CN111291662A - 一种基于平面选择的车载点云杆状物提取方法 - Google Patents

Abstract

本发明提出了一种基于平面选择的车载点云杆状物提取方法。本发明根据八叉树分裂的思想将无序列点云根据空间位置迭代地划分为不同尺度的点集，并从中选择出具有平面性的平面片作为初始平面；利用局部几何特征以及平面孤立性检测对初始平面进行选择过滤得到杆状物的候选平面；基于竖直方向上区域增长算法实现杆状物缺失部分的提取；同时通过竖直方向上合并算法使得同一根杆状物能够被尽可能少的候选平面所表示；最终过滤删除候选平面最低点到地面高度不满足杆状物的候选平面；本发明有效的将车载点云数据中杆状物的提取问题转化为平面选择过滤的问题，最终准确且鲁棒地实现了车载点云杆状物的提取。

Description

一种基于平面选择的车载点云杆状物提取方法

技术领域：

本发明属于车载点云数据处理技术领域，特别是涉及一种基于平面选择的车载点云杆状物提取方法。

背景技术：

在城市级场景中，车载激光扫描系统可以精确、快速获取城市建筑物、道路交通设施、隧道等地物的表面信息，非常适用于城市物体三维空间信息的快速精确获取与模型重建。从车载三维激光扫描数据提取杆状物有利于创建城市地理空间信息数据库、及时更新高精度城市地图，并对城市管理以及智能交通系统的建成具有推动作用。但三维激光扫描数据存在结构无组织，密度不均匀和数据量巨大的特点，如何高效鲁棒的从中提取杆状物体也成为了点云数据的研究热点。

国内外近十年来对杆状物提取的研究工作越来越多，从提取场景来说，可以分成城市道路环境下的杆状物提取、高速公路上的杆状物提取以及郊区环境中的杆状物提取。从杆状物的目标分类来说，杆状物的提取又可以细分为行道树的提取、电线杆的提取以及路灯的提取等。从分类方法来说，大致可以归纳为基于模型拟合的杆状物提取方法、基于几何特征的杆状物提取方法和基于学习的杆状物提取方法：基于模型拟合的杆状物提取方法以双圆柱模型应用最为广泛，此类方法可以提取出大多数杆状物体，但是对于部分被其他物体遮挡或距离其他物体太近的物体存在大概率的漏检现象；基于特征杆状物提取方法是通过分析点云中的点的局部几何特征来从点云数据中提取杆状物，诸如高度、投影面积等形状特征和上下文特征是常被用到的特征，该方法能够很好的实现杆状物体的检测，但较多的几何特征约束意味着参数的增加，方法的普适性有待提高；3)基于学习的方法目前在杆状物提取中的应用越来越多，且具有较高的完整性和正确性。但，基于学习的杆状物提取方法需要先验知识的辅助，且需要人工手动标记学习样本，存在来自一个数据集的训练数据可能不适合其他数据集的模型的问题。

城市街道环境中可能存在的物体种类复杂且多样，例如建筑物、行人、车辆、行道树、道路标线、交通灯等，各个物体之间还可能存在互相缠绕、互相遮挡的现象，杆状物的自动提取问题变得更加复杂。目前现有大多数方法的鲁棒性多依赖于良好的数据集及大量测试之后的经验参数控制，不具有普适性。针对以上问题，本发明提出了一种基于平面选择的方法提取杆状物，经过实验验证，该方法具有较高的准确性和鲁棒性。

发明内容：

为了能够准确鲁棒地从城市街道场景中提取杆状物，本发明提供了一种基于平面选择的车载点云杆状物提取方法。本发明所采用的技术方案包括以下步骤：

步骤1，根据八叉树分裂的思想将无序列点云根据空间位置迭代地划分为不同尺度的点集，并从中选择出具有平面性的平面片作为初始平面；

步骤2，利用局部几何特征以及平面孤立性检测对初始平面进行选择过滤得到杆状物的候选平面；

步骤3，基于竖直方向上区域增长算法实现杆状物缺失部分的提取；同时通过竖直方向上合并算法使得同一根杆状物能够被尽可能少的候选平面所表示；最终过滤删除候选平面中高度不满足杆状物的候选平面；

作为优选，步骤1具体为：

步骤1.1，依次将无序列点云根据空间位置迭代地划分到各个体素内，并标记体素为：

V_k＝{(c_k，r_k，h_k)，index_k，num_k}，k∈[1，m]，m＞1

其中，(c_k，r_k，h_k)表示体素坐标，且c_k，r_k，h_k均为整数，index_k为体素索引值，num_k表示体素中点的数量，且后续所有操作都以体素为基本单位；

步骤1.2，根据步骤1.1中所生成的所有体素的位置坐标极值点(c_max，r_max，h_max)和(c_min，r_min，h_min)确定体素坐标值的范围，构建能够包含所有体素的最小长方体的顶点位置坐标(c_max，r_max，h_max)，(c_max，r_max，h_min)，(c_max，r_min，h_max)，(c_max，r_min，h_min)，(c_min，r_max，h_max)，(c_min，r_max，h_min)，(C_min，r_min，h_max)，(c_min，r_min，h_min)；

步骤1.3，将长方体切分成若干个为M×M×M(M＝2^m)的立方体，记为B_i为第i个立方体，其中m≥1，就可以得到立方体的集合B＝{B_i}，i∈[1，m]；

步骤1.4，将被同一立方体即B_i包围的体素中的点集使用主成分分析法计算该点集的参数，包括第i个立方体的法向量即

第i个立方体的中心点即

第i个立方体的特征值即

判断点集B_i是否具有平面性，保存具有平面性的点集为初始平面P_rough；

所述步骤1.4具体如下：

步骤1.4.1，设点集B_i中的点

即

j∈[1，m]，构建协方差矩阵∑：

其中，

式中，∑代表3×3的协方差矩阵，K是点集B_i中包含点的个数，

是B_i中所有点的平均值；

步骤1.4.2，计算协方差矩阵∑的特征值和特征向量；

首先构成特征值方程：

λV＝∑V

对该方程进行奇异值分解(SVD分解)可以得到三个特征值和与之对应的三个特征向量，也称为主成分；

将这三个特征值从大到小排列：

与之对应的三个特征向量依次记为

和

前两个主成分

和

相互正交，构成了B_i的最佳拟合三维面，第三个主成分

与前两个主成分正交，用来作为B_i的法向量

步骤1.4.3，对于每一个点集B_i，根据步骤1.4.1和步骤中1.4.2得到的参数，采用最小二乘的方法将这些点拟合为一个面

并计算点集内每个点

到面

的距离

同时求得最大距离d_max。

步骤1.5，判断点集B_i是否具有平面性，即将d_max与给定的阈值T_d进行比较。

若d_max＜T_d，则面

具有平面性，将点集B_i添加到初始平面P_rough中；

若d_max＞T_d，且该点集B_i中体素数量大于1，则将B_i继续向下分裂为8个大小相等的子正方体，并对每一个子正方体进行步骤1.4计算。

步骤1.6，对于每一个B_i重复步骤1.4和步骤1.5，直到正方体B_i中体素的数量为1时停止进一步划分，如果此时正方体内点集仍然不具有平面性，则跳过这些点，对下一个正方体内的点进行计算，直到将空间内所有正方体都完成计算；

步骤1.7，根据步骤1.4重新计算P_rough内所有初始平面的参数，包括法向量

中心点

特征值

作为优选，步骤2所述杆状物的候选平面的局部特征：

候选平面近似垂直于地面；

候选平面呈条带状；

候选平面周围不存在或仅存在少数散乱点；

步骤2进行选择过滤得到杆状物的候选平面具体包括以下子步骤：

步骤2.1，利用局部几何特征对初始平面进行选择过滤；

将步骤1.7中所得到的初始平面P_rouah都作为杆状物的候选平面P_candidate，并依次判断初始平面

是否满足平面法向量垂直于地面，且该平面呈条带状；

步骤2.1.1，依次计算平面

的法向量计算平面法向量与z轴之间的夹角θ(0°≤θ≤90°)；若60°≤θ≤90°，则认为平面

近似垂直于地面，反之，将平面

平面从P_candidate的队列中剔除；

步骤2.1.2，特征值在一定程度上可以表示点集维度上的信息，根据步骤1.7可以得到初始平面

的特征值

且

陶建一个判别平面是否为条带状的指标t₁和t₂：

其中，t₁和t₂分别表示

和

的方差贡献；

条带状平面仅有一个主方向，即t₁应尽可能大，t₂应尽可能小；

依次对平面

进行判断：

当t₁≥T₁且t₂≤T₂时(T₁与T₂为经验值)，初始平面

为杆状物的候选平面；反之，将初始平面

从P_candidate的队列中剔除；

步骤2.1.3，依次计算初始平面

在XOY平面上的投影宽度

其中，x_max，x_min和y_max，y_min分别代表当前平面在x方向和y方向上的极值，若投影宽度w在一定范围内，则认为初始平面

为杆状物的候选平面；反之将初始平面

从P_candidate的队列中剔除；

步骤2.2，利用平面孤立性检测进一步对初始平面进行选择过滤；

在初始平面

周围构建缓冲区，并判断缓冲区中的噪声点数是否在容忍范围内；

步骤2.2.1，对步骤1中所述体素V_k可通过其位置坐标(c_k，r_k，h_k)得到它的邻近体素，从而构建体素间的相邻关系。

步骤2.2.2，初始平面

由多个体素构成，根据平面内体素的坐标可获得平面边缘体素

对于任意

根据步骤2.2.1中的相邻关系，可获得其水平面上的8邻近体素

为初始平面

的缓冲区域，若

不属于初始平面

且不与

中任意元素重复，则

步骤2.2.3，计算缓冲区域中噪声点的数量；

累积

中的每一个体素中的点云数量，记为噪声点的数量

若

则认为平面

满足杆状物独立性要求，即认为该平面为杆状物候选平面；反之，将平面

从P_candidate的队列中剔除；

作为优选，步骤3具体实现方法如下：

步骤3.1，基于竖直方向上区域增长算法实现杆状物缺失部分的提取，具体实现子步骤如下：

步骤3.1.1，步骤2.2.2中，可获得平面

的边缘体素

对于任意

根据步骤2.2.1中的相邻关系，可获得其竖直方向上的邻近体素

并分别根据体素的索引值获得邻近体素中的点云数量为

步骤3.1.2，计算平面

的单位体素平均密度d_voxel，即：

其中，

表示平面

中点云的总数量，s_voxel表示平面

中体素的数量。

步骤3.1.3，以任意平面

为种子点，判断其邻近体素

是否满足增长条件，若

且

(

为经验值)，认为邻近体素

与当前平面P_i的单位体素平均密度近似，满足增长条件，将邻近体素

增长至平面

中，直至P_candidate中的每一个平面都完成增长后停止；

步骤3.2，同时通过竖直方向上合并算法使得同一根杆状物能够被尽可能少的候选平面所表示，具体实现子步骤如下：

步骤3.2.1，计算平面

的大小，即根据平面

中每个体素的索引，索取体素中点的数量并累加，

表示平面

中点的总数量。

步骤3.2.2，按照从大到小的顺序对平面进行合并，例如，P_first，P_second∈P_candidate，且分别为候选平面中点云数量最大和第二大的两个平面。n_first和n_second分别为P_first和P_second的法向量，计算n_first和n_second之间的夹角θ_{<first，second>}。

步骤3.2.3，计算P_first，P_second分别投影至XOY平面时的投影中心c_first(x_cf，y_cf)和c_second(x_cs，y_cs)，并计算两个投影中间之间的距离d_c；

同理可得x_cs，y_cs；

其中k∈[1，m]为P_first中点云数量。

步骤3.2.4，若θ_{<first，second>}≤θ_τ(θ_τ为经验值)，且d_c≤v_l(v_l为体素边长)，则合并P_first和P_second，并更新合并后得到新平面的参数；

步骤3.2.5，重复步骤3.2.2，直至所有候选平面都被遍历之后停止，更新后的平面仍为杆状物的候选平面P_pole；

步骤3.3，过滤删除P_pole中候选平面最低点到地面的高度不满足杆状物的候选平面；

该步骤根据具体应用场景，设置高度阈值H_τ，对于P_p∈P_pole，且p∈[1，m]，若P_p到地面的高度即平面P_p中所有点z方向上的最小值z_min，满足z_min≤H_τ，平面P_p即为最终杆状物的提取结果。

本发明优点在于采用了一种高效的八叉树分裂的方式来拟合平面，并有效的将车载点云数据中杆状物的提取问题转化为平面选择过滤的问题，最终准确且鲁棒地实现了车载点云杆状物的提取。

附图说明

图1：为本发明实施的整体流程图。

图2：为体素间的相邻关系。

图3：为本发明实施的效果图。

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，所描述的实施例仅仅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。

下面结合图1至图3介绍本发明的具体实施方式为：

步骤1，根据八叉树分裂的思想将无序列点云根据空间位置迭代地划分为不同尺度的点集，并从中选择出具有平面性的平面片作为初始平面；

步骤1具体为：

步骤1.1，依次将无序列点云根据空间位置迭代地划分到各个体素内，并标记体素为：

V_k＝{(c_k，r_k，h_k)，index_k，num_k}，k∈[1，m]，m＞1

其中，(c_k，r_k，h_k)表示体素坐标，且c_k，r_k，h_k均为整数，index_k为体素索引值，num_k表示体素中点的数量，且后续所有操作都以体素为基本单位；

步骤1.2，根据步骤1.1中所生成的所有体素的位置坐标极值点(c_max，r_max，h_max)和(c_min，r_min，h_min)确定体素坐标值的范围，构建能够包含所有体素的最小长方体的顶点位置坐标(c_max，r_max，h_max)，(c_max，r_max，h_min)，(c_max，r_min，h_max)，(c_max，r_min，h_min)，(c_min，r_max，h_max)，(c_min，r_max，h_min)，(c_min，r_min，h_max)，(c_min，r_min，h_min)；

步骤1.3，将长方体切分成若干个为M×M×M(M＝2^m)的立方体，记为B_i为第i个立方体，其中m≥1，就可以得到立方体的集合B＝{B_i}，i∈[1，m]；

步骤1.4，将被同一立方体即B_i包围的体素中的点集使用主成分分析法计算该点集的参数，包括第i个立方体的法向量即

第i个立方体的中心点即

第i个立方体的特征值即

判断点集B_i是否具有平面性，保存具有平面性的点集为初始平面P_rough；

所述步骤1.4具体如下：

步骤1.4.1，设点集B_i中的点

即

j∈[1，m]，构建协方差矩阵∑：

其中，

式中，∑代表3×3的协方差矩阵，K是点集B_i中包含点的个数，

是B_i中所有点的平均值；

步骤1.4.2，计算协方差矩阵∑的特征值和特征向量；

首先构成特征值方程：

λV＝∑V

对该方程进行奇异值分解(SVD分解)可以得到三个特征值和与之对应的三个特征向量，也称为主成分；

将这三个特征值从大到小排列：

与之对应的三个特征向量依次记为

和

前两个主成分

和

相互正交，构成了B_i的最佳拟合三维面，第三个主成分

与前两个主成分正交，用来作为B_i的法向量

步骤1.4.3，对于每一个点集B_i，根据步骤1.4.1和步骤中1.4.2得到的参数，采用最小二乘的方法将这些点拟合为一个面

并计算点集内每个点

到面

的距离

同时求得最大距离d_max。

步骤1.5，判断点集B_i是否具有平面性，即将d_max与给定的阈值T_d(T_d取0.1米)进行比较。

若d_max＜T_d，则面

具有平面性，将点集B_i添加到初始平面P_rough中；

若d_max＞T_d，且该点集B_i中体素数量大于1，则将B_i继续向下分裂为8个大小相等的子正方体，并对每一个子正方体进行步骤1.4计算。

步骤1.6，对于每一个B_i重复步骤1.4和步骤1.5，直到正方体B_i中体素的数量为1时停止进一步划分，如果此时正方体内点集仍然不具有平面性，则跳过这些点，对下一个正方体内的点进行计算，直到将空间内所有正方体都完成计算；

步骤1.7，根据步骤1.4重新计算P_rough内所有初始平面的参数，包括法向量

中心点

特征值

步骤2，利用局部几何特征以及平面孤立性检测对初始平面进行选择过滤得到杆状物的候选平面；

步骤2所述杆状物的候选平面的局部特征：

候选平面近似垂直于地面；

候选平面呈条带状；

候选平面周围不存在或仅存在少数散乱点；

步骤2进行选择过滤得到杆状物的候选平面具体包括以下子步骤：

步骤2.1，利用局部几何特征对初始平面进行选择过滤；

将步骤1.7中所得到的初始平面P_rough都作为杆状物的候选平面P_candidate，并依次判断初始平面

是否满足平面法向量垂直于地面，且该平面呈条带状；

步骤2.1.1，依次计算平面

的法向量计算平面法向量与z轴之间的夹角θ(0°≤θ≤90°)；若60°≤θ≤90°，则认为平面

近似垂直于地面，反之，将平面

平面从P_candidate的队列中剔除；

步骤2.1.2，特征值在一定程度上可以表示点集维度上的信息，根据步骤1.7可以得到初始平面

的特征值

且

构建一个判别平面是否为条带状的指标t₁和t₂：

其中，t₁和t₂分别表示

和

的方差贡献；

条带状平面仅有一个主方向，即t₁应尽可能大，t₂应尽可能小；

依次对平面

进行判断：

当t₁≥T₁且t₂≤T₂时(T₁与T₂为经验值，T₁＝0.75，T₂＝0.1)，初始平面

为杆状物的候选平面；反之，将初始平面

从P_candidate的队列中剔除；

步骤2.1.3，依次计算初始平面

在XOY平面上的投影宽度

其中，x_max，x_min和y_max，y_min分别代表当前平面在x方向和y方向上的极值，若投影宽度w在一定范围内，则认为初始平面

为杆状物的候选平面；反之将初始平面

从P_candidate的队列中剔除；

步骤2.2，利用平面孤立性检测进一步对初始平面进行选择过滤；

在初始平面

周围构建缓冲区，并判断缓冲区中的噪声点数是否在容忍范围内；

步骤2.2.1，对步骤1中所述体素V_k可通过其位置坐标(c_k，r_k，h_k)得到它的邻近体素，从而构建体素间的相邻关系。

步骤2.2.2，初始平面

由多个体素构成，根据平面内体素的坐标可获得平面边缘体素

对于任意

根据步骤2.2.1中的相邻关系，可获得其水平面上的8邻近体素

如图2(a)所示；

为初始平面

的缓冲区域，若

不属于初始平面

且不与

中任意元素重复，则

步骤2.2.3，计算缓冲区域中噪声点的数量；

累积

中的每一个体素中的点云数量，记为噪声点的数量

若

则认为平面

满足杆状物独立性要求，即认为该平面为杆状物候选平面；反之，将平面

从P_candidate的队列中剔除；

步骤3，基于竖直方向上区域增长算法实现杆状物缺失部分的提取；同时通过竖直方向上合并算法使得同一根杆状物能够被尽可能少的候选平面所表示；最终过滤删除候选平面中高度不满足杆状物的候选平面；

步骤3具体实现方法如下：

步骤3.1，基于竖直方向上区域增长算法实现杆状物缺失部分的提取，具体实现子步骤如下：

步骤3.1.1，步骤2.2.2中，可获得平面

的边缘体素

对于任意

根据步骤2.2.1中的相邻关系，可获得其竖直方向上的邻近体素

如图2(b)所示，并分别根据体素的索引值获得邻近体素中的点云数量为

步骤3.1.2，计算平面

的单位体素平均密度d_voxel，即：

其中，

表示平面

中点云的总数量，s_voxel表示平面

中体素的数量。

步骤3.1.3，以任意平面

为种子点，判断其邻近体素

是否满足增长条件，若

且

(

为经验值，可取

)，认为邻近体素

与当前平面P_i的单位体素平均密度近似，满足增长条件，将邻近体素

增长至平面

中，直至P_candidate中的每一个平面都完成增长后停止；

步骤3.2，同时通过竖直方向上合并算法使得同一根杆状物能够被尽可能少的候选平面所表示，具体实现子步骤如下：

步骤3.2.1，计算平面

的大小，即根据平面

中每个体素的索引，索取体素中点的数量并累加，

表示平面

中点的总数量。

步骤3.2.2，按照从大到小的顺序对平面进行合并，例如，P_first，P_second∈P_candidate，且分别为候选平面中点云数量最大和第二大的两个平面。n_first和n_second分别为P_first和P_second的法向量，计算n_first和n_second之间的夹角θ_{<first，second}>。

步骤3.2.3，计算P_first，P_second分别投影至XOY平面时的投影中心c_first(x_cf，y_cf)和c_second(x_cs，y_cs)，并计算两个投影中间之间的距离d_c；

同理可得x_cs，y_cs；

其中k∈[1，m]为P_first中点云数量。

步骤3.2.4，若θ_{<first，second>}≤θ_τ(θ_τ为经验值，可取θ_τ＝10°)，且d_c≤v_l(v_l为体素边长)，则合并P_first和P_second，并更新合并后得到新平面的参数；

步骤3.2.5，重复步骤3.2.2，直至所有候选平面都被遍历之后停止，更新后的平面仍为杆状物的候选平面P_pole；

步骤3.3，过滤删除P_pole中候选平面最低点到地面高度不满足杆状物的候选平面；

该步骤根据具体应用场景，设置高度阈值H_τ，对于P_p∈P_pole，且p∈[1，m]，若P_p的最低点到地面高度即平面P_p中所有点z方向上的最小值z_min，满足z_min≤H_τ，平面P_p即为最终杆状物的提取结果。

本方法的有效性可通过以下三个评价指标进行验证，评价指标的计算方式如下公式所示：

其中，C_p为提取完整性，C_r为提取正确性，Q_l为提取质量，TP表示正确提取的杆状物数量，即从原始数据中提取出正确杆状物的数量；FP表示错误提取的杆状物数量，即实验结果中显示为杆状物但在原始数据中的表现形式不为杆状物的数量；FN表示漏检杆状物数量，即在原始数据中表现形式为杆状物，但实验结果中并没有提取出来的数量。

本方法的有效性分别在一个网络公开和两个自采集的车载激光点云数据集上得到验证，其平均完整性C_p、平均提取正确性C_r以及平均提取质量Q_l分别可达到87.66％、88.81％以及79.03％，能够满足当前车载点云杆状物提取的实际需求。如图3所示，(a)为网络公开数据集的原始输入点云数据，(b)为提取结果，和原始数据对比可以发现本方法无论是在数值上还是在视觉上都具有较高的高鲁棒性和较高的准确率。

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 (9)

1.一种基于平面选择的车载点云杆状物提取方法，其特征在于，包括以下步骤：

步骤1，根据八叉树分裂的思想将无序列点云根据空间位置迭代地划分为不同尺度的点集，并从中选择出具有平面性的平面片作为初始平面；

步骤2，利用局部几何特征以及平面孤立性检测对初始平面进行选择过滤得到杆状物的候选平面；

步骤3，基于竖直方向上区域增长算法实现杆状物缺失部分的提取；同时通过竖直方向上合并算法使得同一根杆状物能够被尽可能少的候选平面所表示；最终过滤删除候选平面中高度不满足杆状物的候选平面。

2.根据权利要求1所述的基于平面选择的车载点云杆状物提取方法，其特征在于：所述步骤1具体为：

步骤1.1，依次将无序列点云根据空间位置迭代地划分到各个体素内，并标记体素为：

V_k＝{(c_k，r_k，h_k)，index_k，num_k},k∈[1，m]，m＞1

其中，(c_k，r_k，h_k)表示体素坐标，且c_k，r_k，h_k均为整数，index_k为体素索引值，num_k表示体素中点的数量，且后续所有操作都以体素为基本单位；

步骤1.2，根据步骤1.1中所生成的所有体素的位置坐标极值点(c_max，r_max，h_max)和(c_min，r_min，h_min)确定体素坐标值的范围，构建能够包含所有体素的最小长方体的顶点位置坐标(c_max，r_max，h_max),(c_max，r_max，h_min)，(c_max，r_min，h_max)，(c_max，r_min，h_min)，(c_min，r_max，h_max)，(c_min，r_max，h_min)，(c_min，r_min，h_max)，(c_min，r_min，h_min)；

步骤1.3，将长方体切分成若干个为M×M×M(M＝2^m)的立方体，记为B_i为第i个立方体，其中m≥1，就可以得到立方体的集合B＝[B_i]，i∈[1，m]；

步骤1.4，将被同一立方体即B_i包围的体素中的点集使用主成分分析法计算该点集的参数，包括第i个立方体的法向量即

第i个立方体的中心点即

第i个立方体的特征值即

判断点集B_i是否具有平面性，保存具有平面性的点集为初始平面P_rough；

步骤1.5，判断点集B_i是否具有平面性，即将d_max与给定的阈值T_d进行比较；

若d_max<T_d，则面

具有平面性，将点集B_i添加到初始平面P_rough中；

若d_max>T_d，且该点集B_i中体素数量大于1，则将B_i继续向下分裂为8个大小相等的子正方体，并对每一个子正方体进行步骤1.4计算；

步骤1.6，对于每一个B_i重复步骤1.4和步骤1.5，直到正方体B_i中体素的数量为1时停止进一步划分，如果此时正方体内点集仍然不具有平面性，则跳过这些点，对下一个正方体内的点进行计算，直到将空间内所有正方体都完成计算；

步骤1.7，根据步骤1.4重新计算P_rough内所有初始平面的参数，包括法向量为

中心点为

特征值为

3.根据权利要求2所述的基于平面选择的车载点云杆状物提取方法，其特征在于：所述步骤1.4具体如下：

步骤1.4.1，设点集B_i中的点

即

构建协方差矩阵∑：

其中，

式中，∑代表3×3的协方差矩阵，K是点集B_i中包含点的个数，

是B_i中所有点的平均值；

步骤1.4.2，计算协方差矩阵∑的特征值和特征向量；

首先构成特征值方程：

λV＝∑V

对该方程进行奇异值分解(SVD分解)可以得到三个特征值和与之对应的三个特征向量，也称为主成分；

将这三个特征值从大到小排列：

与之对应的三个特征向量依次记为

和

前两个主成分

和

相互正交，构成了B_i的最佳拟合三维面，第三个主成分

与前两个主成分正交，用来作为B_i的法向量

步骤1.4.3，对于每一个点集B_i，根据步骤1.4.1和步骤中1.4.2得到的参数，采用最小二乘的方法将这些点拟合为一个面

并计算点集内每个点

到面

的距离

同时求得最大距离d_max。

4.根据权利要求1所述的基于平面选择的车载点云杆状物提取方法，其特征在于：所述步骤2进行选择过滤得到杆状物的候选平面具体包括以下子步骤：

步骤2.1，利用局部几何特征对初始平面进行选择过滤；

步骤2.2，利用平面孤立性检测进一步对初始平面进行选择过滤，即在初始平面

周围构建缓冲区，并判断缓冲区中的噪声点数是否在容忍范围内；

将初始平面即P_rough都作为杆状物的候选平面即P_candidate,并依次判断初始平面

是否满足平面法向量垂直于地面，且该平面呈条带状。

5.根据权利要求4所述的基于平面选择的车载点云杆状物提取方法，其特征在于：所述步骤2.1具体包以下步骤：

步骤2.1.1，依次计算平面

的法向量计算平面法向量与z轴之间的夹角θ(0°≤θ≤90°)；若60°≤θ≤90°,则认为平面

近似垂直于地面，反之，将平面

平面从P_candidate的队列中剔除；

步骤2.1.2，特征值在一定程度上可以表示点集维度上的信息，根据步骤1.7可以得到初始平面

的特征值

且

构建一个判别平面是否为条带状的指标t₁和t₂：

其中，t₁和t₂分别表示

和

的方差贡献；

条带状平面仅有一个主方向，即t₁应尽可能大，t₂应尽可能小；

依次对平面

进行判断：

当t₁≥T₁且t₂≤T₂时(T₁与T₂为经验值),初始平面

为杆状物的候选平面；反之，将初始平面

从P_candidate的队列中剔除；

步骤2.1.3，依次计算初始平面

在XOY平面上的投影宽度

其中，x_max，x_min和y_max，y_min分别代表当前平面在x方向和y方向上的极值，若投影宽度w在一定范围内，则认为初始平面

为杆状物的候选平面；反之将初始平面

从P_candidate的队列中剔除。

6.根据权利要求4所述的基于平面选择的车载点云杆状物提取方法，其特征在于：所述步骤2.2具体包以下步骤：

步骤2.2.1，对步骤1中所述体素V_k可通过其位置坐标(c_k，r_k，h_k)得到它的邻近体素，从而构建体素间的相邻关系；

步骤2.2.2，初始平面

由多个体素构成，根据平面内体素的坐标可获得平面边缘体素

对于任意

根据步骤2.2.1中的相邻关系，可获得其水平面上的8邻近体素

为初始平面

的缓冲区域，若

不属于初始平面

且不与

中任意元素重复，则

步骤2.2.3，计算缓冲区域中噪声点的数量；

累积

中的每一个体素中的点云数量，记为噪声点的数量

若

则认为平面

满足杆状物独立性要求，即认为该平面为杆状物候选平面；反之，将平面

从P_candidate的队列中剔除。

7.根据权利要求1所述的基于平面选择的车载点云杆状物提取方法，其特征在于：

所述步骤3具体实现方法如下：

步骤3.1，基于竖直方向上区域增长算法实现杆状物缺失部分的提取，具体实现子步骤如下：

步骤3.2，同时通过竖直方向上合并算法使得同一根杆状物能够被尽可能少的候选平面所表示；

步骤3.3，过滤删除P_pole中候选平面最低点到地面的高度不满足杆状物的候选平面；

该步骤根据具体应用场景，设置高度阈值H_τ，对于P_p∈P_pole，且p∈[1，m]，若P_p到地面的高度即平面P_p中所有点z方向上的最小值z_min，满足z_min≤H_τ，平面P_p即为最终杆状物的提取结果。

8.根据权利要求7所述的基于平面选择的车载点云杆状物提取方法，其特征在于：

所述步骤3.1具体如下：

步骤3.1.1，通过步骤2获得平面

的边缘体素

对于任意

根据步骤2中的相邻关系，可获得其竖直方向上的邻近体素

并分别根据体素的索引值获得邻近体素中的点云数量为

步骤3.1.2，计算平面

的单位体素平均密度d_voxel，即：

其中，

表示平面

中点云的总数量，s_voxel表示平面

中体素的数量；

步骤3.1.3，以任意平面

为种子点，判断其邻近体素

是否满足增长条件，若

且

(

为经验值),认为邻近体素

与当前平面P_i的单位体素平均密度近似，满足增长条件，将邻近体素

增长至平面

中，直至P_candidate中的每一个平面都完成增长后停止。

9.根据权利要求7所述的基于平面选择的车载点云杆状物提取方法，其特征在于：

所述步骤3.2具体如下：

步骤3.2.1，计算平面

的大小，即根据平面

中每个体素的索引，索取体素中点的数量并累加，

表示平面

中点的总数量；

步骤3.2.2，按照从大到小的顺序对平面进行合并，例如，P_first，P_second∈P_csndidate，且分别为候选平面中点云数量最大和第二大的两个平面；n_first和n_second分别为P_first和P_second的法向量，计算n_first和n_second之间的夹角θ_{<first，second>}；

步骤3.2.3，计算P_first，P_second分别投影至XOY平面时的投影中心c_first(x_cf，y_cf)和c_second(x_cs，y_cs)，并计算两个投影中间之间的距离d_c；

同理可得x_cs，y_cs；

其中k∈[1，m]为P_first中点云数量；

步骤3.2.4，若θ_{<first，second＞}≤θ_τ(θ_τ为经验值)，且d_c≤v_l(v_l为体素边长),则合并P_first和P_second，并更新合并后得到新平面的参数；

步骤3.2.5，重复步骤3.2.2，直至所有候选平面都被遍历之后停止，更新后的平面仍为杆状物的候选平面P_pole。

Images