属于第k类的权重,为第ij条边属于第k类的值;表示每一个团即三维点云中的某一部分的能量势函数之和,S为团的集合,fc为第c个团的特征向量,为当某团属于第k类的权重,为第c个团属于第k类的值,Z为归一化因子系数;通过对该模型的学习和推断,即可将室外场景三维点云数据分为建筑、树木、汽车或地面类型;
步骤2、构造三维点云特征球:利用二叉搜索树算法构建每一个点的邻域,计算该邻域的协方差矩阵,并根据协方差矩阵特征值之间的大小关系,将三维点云分为三大类,即点性点Cp、线性点Cl和面性点Cs,再由此构造三维点云的特征球Sf;所述构造三维点云特征球,具体包括以下子步骤:
步骤(a)、利用二叉搜索树算法,来快速构建给定点p=(x,y,z)的邻域N={pi=(xi,yi,zi)|1≤i≤k},其中:pi为邻点,i为邻点的序号,k为邻点的个数;
步骤(b)、通过公式构建给定点p的邻域N的协方差矩阵M,T为向量转置符号,其将列向量转置为行向量,并求取协方差矩阵M的特征值λ1、λ2、λ3,且λ1<λ2<λ3,以及相应的特征向量v1、v2、v3,最小特征值λ1对应的特征向量v1即为给定点p的法向量n=(xn,yn,zn),最大特征值λ3对应的特征向量v3即为给定点p的切向量t=(xt,yt,zt);
步骤(c)、若协方差矩阵M的特征值λ1≈λ2≈λ3,即λ3/λ2≤8和λ2/λ1≤8,则给定点p与其邻点pi呈散乱状分布,将给定点p分类为点性点Cp,若协方差矩阵M的特征值λ1≈λ2<<λ3,即λ3/λ2>8和λ2/λ1≤8,则给定点p与其邻点pi呈直线状分布,将给定点p分类为线性点Cl,若协方差矩阵M的特征值λ1<<λ2≈λ3,即λ3/λ2≤8和λ2/λ1>8,则给定点p与其邻点pi呈平面状分布,将给定点p分类为面性点Cs;
步骤(d)、以空间原点为圆心,构造一个同心三层球,内层球半径为r1,中层球半径为r2,外层球半径为r3,且r1<r2<r3,将所有点性点Cp映射到内层球,将所有线性点Cl的切向量映射到中层球,将所有面性点Cs的法向量映射到外层球,此三层同心球称为三维点云的特征球Sf;
步骤3、计算点特征向量:利用三维点云中每一个离散点的特征球和几何信息,来构造并计算条件随机场模型中的点特征向量fi;所述计算点特征向量,具体包括以下子步骤:
步骤(a)、构造第i个点的特征向量fi=(fi1,fi2,…,fi10),其中,fi1=zi为该点的高度;
步骤(b)、利用该点的特征球来获取其它特征,其中包括点性特征fi2=λ3,线性特征fi3=λ3-λ2,面性特征fi4=λ2-λ1,点的切向量特征fi5=xt,fi6=yt,fi7=zt及点的法向量特征fi8=xn,fi9=yn,fi10=zn;
步骤4、计算边特征向量:利用三维点云中相邻两点之间边的端点的特征球和几何信息,来构造并计算条件随机场模型中的边特征向量fij;所述计算边特征向量,具体包括以下子步骤:
步骤(a)、利用步骤3分别计算第ij条边的两个端点的特征向量fi和fj;
步骤(b)、将该边的两个端点的特征向量相减,即可得该边的特征向量fij=fi-fj,fij=(fij1,fij2,…,fij10),其中,fij1=fi1-fi1,fij2=fi2-fj2,…,fij10=fi10-fj10,i为第ij条边的一个端点的序号,j为第ij条边的另一个端点的序号;
步骤5、计算团特征向量:利用特征球对三维点云数据进行分割,以获取三维点云的团,并利用其中心点的特征球和几何信息,来构造并计算条件随机场模型中的团特征向量fc;所述计算团特征向量,具体包括以下子步骤:
步骤(a)、首先,用Mean-Shift聚类算法在外层球上,对所有面性点的法向量的顶点进行聚类,进而可将面性点的法向量分为若干类,最终可将面性点初步分为若干个面性区域,然后,用K-means聚类算法对这些面性区域在空间位置上进行进一步的细分,将它们分割为一些空间位置独立的面性片段;
步骤(b)、首先,用Mean-Shift聚类算法在中层球上,对所有线性点的切向量的顶点进行聚类,进而可将线性点的切向量分为若干类,最终可将线性点初步分为若干个线性区域,然后,用K-means聚类算法对这些线性区域在空间位置上进行进一步的细分,将它们分割为一些空间位置独立的线性片段;
步骤(c)、利用K-means聚类算法对所有的点性点进行聚类,将它们分割为一些空间位置独立的点性片段;
步骤(d)、对于上述所获得的面性片段、线性片段和点性片段,每一个点云片段都构成了条件随机场模型中的一个团,构造第c个团的特征向量为fc=(fc1,fc2,…,fc12),其中,fc1为该团的平均高度,fc2为该团内点的个数,fc3,…,fc12为该团的中心点按照步骤3所计算出的特征向量;
步骤6、学习条件随机场模型的参数:在得到所有点特征向量、边特征向量和团特征向量后,通过训练点云样本,利用Max-margin方法对条件随机场模型进行学习,并获得模型的所有参数和
步骤7、对三维点云数据进行推断分类:在获得条件随机场的准确模型后,按照步骤3到步骤5的处理方法,计算三维点云测试数据的点特征向量、边特征向量和团特征向量,然后利用Graph-cut算法对三维点云测试数据进行推断,即可得到测试数据的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410834450.0A CN104504709B (zh) | 2014-12-28 | 2014-12-28 | 一种基于特征球的室外场景三维点云数据的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410834450.0A CN104504709B (zh) | 2014-12-28 | 2014-12-28 | 一种基于特征球的室外场景三维点云数据的分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504709A CN104504709A (zh) | 2015-04-08 |
CN104504709B true CN104504709B (zh) | 2017-05-03 |
Family
ID=52946103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410834450.0A Active CN104504709B (zh) | 2014-12-28 | 2014-12-28 | 一种基于特征球的室外场景三维点云数据的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504709B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740798B (zh) * | 2016-01-27 | 2019-07-23 | 西安理工大学 | 一种基于结构分析的点云场景物体识别方法 |
CN106910202B (zh) * | 2017-02-15 | 2020-03-24 | 武汉喜恩卓科技有限责任公司 | 一种遥感图像地物的图像分割方法及系统 |
CN107749079B (zh) * | 2017-09-25 | 2020-03-17 | 北京航空航天大学 | 一种面向无人机扫描重建的点云质量评价和轨迹规划方法 |
CN107705309B (zh) * | 2017-10-15 | 2020-12-04 | 南京林业大学 | 激光点云中林木参数评估方法 |
CN107864099B (zh) * | 2017-10-23 | 2020-11-06 | 中国科学院空间应用工程与技术中心 | 一种异构fc网络的流量控制方法及系统 |
CN107992850B (zh) * | 2017-12-20 | 2020-01-14 | 大连理工大学 | 一种室外场景三维彩色点云分类方法 |
CN108564650B (zh) * | 2018-01-08 | 2022-03-04 | 南京林业大学 | 基于车载2D LiDAR点云数据的行道树靶标识别方法 |
CN109671152B (zh) * | 2018-12-01 | 2022-10-04 | 大连理工大学 | 一种基于高斯加权离散导数的线点云几何特性估算方法 |
CN110110802B (zh) * | 2019-05-14 | 2020-09-15 | 南京林业大学 | 基于高阶条件随机场的机载激光点云分类方法 |
CN110555826B (zh) * | 2019-08-04 | 2022-04-15 | 大连理工大学 | 一种基于局部离群因子的三维点云特征提取方法 |
CN112287864A (zh) * | 2020-11-10 | 2021-01-29 | 江苏大学 | 一种三维点云中多中几何基元自动识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887596A (zh) * | 2010-06-01 | 2010-11-17 | 中国科学院自动化研究所 | 树木点云数据基于分割和自动生长的三维模型重建方法 |
CN102945567A (zh) * | 2012-10-19 | 2013-02-27 | 深圳先进技术研究院 | 室内场景的分类与重建方法及系统 |
-
2014
- 2014-12-28 CN CN201410834450.0A patent/CN104504709B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887596A (zh) * | 2010-06-01 | 2010-11-17 | 中国科学院自动化研究所 | 树木点云数据基于分割和自动生长的三维模型重建方法 |
CN102945567A (zh) * | 2012-10-19 | 2013-02-27 | 深圳先进技术研究院 | 室内场景的分类与重建方法及系统 |
Non-Patent Citations (1)
Title |
---|
《Segmentation and Classification of Range Image from an Intelligent》;Xiaolong Zhu et al.;《The 2010 IEEE/RSJ International Conference on》;20101018;1457-1462 * |
Also Published As
Publication number | Publication date |
---|---|
CN104504709A (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104504709B (zh) | 一种基于特征球的室外场景三维点云数据的分类方法 | |
CN110264468B (zh) | 点云数据标注、分割模型确定、目标检测方法及相关设备 | |
CN109887015B (zh) | 一种基于局部曲面特征直方图的点云自动配准方法 | |
CN110443281B (zh) | 基于hdbscan聚类的文本分类自适应过采样方法 | |
CN106650809B (zh) | 一种车载激光点云目标分类方法和系统 | |
CN104463856B (zh) | 基于法向量球的室外场景三维点云数据的地面提取方法 | |
CN100485662C (zh) | 基于数据动态存取模型的产品点云型面特征分析方法 | |
CN107247938A (zh) | 一种高分辨率遥感影像城市建筑物功能分类的方法 | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN104463164B (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
CN105844602B (zh) | 一种基于体元的机载lidar点云三维滤波方法 | |
CN104318622B (zh) | 一种室内场景非均匀三维点云数据的三角网格建模方法 | |
CN106199557A (zh) | 一种机载激光雷达数据植被提取方法 | |
CN104392253B (zh) | 一种草图数据集的交互式类别标注方法 | |
CN105005789B (zh) | 一种基于视觉词汇的遥感图像地物分类方法 | |
CN106373118A (zh) | 可有效保留边界和局部特征的复杂曲面零件点云精简方法 | |
Yue et al. | Robust loop closure detection based on bag of superpoints and graph verification | |
CN103559705B (zh) | 一种比较不同植物形态相似度的计算机方法 | |
CN103955709B (zh) | 基于加权合成核与tmf的极化sar图像分类方法 | |
CN106886980A (zh) | 一种基于三维激光雷达目标识别的点云密度增强的方法 | |
CN107992850A (zh) | 一种室外场景三维彩色点云分类方法 | |
CN101937453B (zh) | 一种基于加权拓扑约束比较的三维模型检索方法 | |
CN107918953A (zh) | 基于三维空间的激光扫描电力线点云的提取方法及装置 | |
CN105574265B (zh) | 面向模型检索的装配体模型定量描述方法 | |
CN115880487A (zh) | 基于深度学习方法的林木激光点云枝叶分离方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |