CN106599915A - 一种车载激光点云分类方法 - Google Patents

Abstract

本发明公开了一种车载激光点云分类方法，包括输入三维激光点云数据；利用GPS时间和行车轨迹，对三维激光点云数据分块处理；然后进行预处理；对预处理后的数据块进行初分类；对初分类后的数据块进行二次分类和输出分类后激光点云数据等步骤；本发明分类精度高、易于并行处理、处理速度快。

Description

一种车载激光点云分类方法

技术领域

本发明属于摄影测量、人工智能、智慧城市技术领域，具体涉及一种车载激光点云分类方法。

背景技术

现今在摄影测量、数字城市等领域，车载激光采集系统因为能够快速并且在大范围内获取城市目标表面高精度的空间信息数据，具有快速、不接触、高精度、便于自动化和数字化等优势，广泛用于城市三维空间的数据采集与更新。

车载激光技术的发展在一定程度上解决了数据采集及海量数据更新等问题，但是在数据后期处理中点云分类、建模和场景重建等功能实现上的不足，限制了激光数据的应用和发展。精确的激光点云分类结果有利于点云的分层、分类、检索和管理，并缩短城市三维建模的时间，提高三维数字模型的精度。传统的纯人工激光点云分类会耗费大量的人力物力，效率低下，影响用户体验。

因此，在海量激光点云数据上完成点云的自动分类，提高用户工作效率是亟待解决的问题，这也正是本发明的出发点。

发明内容

本发明的目的就在于克服现有技术存在的问题和不足，提供一种车载激光点云分类方法，在海量激光点云数据上完成点云的自动分类，提高用户工作效率。

本发明所采用的技术方案是：一种车载激光点云分类方法，其特征在于，包括以下步骤：

步骤1：输入三维激光点云数据；

步骤2：利用GPS时间和行车轨迹，对三维激光点云数据分块处理；

步骤3：对步骤2中的数据块进行预处理；

步骤4：对预处理后的数据块进行初分类；

步骤5：对初分类后的数据块进行二次分类；

步骤6：输出分类后激光点云数据。

本发明具有下列优点和积极效果：

①分类精度高；

②易于并行处理；

③处理速度快；

附图说明

图1是本发明实施例的流程图；

图2是本发明实施例的工作环境结构方框图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明的原理是：噪声点呈现密度小的特征，通过点云的密度信息过滤掉孤立的噪声点；同一个位置或者非常接近的位置会出现多个点，通过点云的位置信息，去除掉冗余的点数据；通过点云的空间结构信息，计算点的特征，包括高程特征、线特征、面特征及法向量特征；根据点的特征，利用马尔科夫随机场和支持向量机对点云中的点进行分类。

请见图1，本发明提供的一种车载激光点云分类方法，包括以下步骤：

步骤1：输入三维激光点云数据；

输入利用数据采集器及预处理服务器获得的三维激光点云数据；

步骤2：点云分块；

为了使计算机能处理海量的三维激光点云数据，利用GPS时间和行车轨迹，将海量的三维激光点云数据分块处理，步骤如下：

a、输入GPS时间和行车轨迹；

b、根据轨迹坐标值，从轨迹起始点开始累计欧氏距离和；

c、判段欧式距离和，若欧式距离和大于阈值，则将当前轨迹点和起始轨迹点之间的空间和GPS时间记为一个块，

d、令当前轨迹点的下一个轨迹点为轨迹起始点，进入步骤b，直到轨迹结束；

e、根据海量三维点云数据中点的坐标和GPS时间，将点归属到对应的块，循环判断所有点，直到海量三维激光点云数据分块结束；

步骤3：下采样；

为了去除数据块中重复点云、调整数块中点云的疏密度，并同时保持点云的形状特征，采用体素化网格方法实现下采样；

步骤4：去噪；

为了去除数据块中孤立噪声点，对每个点，计算它到它的所有临近点的平均距离，假设得到的结果是一个高斯分布，其形状由均值和标准差决定，平均距离在标准范围(由全局距离平均值和方差定义)之外的点，可被定义为离群点并可从数据块中去除掉；

步骤5：去低点；

为了去除地面以下的低点，统计数据块中所有点的高程直方图，假设地面数据对应最大直方图分量所在的高程，在此高程之下的点，可被定义为低点并可从数据块中去除掉；

步骤6：聚类；

数据块中单个点并不存在显著的特征，为了使点具有显著的特征意义，采用超体聚类分割方法对数据块中点云进行聚类操作，将点云化成很多小块，记为聚类块；

步骤7：计算特征；

计算聚类块的特征及与邻近聚类块的关系特征，步骤如下：

a、搜索点的邻域，组成小集合；

b、采用主成分分析方法计算小集合的特征值与特征向量，记为pevals与pevectors；

c、计算点的特征，记为pfeat＝{pevals(2),pevals(1)-pevals(2),pevals(0)-pevals(1)，pevectors(0,2),pevectors(2,2)},其中pevals(0)、pevals(1)、pevals(2)为特征值分量，pevectors(0,2)、pevectors(2,2)为特征向量分量；

d、采用主成分分析方法计算聚类块的特征值与特征向量，记为bevals与bevectors；

e、计算聚类块的特征记为bfeat＝{bevals(2),bevals(1)-bevals(2),bevals(0)-bevals(1)，bevectors(0,2),bevectors(2,2)}，其中bevals(0)、bevals(1)、bevals(2)为特征值分量，bevectors(0,2)、bevectors(2,2)为特征向量分量。

步骤8：马尔科夫随机场预测；

利用马尔科夫随机场模型，输入点特征pfeat与块特征bfeat，对数据块中点云进行预测，并且将点分成地面、建筑物、护栏、植物、杆状物、架空线六类；

步骤9：杆状物聚类；

为了将杆状物点云分成更加精细的类别，对杆状物进行欧式聚类，将杆状物点云聚类成单独的杆状物目标；

步骤10：杆状物生长；

杆状物目标并不具有显著的区分能力，为了能区分不同的杆状物目标，对杆状物目标进行生长，查找连接在一起的点云，使杆状物生长成一个完整的目标，同时计算完整目标的形状描述集合特征(参见论文Ensemble of Shape Functions for 3D ObjectClassification)；

步骤11：杆状物识别；

利用支持向量机分类器，输入完整杆状物的形状描述集合特征，将杆状物细分成路灯、交通灯、行道树、电信杆、标志牌五类；

步骤12：输出分类结果；

请见图2，本发明的工作环境包括：数据采集器、数据预处理服务器、数据分析服务器；本发明通过数据采集器采集室外的激光数据，将激光数据传输或拷贝到数据预处理服务器，利用数据预处理服务器对激光点云进行预处理，生成三维激光点云数据，将三维激光点云数据传输或者拷贝到数据分析服务器，利用数据分析服务器，采用车载激光点云分类方法，对三维激光点云数据进行分类处理，获得最终分类后的三维激光点云数据，并将结果保存下来。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种车载激光点云分类方法，其特征在于，包括以下步骤：

步骤1：输入三维激光点云数据；

步骤2：利用GPS时间和行车轨迹，对三维激光点云数据分块处理；

步骤3：对步骤2中的数据块进行预处理；

步骤4：对预处理后的数据块进行初分类；

步骤5：对初分类后的数据块进行二次分类；

步骤6：输出分类后激光点云数据。

2.根据权利要求1所述的车载激光点云分类方法，其特征在于，步骤2的具体实现包括以下子步骤：

步骤2.1：输入GPS时间和行车轨迹；

步骤2.2：根据轨迹坐标值，从轨迹起始点开始累计欧氏距离和；

步骤2.3：判段欧式距离和，若欧式距离和大于阈值，则将当前轨迹点和起始轨迹点之间的空间和GPS时间记为一个块；

步骤2.4：令当前轨迹点的下一个轨迹点为轨迹起始点，回转执行步骤2，直到轨迹结束；

步骤2.5：根据海量三维点云数据中点的坐标和GPS时间，将点归属到对应的块，循环判断所有点，直到海量三维激光点云数据分块结束。

3.根据权利要求1所述的车载激光点云分类方法，其特征在于，步骤3的具体实现包括以下子步骤：

步骤3.1：采用体素化网格方法实现下采样；

步骤3.2：去除数据块中孤立噪声点；

对每个点，计算它到它的所有临近点的平均距离，假设得到的结果是一个高斯分布，其形状由均值和标准差决定，平均距离在标准范围之外的点，定义为离群点并从数据块中去除掉；

步骤3.3：去除地面以下的低点；

统计数据块中所有点的高程直方图，假设地面数据对应最大直方图分量所在的高程，在此高程之下的点，定义为低点并从数据块中去除掉。

4.根据权利要求1所述的车载激光点云分类方法，其特征在于，步骤4的具体实现包括以下子步骤：

步骤4.1：采用超体聚类分割方法对数据块中点云进行聚类操作，将点云化成若干小块，记为聚类块；

步骤4.2：计算聚类块的特征及与邻近聚类块的关系特征；具体实现包括以下子步骤：

步骤4.2.1：搜索点的邻域，组成小集合；

步骤4.2.2：采用主成分分析方法计算小集合的特征值与特征向量，记为pevals与pevectors；

步骤4.2.3：计算点的特征，记为

pfeat＝{pevals(2),pevals(1)-pevals(2),pevals(0)-pevals(1)，

pevectors(0,2),pevectors(2,2)},其中pevals(0)、pevals(1)、pevals(2)为特征值分量，pevectors(0,2)、pevectors(2,2)为特征向量分量；

步骤4.2.4：采用主成分分析方法计算聚类块的特征值与特征向量，记为bevals与bevectors；

步骤4.2.5：计算聚类块的特征记为bfeat＝{bevals(2),bevals(1)-bevals(2),bevals(0)-bevals(1)，bevectors(0,2),bevectors(2,2)},其中bevals(0)、bevals(1)、bevals(2)为特征值分量，bevectors(0,2)、bevectors(2,2)为特征向量分量；

步骤4.3：利用马尔科夫随机场模型，输入点特征pfeat与块特征bfeat，对数据块中点云进行预测，并且将点分成地面、建筑物、护栏、植物、杆状物、架空线六类。

5.根据权利要求4所述的车载激光点云分类方法，其特征在于，步骤5的具体实现包括以下子步骤：

步骤5.1：对杆状物进行欧式聚类，将杆状物点云聚类成单独的杆状物目标；

步骤5.2：对杆状物目标进行生长，查找连接在一起的点云，使杆状物生长成一个完整的目标，同时计算完整目标的形状描述集合特征；

步骤5.3：利用支持向量机分类器，输入完整杆状物的形状描述集合特征，将杆状物细分成路灯、交通灯、行道树、电信杆、标志牌五类。