CN109754020A - 融合多层级渐进策略和非监督学习的地面点云提取方法 - Google Patents

Abstract

本发明公开了一种融合多层级渐进策略和非监督学习的地面点云提取方法，包括以下步骤：S1，将点云转换为深度图像，获取二维格网数据；S2，采用中值去噪法去除深度图像中的噪声数据；S3，设定滤波窗口尺度范围，采用形态学高帽运算对格网数据进行尺寸标记；S4，设定面积和粗糙度约束条件，对最大建筑物尺寸进行探测，同时确定最优滤波窗口；S5，依据形态学滤波结果计算各局部地形区域梯度变化，将滤波阈值设定为梯度变化的线性函数；S6，根据自适应变化的滤波阈值，按点基元逐点进行滤波实现。本发明采用多层级渐进策略，实现地面点云提取结果由粗到精变化，增强方法的鲁棒性，且实现地面点云自动化提取，避免复杂的参数调节。

Description

融合多层级渐进策略和非监督学习的地面点云提取方法

技术领域

本发明涉及地理空间信息系统技术领域，特别是涉及一种融合多层级渐进策略和非监督学习的地面点云提取方法。

背景技术

随着智慧城市的快速发展，迫切需要我们更加及时、准确、高效地获取周边的地形、地物信息。近年来，机载LiDAR(Light Detection And Ranging)技术为我们提供了一种全新的获取高时空分辨率地球空间信息的观测手段。机载LiDAR技术采用主动测量的方式，能够快速、精确地获取物体的三维坐标信息，具有速度快、精度高等特点。而且该技术不受光照、明暗变化等外界环境的影响，能够24小时全天候地进行数据采集。现如今，此项技术已广泛应用于道路提取、电力线提取、森林参数估测、城市三维模型建立等地球空间信息学科的众多领域。而实现以上点云后处理应用，一个非常关键的步骤便是要从LiDAR点云中去除地物点而保留地形点。

近年来，国内外研究人员对地面点云提取进行了大量的研究，这些方法根据理论背景的不同可以分为基于坡度、基于形态学、基于内插拟合、基于分割等四大类。已有的研究工作取得了许多成果和进展，但还存在需要进一步研究和解决的问题：

(1)地面点云提取方法在地形平坦区域滤波效果比较好，而在地形坡度变化较大区域滤波效果比较差，方法缺乏对复杂地形环境的适应性，鲁棒性不强；

(2)大多数地面点云提取方法需要进行复杂的参数设置，降低了算法的自动化程度。

发明内容

本发明的目的在于解决地面点云提取过程中存在的精度不高、对复杂地形环境适应性较差以及需要复杂参数调节的问题，提出一种融合多层级渐进策略和非监督学习方法进行自动化的地面点云提取方法。

一种融合多层级渐进策略和非监督学习的地面点云提取方法，包括以下步骤：

S1，将点云转换为深度图像，获取二维格网数据；

S2，采用中值去噪法去除深度图像中的噪声数据；

S3，设定滤波窗口尺度范围，采用形态学高帽运算对格网数据进行尺寸标记；

S4，设定面积和粗糙度约束条件，对最大建筑物尺寸进行探测，同时确定最优滤波窗口；

S5，依据形态学滤波结果计算各局部地形区域梯度变化，将滤波阈值设定为梯度变化的线性函数；

S6，根据自适应变化的滤波阈值，按点基元逐点进行滤波实现。

根据本发明提供的融合多层级渐进策略和非监督学习的地面点云提取方法，采用多层级渐进策略，实现地面点云提取结果由粗到精变化，增强方法的鲁棒性。将点云视为高斯混合模型，采用期望最大算法实现点云自动聚类，提高地面点云提取的精度。通过设置渐进减小的结构元素集合，自动获取训练样本并进行标记，减少人为干预。利用支持向量机(SVM)对训练样本建立训练模型，并对LiDAR点云进行分类。根据置信区间估计理论将不满足条件的非地面点进行剔除，实现地面点云自动化提取，避免复杂的参数调节。

因此，与现有技术相比，本发明提出的方法至少具有以下有益效果：

(1)将不同类的点云视为不同高斯分布的混合，将点云聚类问题转化为高斯混合模型参数估计问题，实现点云自动聚类。

(2)在建立SVM模型过程中，可自动获取并标记地面点训练样本和地物点训练样本，实现非监督学习，有效避免了样本标记的费时费力过程，提高了算法实现的通用性。

(3)根据t分布理论，通过给定置信水平可将落在置信区间之外的点自动判定为地物点并进行剔除，避免了大量的参数设置与调节。

另外，根据本发明上述的融合多层级渐进策略和非监督学习的地面点云提取方法，还可以具有如下附加的技术特征：

进一步地，所述步骤S1具体包括以下步骤：

S11，将点云按照KD树进行组织，并获取每个点的K临近；

S12，计算每个点K临近的高程均值E_M和均方根误差E_δ；

S13，依次遍历点云中的各个点，如果其高程值不在该点临近点高程均值和三倍中误差的范围之内，则将该点判定为噪声点并进行剔除。

进一步地，所述步骤S2具体包括以下步骤：

S21，采用主成分分析法估算点云的法向量；

S22，设定高斯混合分布的密度函数；

S23，采用经验模态分解算法估算高斯混合模型的参数；

S24，将高斯混合分布参数中均值相近的点云进行合并，并重新运用期望最大算法进行参数估算；

S25，重复迭代进行步骤S23和S24，直到点云混合成分的数目不再发生变化。

进一步地，所述步骤23具体包括以下步骤：

S231，初始化高斯混合分布参数，包括λ_k、μ_k和δ_k，k＝1,2,…,kmax；

S232，E步：计算各混合成分的概率；

S233，M步：计算高斯混合分布参数；

S234，检查是否收敛，如果收敛则停止迭代，输出高斯混合模型参数；否则，更新混合分布参数继续迭代。

进一步地，所述步骤S3具体包括以下步骤：

S31，设定结构元素为方形，边长尺寸应大于实验区域内最大建筑物的尺寸，边长尺寸一般可设定为常数50；

S32，按照此结构元素对LiDAR点云进行虚拟格网组织；

S33，将结构元素在虚拟格网上进行四个方向的平移，并将落入平移后结构元素内的最低点都标记为地面种子点；

S34，将所有地面种子点所在类别的点云都标记为地面点；

S35，依次获取所有地面点的边缘点，然后，对这些边缘点进行临近搜索；

S36，计算临近点与边缘点的高差，将高差大于预设高度的点标记为地物种子点，并将该地物种子点所在类别的所有点都标记为地物点，其中，所述预设高度优选为10m。

进一步地，所述步骤S4具体包括以下步骤：

S41，计算各样本点的局部结构协方差张量Cov_p；

S42，计算该协方差张量的三个特征值(λ₀、λ₁、λ₂)以及对应的特征向量(e₀、e₁、e₂)；

S43，依据特征值和特征向量，计算各个点的特征向量：不变性、本征熵、各向异性、平面性、线性、点性、曲面变化性、垂直性；

S44，采用SVM对训练样本依据特征向量建立训练模型；

S45，利用训练得到的SVM模型对未标记样本进行分类。

进一步地，所述步骤S5具体包括以下步骤：

S51，利用步骤S4中训练得到的SVM模型对未标记样本进行分类；

S52，采用结构元素对这些地面点进行局部搜索获取地面种子点；

S53，将这些地面种子点进行二次曲面拟合，获取该层级的粗糙DTM；

S54，计算出点云中各点到该拟合曲面的距离残差；

S55，给定置信水平1-α，将落在置信区间之外的点判定为地物点并进行剔除。

附图说明

本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例提供的融合多层级渐进策略和非监督学习的地面点云提取方法的概括流程图；

图2为本发明实施例提供的方法的具体实施步骤流程图；

图3为点云自动聚类算法实现流程图；

图4为点云虚拟格网组织示意图；

图5为基于TPS曲面拟合示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。

请参阅图1，本发明实施例提供的融合多层级渐进策略和非监督学习的地面点云提取方法，包括以下步骤S1～S6：

S1，获取点云数据并进行噪声去除；

其中，步骤S1具体包括以下步骤S11～S13：

S11，将点云按照KD树进行组织，并获取每个点的K临近；

S12，计算每个点K临近的高程均值E_M和均方根误差E_δ；

S13，依次遍历点云中的各个点，如果其高程值不在该点临近点高程均值和三倍中误差的范围之内，则将该点判定为噪声点并进行剔除。

S2，采用高斯混合模型实现点云自动聚类方法；

其中，步骤S2具体包括以下步骤S21～S25：

S21，采用主成分分析法估算点云的法向量；

S22，设定高斯混合分布的密度函数；

S23，采用经验模态分解算法估算高斯混合模型的参数；

其中，所述步骤23具体包括以下步骤S231～S234：

S231，初始化高斯混合分布参数，包括λ_k、μ_k和δ_k，k＝1,2,…,kmax；

S232，E步：计算各混合成分的概率；

S233，M步：计算高斯混合分布参数；

S234，检查是否收敛，如果收敛则停止迭代，输出高斯混合模型参数；否则，更新混合分布参数继续迭代。

S24，将高斯混合分布参数中均值相近的点云进行合并，并重新运用期望最大算法进行参数估算；

S25，重复迭代进行步骤S23和S24，直到点云混合成分的数目不再发生变化。

S3，自动获取并标记地面点、地物点训练样本；

其中，步骤S3具体包括以下步骤S31～S36：

S31，设定结构元素为方形，边长尺寸应大于实验区域内最大建筑物的尺寸，具体可以将边长尺寸设定为常数50；

S32，按照此结构元素对LiDAR点云进行虚拟格网组织；

S33，将结构元素在虚拟格网上进行四个方向的平移，并将落入平移后结构元素内的最低点都标记为地面种子点；

S34，将所有地面种子点所在类别的点云都标记为地面点；

S35，依次获取所有地面点的边缘点，然后，对这些边缘点进行临近搜索；

S36，计算临近点与边缘点的高差，将高差大于预设高度的点标记为地物种子点，并将该地物种子点所在类别的所有点都标记为地物点，预设高度例如为10m。

S4，计算点云特征向量并采用SVM方法建立训练模型；

其中，步骤S4具体包括以下步骤S41～S45：

S41，计算各样本点的局部结构协方差张量Cov_p；

S42，计算该协方差张量的三个特征值(λ₀、λ₁、λ₂)以及对应的特征向量(e₀、e₁、e₂)；

S43，依据特征值和特征向量，计算各个点的特征向量：不变性、本征熵、各向异性、平面性、线性、点性、曲面变化性、垂直性；

S44，采用SVM对训练样本依据特征向量建立训练模型；

S45，利用训练得到的SVM模型对未标记样本进行分类。

S5，采用置信区间估计理论自动识别并剔除非地面点；

其中，步骤S5具体包括以下步骤S51～S55：

S51，利用步骤S4中训练得到的SVM模型对未标记样本进行分类；

S52，采用结构元素对这些地面点进行局部搜索获取地面种子点；

S53，将这些地面种子点进行二次曲面拟合，获取该层级的粗糙DTM；

S54，计算出点云中各点到该拟合曲面的距离残差；

S55，给定置信水平1-α，将落在置信区间之外的点判定为地物点并进行剔除。

S6，重复执行步骤S4和S5，直到点云中不存在地物点为止。

作为一个具体示例，上述方法的具体实施步骤流程图如图2所示。主要由以下四个阶段构成：Ⅰ基于高斯混合模型进行点云聚类；Ⅱ自动获取并标记训练样本；Ⅲ计算特征向量；Ⅳ基于t分布置信区间剔除地物点。下面就这四个阶段进行具体说明。

Ⅰ基于高斯混合模型进行点云聚类

点云聚类具有以下两点优势：一是，相较于处理点基元，聚类后的对象基元包含有更多的语义信息，因此更有利于提高后续点云分类结果的精度；二是，在训练样本获取标记阶段，利用聚类的点云有利于获得更多的标记样本，更有助于提升后续SVM建模的泛化能力。本发明拟采用期望最大算法实现点云聚类，具体步骤如下：

①采用主成分分析法估算点云的法向量；

②设定高斯混合分布的密度函数；

③期望最大算法估算高斯混合模型的参数；

④将高斯混合分布参数中均值相近的点云进行合并，并重新运用期望最大算法进行参数估算；

⑤重复迭代进行步骤③和④，直到点云混合成分的数目不再发生变化。

假设点云中共包含有kmax类不同的点云，那么高斯混合分布的密度函数为：

式中，G_k(·)表示高斯密度函数，V为特征向量，在本发明中指的是法向量，可采用主成分分析法对点云的法向量进行估算。Θ为各混合成分的参数矢量。λ_k为比重系数，表示各个混合部分的先验概率。(u_k,δ_k)表示高斯分布的参数，分别为均值和方差。

点云聚类的过程即为高斯混合模型参数估计的过程。本发明拟采用期望最大算法进行参数估计。期望最大算法的实现流程如图3所示，具体包括以下四个步骤：

①初始化高斯混合分布参数，包括λ_k、μ_k和δ_k，k＝1,2,…,kmax；

②E步：计算各混合成分的概率；

③M步：计算高斯混合分布参数；

④检查是否收敛，如果收敛则停止迭代，输出高斯混合模型参数；否则，更新混合分布参数继续迭代。

期望最大算法需要重复迭代进行实现。迭代的收敛条件为上次迭代计算的混合分布参数和下次迭代计算的混合分布参数变化较小。

Ⅱ自动获取并标记训练样本

训练样本自动获取并标记是非监督学习实现重要环节。如何正确获取并标记正样本(地面点)和负样本(地物点)是研究的重点。本发明拟利用上述点云聚类过程形成的对象基元进行样本标记，因此能够获得较多的训练样本，有利于提升后续建立模型的泛化能力。

首先，设定结构元素为方形，边长尺寸应大于实验区域内最大建筑物的尺寸，一般可设定为常数50。然后，对LiDAR点云进行虚拟格网组织，如图4所示。具体计算过程如公式(2)和(3)所示：

式中，(x_p,y_p)为p点的平面坐标，(x_min,y_min)和(x_max,y_max)分别为点云x，y方向的最大最小值，cellsize为格网边长，等于结构元素的尺寸。floor(·)为向下取整。(ID_i,ID_j)为p点在虚拟格网中的位置。M和N为虚拟格网水平和竖直方向上总的格网数目。

由于初始格网尺寸大于实验区域内最大建筑物的尺寸，因此，格网内的最低点可以保证为地面点。但由于初始格网尺寸过大往往导致格网划分过少，为获得更多的地面点，本发明将结构元素在虚拟格网上进行四个方向的平移，如图4中虚线所示。将落入平移后结构元素内的最低点也都标记为地面点，以此来增加地面点的数目。由于本发明提前进行了点云聚类，因此可将所有最低点所在类别的点云都标记为地面点。

正样本(地面点)获取并标记完成后，依次获取所有地面点的边缘点。然后，对这些边缘点进行临近搜索。计算临近点与边缘点的高差，将高差大于10m的点标记为地物点。与地面点标记类似，将该点所在类别的所有点都标记为地物点。

Ⅲ计算特征向量

本发明拟采用通用性更强的几何特征向量作为训练模型的输入值。几何特征向量主要由两部分组成，一部分是基于局部结构协方差张量计算得到，另一部分则基于点云的高程值计算得到。

遍历各个训练样本点，通过构建kd树找到各点的k个临近点集合Kn(p)，继而利用这k个临近点集合计算各样本点的局部结构协方差张量：

式中，为临近点集合Kn(p)的中心点，公式计算如下：

协方差Cov_p为正定矩阵，可以计算得到该矩阵的三个特征值λ₀≥λ₁≥λ₂≥0，以及对应的特征向量e₀、e₁和e₂。利用这三个特征值和三个特征向量可以分别计算得到：不变性、本征熵、各向异性、平面性、线性、点性、曲面变化性、垂直性，公式表示如下：

不变性：

本征熵：

各向异性：(λ₀-λ₂)/λ₀ (8)

平面性：(λ₁-λ₂)/λ₀ (9)

线性：(λ₀-λ₁)/λ₀ (10)

点性：λ₂/λ₀ (11)

曲面变化性：λ₂ (12)

各向异性：1-|<[0,0,1],e₂>| (13)

基于点云的高程值可以计算另一部分的特征向量，公式表示如下：

高程变化幅度：Z_max{Kn(p)}-Z_min{Kn(p)} (14)

低点度：Z_p-Z_min{Kn(p)} (15)

高点度：Z_max{Kn(p)}-Z_p (16)

Ⅳ基于t分布置信区间剔除地物点

训练好的SVM模型可以将LiDAR点云分为两类：地面点和地物点。本发明拟采用逐级渐进地方式剔除地物点。因此，对于每一层级需要将部分属于地物点概率较大的点进行剔除。本发明拟基于t分布将落在置信区间之外的点进行剔除。

首先，获取SVM模型分类的地面点。然后，采用结构元素对这些地面点进行局部搜索获取地面种子点。将这些地面种子点进行二次曲面拟合如图5所示，获取该层级的粗糙DTM，公式表示如下：

f(X,Y)＝λ₀+λ₁X+λ₂Y+λ₃XY+λ₄X²+λ₅Y² (17)

根据最小二乘原理，可求得拟合二次曲面系数λ。然后根据下式可计算出点云中各点到该拟合曲面的距离残差：

v_i＝λ₀+λ₁X_i+λ₂Y_i+λ₃X_iY_i+λ₄X_i ²+λ₅Y_i ²-Z_i (18)

各点的距离残差应符合t分布：

一般而言，地物点到该拟合曲面的距离残差要远大于地面点到该曲面的距离残差。因此，地物点的t_i往往会落在t分布的尾端。给定置信水平1-α，可确定t分布的置信区间(t^low,t^up)，将落在置信区间之外的点判定为地物点并进行剔除。

综上，与现有技术相比，本实施例提出的方法至少具有以下有益效果：

(1)将不同类的点云视为不同高斯分布的混合，将点云聚类问题转化为高斯混合模型参数估计问题，实现点云自动聚类。

(2)在建立SVM模型过程中，可自动获取并标记地面点训练样本和地物点训练样本，实现非监督学习，有效避免了样本标记的费时费力过程，提高了算法实现的通用性。

(3)根据t分布理论，通过给定置信水平可将落在置信区间之外的点自动判定为地物点并进行剔除，避免了大量的参数设置与调节。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.一种融合多层级渐进策略和非监督学习的地面点云提取方法，其特征在于，包括以下步骤：

S1，获取点云数据并进行噪声去除；

S2，采用高斯混合模型实现点云自动聚类方法；

S3，自动获取并标记地面点、地物点训练样本；

S4，计算点云特征向量并采用SVM方法建立训练模型；

S5，采用置信区间估计理论自动识别并剔除非地面点；

S6，重复执行步骤S4和S5，直到点云中不存在地物点为止。

2.根据权利要求1所述的融合多层级渐进策略和非监督学习的地面点云提取方法，其特征在于，所述步骤S1具体包括以下步骤：

S11，将点云按照KD树进行组织，并获取每个点的K临近；

S12，计算每个点K临近的高程均值E_M和均方根误差E_δ；

S13，依次遍历点云中的各个点，如果其高程值不在该点临近点高程均值和三倍中误差的范围之内，则将该点判定为噪声点并进行剔除。

3.根据权利要求2所述的融合多层级渐进策略和非监督学习的地面点云提取方法，其特征在于，所述步骤S2具体包括以下步骤：

S21，采用主成分分析法估算点云的法向量；

S22，设定高斯混合分布的密度函数；

S23，采用经验模态分解算法估算高斯混合模型的参数；

S24，将高斯混合分布参数中均值相近的点云进行合并，并重新运用期望最大算法进行参数估算；

S25，重复迭代进行步骤S23和S24，直到点云混合成分的数目不再发生变化。

4.根据权利要求3所述的融合多层级渐进策略和非监督学习的地面点云提取方法，其特征在于，所述步骤23具体包括以下步骤：

S231，初始化高斯混合分布参数，包括λ_k、μ_k和δ_k，k＝1,2,…,kmax；

S232，E步：计算各混合成分的概率；

S233，M步：计算高斯混合分布参数；

S234，检查是否收敛，如果收敛则停止迭代，输出高斯混合模型参数；否则，更新混合分布参数继续迭代。

5.根据权利要求4所述的融合多层级渐进策略和非监督学习的地面点云提取方法，其特征在于，所述步骤S3具体包括以下步骤：

S31，设定结构元素为方形，边长尺寸应大于实验区域内最大建筑物的尺寸；

S32，按照此结构元素对LiDAR点云进行虚拟格网组织；

S33，将结构元素在虚拟格网上进行四个方向的平移，并将落入平移后结构元素内的最低点都标记为地面种子点；

S34，将所有地面种子点所在类别的点云都标记为地面点；

S35，依次获取所有地面点的边缘点，然后，对这些边缘点进行临近搜索；

S36，计算临近点与边缘点的高差，将高差大于预设高度的点标记为地物种子点，并将该地物种子点所在类别的所有点都标记为地物点。

6.根据权利要求5所述的融合多层级渐进策略和非监督学习的地面点云提取方法，其特征在于，所述步骤S4具体包括以下步骤：

S41，计算各样本点的局部结构协方差张量Cov_p；

S42，计算该协方差张量的三个特征值(λ₀、λ₁、λ₂)以及对应的特征向量(e₀、e₁、e₂)；

S43，依据特征值和特征向量，计算各个点的特征向量：不变性、本征熵、各向异性、平面性、线性、点性、曲面变化性、垂直性；

S44，采用SVM对训练样本依据特征向量建立训练模型；

S45，利用训练得到的SVM模型对未标记样本进行分类。

7.根据权利要求6所述的融合多层级渐进策略和非监督学习的地面点云提取方法，其特征在于，所述步骤S5具体包括以下步骤：

S51，利用步骤S4中训练得到的SVM模型对未标记样本进行分类；

S52，采用结构元素对这些地面点进行局部搜索获取地面种子点；

S53，将这些地面种子点进行二次曲面拟合，获取该层级的粗糙DTM；

S54，计算出点云中各点到该拟合曲面的距离残差；

S55，给定置信水平1-α，将落在置信区间之外的点判定为地物点并进行剔除。

8.根据权利要求5所述的融合多层级渐进策略和非监督学习的地面点云提取方法，其特征在于，所述步骤S31中，设定结构元素为方形，边长尺寸设定为常数50。

9.根据权利要求5所述的融合多层级渐进策略和非监督学习的地面点云提取方法，其特征在于，所述步骤S36中，所述预设高度为10m。