CN110210500A - 一种基于多尺度局部特征嵌入的点云分类方法 - Google Patents

Abstract

本发明涉及一种基于多尺度局部特征嵌入的点云分类方法，该方法包括以下步骤：步骤1：对原始点云按照预先构造的几何特征进行特征提取，获得原始点云相关特征提取数据；步骤2：将原始点云相关特征提取数据按照设置的邻域尺度经不同邻域特征计算后连接形成用以表示三维点云几何形状的多尺度特征向量；步骤3：将多尺度特征向量进行不同特征维度空间嵌入，获取经过空间嵌入的多尺度特征向量；步骤4：将经过空间嵌入的多尺度特征向量作为输入经分类器得到点云分类结果。与现有技术相比，本发明具有有效避免由于几何物体空间尺寸差异所产生的特征不全面以及观测遮挡等问题的影响，有效避免冗余信息的影响，具有极佳的效率和有效性。

Description

一种基于多尺度局部特征嵌入的点云分类方法

技术领域

本发明涉及计算机技术领域，尤其是涉及一种基于多尺度局部特征嵌入的点云分类方法。

背景技术

土地利用和土地覆盖信息对城市的理解和监测具有重要意义。要获取此任务的足够信息，必须使用适当的数据集。最近的许多研究和应用都集中在利用地球观测数据源(例如，高光谱图像和多光谱图像)来分类不同的土地利用和土地覆盖。当将图像数据源用于分类任务(例如，数字表面模型)时，其利用的信息仅涉及各种物体的光谱吸收特性，而对地表空间结构的特性不能很好地进行利用。最近，能够有效且经济地获取丰富的三维空间信息的LiDAR(激光雷达)技术，已成为城市物体分类的重要数据源。然而，在复杂的城市场景中，由于物体局部几何形状的不充分和不准确的表示，三维点云的自动分类仍然是具有挑战性的任务。

对于点云的分类，区别特征的生成对于获得高精度的分类结果非常重要。增强特征独特性的直接策略是引入更多信息以更好地代表局部区域的几何属性。然而，由于特征的高度一致性，在表示局部几何形状时，过多的信息在改善生成特征的性能方面往往会适得其反。此外，高维特征的估计和生成在计算上也是昂贵且耗时的。为了解决这个问题，通过对特征选择，减少重复和冗余特征信息是一种可行的策略，但是在特征选择过程中丢失一些有用的信息是不可避免的。另一种与之相反的策略则是减少特征的维度。与特征选择策略相比，它自动减小特征的大小，同时将重复和冗余信息封装到特征空间的不同域中。此外，点的邻域数量也是计算几何特征的关键因素。权衡计算的成本和邻域的最佳尺寸，以多尺度方式提取上下文特征，而不是直接估计邻域的大小。多尺度特征也会不可避免地受到信息多样性和冗余的影响。这是由于给定点的局部邻域关系建模的不足，导致逐点分类结果可能是异构的。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多尺度局部特征嵌入的点云分类方法。

本发明的目的可以通过以下技术方案来实现：

一种基于多尺度局部特征嵌入的点云分类方法，该方法包括以下步骤：

步骤1：对原始点云按照预先构造的几何特征进行特征提取，获得原始点云相关特征提取数据；

步骤2：将原始点云相关特征提取数据按照设置的邻域尺度经不同邻域特征计算后连接形成用以表示三维点云几何形状的多尺度特征向量；

步骤3：将多尺度特征向量进行不同特征维度空间嵌入，获取经过空间嵌入的多尺度特征向量；

步骤4：将经过空间嵌入的多尺度特征向量作为输入经分类器得到点云分类结果。

进一步地，所述步骤1中的几何特征包括本地密度、全方差、各向异性、特征熵、局部曲率、特征值之和、几何中心、线性、平面度、散布、高度均值、高度差、法线向量和垂直度。

进一步地，所述步骤2中的邻域尺度为10～30。

进一步地，所述步骤3具体包括：通过局部保持投影方法进行不同特征维度空间嵌入，获取经过空间嵌入的多尺度特征向量。

进一步地，所述局部保持投影方法包括以下分步骤：

步骤01：定义目标函数；

步骤02：最小化目标函数以进行降维操作；

步骤03：设置用于防止过拟合的限制约束条件；

步骤04：结合限制约束条件得到最终目标函数；

步骤05：求解最终目标函数得到用于不同特征维度空间嵌入的转化矩阵。

进一步地，所述步骤01中的目标函数，其描述公式为：

式中，y_i和y_j表示为降维后的不同的两个点，W_ij表示权重矩阵。

进一步地，所述权重矩阵，其描述公式为：

式中，x_i和x_j表示为降维前对应的不同的两个点，σ表示高斯核函数的标准偏差。

进一步地，所述步骤03中的限制约束条件，其描述公式为：

a^TXDX^Ta＝1

式中，a表示线性投影，X表示投影矩阵。

与现有技术相比，本发明具有以下优点：

1.本发明提取基于点的多尺度几何特征提取方法。考虑到几何特征也受到邻域尺度的影响，同时为了考虑不同的局部上下文信息，使用三个不同的邻域大小来计算查询点的多尺度几何特征。可以有效避免由于几何物体空间尺寸差异所产生的特征不全面以及观测遮挡等问题的影响。

2.本发明开发了基于数据降维的特征选择方法，提出了提取多尺度的特征表示并将它们局部嵌入到低维和鲁棒的子空间中，以期获得具有数据的内在结构保持的更紧凑的特征表示，从而进一步产生更好的分类，具体方法中应用一种流形学习方法，即局部保留投影，用于实现特征的低维嵌入任务，相比未降维的特征信息，经过降维的特征，可以有效避免冗余信息的影响，具有极佳的效率和有效性。

附图说明

图1为本发明的整体方法流程图；

图2为本发明实施例的数据集选择不同算法的分类结果对比示意图；

图3为本发明实施例的在不同特征维度条件下的分类精度对比示意图；

图4为本发明实施例的在不同领域数目条件下的分类精度对比示意图；

图5为本发明实施例的在不同高斯核函数标准差条件下的分类精度对比示意图。

具体实施方式

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的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

如图1所示为本发明的整体方法流程图，包括以下步骤：

步骤1：对原始点云按照预先构造的几何特征进行特征提取，获得原始点云相关特征提取数据；

步骤2：将原始点云相关特征提取数据按照设置的邻域尺度经不同邻域特征计算后连接形成用以表示三维点云几何形状的多尺度特征向量；

步骤3：将多尺度特征向量进行不同特征维度空间嵌入，获取经过空间嵌入的多尺度特征向量；

步骤4：将经过空间嵌入的多尺度特征向量作为输入经分类器得到点云分类结果。

具体步骤过程描述如下：

方法包括两个主要部分：(1)基于点的多尺度几何特征的提取；(2)基于全局图的低维嵌入聚类，实现特征的降维。

(1)提取基于点的多尺度几何特征

特征提取是点云分类的关键部分，其性能在分类结果的质量中起着重要作用。然而，从原始LiDAR点提取足够的信息仍然是一项具有挑战性的任务。在本方法中，构造了一组几何特征，囊括了表面属性，统计属性，维度属性，高度属性和方向属性。具体来说，它们包括：本地密度，全方差，各向异性，特征熵，局部曲率，特征值之和，几何中心，线性，平面度，散布，高度均值，高度差，法线向量，以及垂直度。这些特征用于表示基于由点p的特定邻域形成的三维结构张量所对应的局部几何形状。

考虑到几何特征也受到邻域尺度的影响。因此，为了考虑不同的局部上下文信息，使用三个不同的邻域大小k来计算查询点的几何特征。此处，k＝k0，k1，k2，在本方法实施例中k0＝10，k1＝20，k2＝30。在不同邻域的特征计算完成后，将这些几何特征连接起来形成多尺度特征向量以表示三维点云的几何形状。

(2)基于全局图的低维嵌入聚类

在这一部分中，本实施例依据一种广泛使用的局部流形学习(LML)方法，即局部保持投影(LPP)。LPP将高维数据或特征嵌入到低维子空间中，其中高维数据的拓扑结构被局部保留。

给定一组数据样本L维度N像素，LPP线性学习映射A找到相应的低维嵌入

该过程可以在下面建模：

式中，y_i和y_j表示为降维后的不同的两个点，W_ij表示权重矩阵。

其中，权重矩阵，其描述公式为：

式中，x_i和x_j表示为降维前对应的不同的两个点，σ表示高斯核函数的标准偏差。

为了增强模型的可解释性和可转移性，建模方程可以以线性化方式近似建模。假设y^T＝a^Tx，其中a是一个线性投影，因此建模方程可以简化如下：

其中D是一个对角矩阵，同时L是由L＝D-W计算的拉普拉斯矩阵。为了避免trival平凡解，在求解方程的过程中强制由y^TDy＝1制定的必要约束：

a^TXDX^Ta＝1

式中，a表示线性投影，X表示投影矩阵。

因此，可以通过最小化以下目标函数来估计变量a：

以上方程的解决方案可以通过求解下面的广义特征值分解问题来等效地获得

XLX^T＝λXDX^Ta

通过考虑给定点的局部邻近上下文，多尺度特征建模可以更充分地提供几何信息。在某种程度上特征的冗余阻碍了分类性能的进一步发展。出于这个原因，在某种程度上，特征选择已经被用于通过基于特征之间的相互关系或特征与给定标签之间的一致性来过滤一些特征来处理该问题。然而，应该注意，由那些所选特征构造的新特征空间仍然位于原始空间中。在原始特征空间之外，在提取的几何图元上利用基于LML的方法(在本实施例中为LPP)，通过局部嵌入相邻信息来学习紧凑的低维特征表示。

与最大化或保留特定信息的其他降维方法相比，例如主成分分析(PCA)和线性判别分析(LDA)，基于LML的方法能够挖掘底层数据结构并考虑点之间的相关性。更具体地说，对于多尺度特征域中的每个点，在点之间存在强烈的空间相关性，尤其是它们的邻域。直观地，LPP通过为高维特征域中的每个样本构建相邻图来学习低维表示。这可能会进一步增强点的原始特征与其邻居之间的联系。与其他非线性LML方法相比，由于其线性化技术，LPP可以明确地将样本外投射到学习子空间中。此外，大量样本通常用于模型在实践中的学习。出于这两个目的，将多尺度几何特征馈送到LPP中，导致几何图元嵌入作为最终分类器的输入。

在实际实验过程中，本实施例使用了2018年IEEE数据融合竞赛提供的LiDAR点云数据集进行实验，结果证明了本发明所提出的方法与几种常用的最先进的特征提取算法相比，具有良好的优势。图2给出了本实施例所使用的数据集在结合随机森林分类器的情况的，使用不同特征提取算法的结果对比。图3、图4和图5分别给出了使用不同参数条件下，本发明特征提取算法得到的分类精度。

图3、图4和图5中OA表示总体精度，AA表示平均精度。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于多尺度局部特征嵌入的点云分类方法，其特征在于，该方法包括以下步骤：

步骤1：对原始点云按照预先构造的几何特征进行特征提取，获得原始点云相关特征提取数据；

步骤2：将原始点云相关特征提取数据按照设置的邻域尺度经不同邻域特征计算后连接形成用以表示三维点云几何形状的多尺度特征向量；

步骤3：将多尺度特征向量进行不同特征维度空间嵌入，获取经过空间嵌入的多尺度特征向量；

步骤4：将经过空间嵌入的多尺度特征向量作为输入经分类器得到点云分类结果。

2.根据权利要求1所述的一种基于多尺度局部特征嵌入的点云分类方法，其特征在于，所述步骤1中的几何特征包括本地密度、全方差、各向异性、特征熵、局部曲率、特征值之和、几何中心、线性、平面度、散布、高度均值、高度差、法线向量和垂直度。

3.根据权利要求1所述的一种基于多尺度局部特征嵌入的点云分类方法，其特征在于，所述步骤2中的邻域尺度为10～30。

4.根据权利要求1所述的一种基于多尺度局部特征嵌入的点云分类方法，其特征在于，所述步骤3具体包括：通过局部保持投影方法进行不同特征维度空间嵌入，获取经过空间嵌入的多尺度特征向量。

5.根据权利要求4所述的一种基于多尺度局部特征嵌入的点云分类方法，其特征在于，所述局部保持投影方法包括以下分步骤：

步骤01：定义目标函数；

步骤02：最小化目标函数以进行降维操作；

步骤03：设置用于防止过拟合的限制约束条件；

步骤04：结合限制约束条件得到最终目标函数；

步骤05：求解最终目标函数得到用于不同特征维度空间嵌入的转化矩阵。

6.根据权利要求5所述的一种基于多尺度局部特征嵌入的点云分类方法，其特征在于，所述步骤01中的目标函数，其描述公式为：

式中，y_i和y_j表示为降维后的不同的两个点，W_ij表示权重矩阵。

7.根据权利要求6所述的一种基于多尺度局部特征嵌入的点云分类方法，其特征在于，所述权重矩阵，其描述公式为：

式中，x_i和x_j表示为降维前对应的不同的两个点，σ表示高斯核函数的标准偏差。

8.根据权利要求5所述的一种基于多尺度局部特征嵌入的点云分类方法，其特征在于，所述步骤03中的限制约束条件，其描述公式为：

a^TXDX^Ta＝1

式中，a表示线性投影，X表示投影矩阵。