CN112200248B - 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质 - Google Patents

一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质 Download PDF

Info

Publication number
CN112200248B
CN112200248B CN202011089191.5A CN202011089191A CN112200248B CN 112200248 B CN112200248 B CN 112200248B CN 202011089191 A CN202011089191 A CN 202011089191A CN 112200248 B CN112200248 B CN 112200248B
Authority
CN
China
Prior art keywords
points
point cloud
point
semantic segmentation
ground
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
Application number
CN202011089191.5A
Other languages
English (en)
Other versions
CN112200248A (zh
Inventor
曹杰
郝群
苏云征
闫雷
唐鸣元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202011089191.5A priority Critical patent/CN112200248B/zh
Publication of CN112200248A publication Critical patent/CN112200248A/zh
Application granted granted Critical
Publication of CN112200248B publication Critical patent/CN112200248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法、系统及存储介质，对点云数据使用基于迭代的方法进行地面分割，利用DBSCAN对去除地面后的点云数据进行聚类，并对聚类后的cluster进行筛选，对感兴趣的cluster计算其重心在水平面上的投影分布，并根据其分布对cluster进行合并，通过计算合并后cluster的特征进行分类，以实现对原始数据进行逐点的语义分割。本发明具有所需计算资源小、计算效率高、可解释性强、分割精度高的特点，适用于具有城市道路环境下的点云语义分割。

Description

一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法、系统及存储介质
技术领域
本发明涉及城市道路环境分析领域，尤其涉及一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法及系统。
背景技术
随着立体匹配算法和3D传感器的发展，点云数据变得越来越容易获取。高质量的点云数据是连接虚拟世界和现实世界之间的桥梁。通过对点云数据的处理，可以更好的感知环境信息。其中语义更是可以丰富通过点云传达的信息。这对于智慧城市、无人驾驶、机器人等研究方向都有着重大意义。
目前的点云语义分割方法主要可以分为两大类：基于非监督学习的方法和基于监督学习的方法。基于非监督学习的语义分割方法原理是先分割，再对分割块进行标注。分割方法包含基于模型的分割、基于边缘的分割和基于生长的分割。然而，基于分割的方案容易受分割参数的影响，造成过分割和欠分割问题，对后续的点云标注带来困难。基于非监督学习的语义分割方案计算简单，不需要昂贵的计算资源，但是其依赖于初始的点云分割质量，对于欠分割和过分割现象会影响最终的语义分割效果。
随着计算机计算能力的不断提高和深度学习技术快速发展，基于监督学习的方法逐渐从传统机器学习过渡到深度神经网络学习方法。已经发展出了包含MVCNN、3DCNN和DGCNN(Dynamic Graph CNN)等具有代表性的网络模型，并取得了较好的分割效果。基于监督学习的语义分割方案，计算复杂，所需计算资源庞大，需要大量的数据进行训练，模型的可解释性差。
公开号CN 110827398A公开了一种基于深度神经网络的室内三维点云自动语义分割算法，主要基于待处理室内场景点云数据建立室内三维点云数据集，将室内三维点云数据集输入深度神经网络，获取局部特征和全局特征，融合并输出，得到语义分割点云，有效增加深度神经网络对局部特征的学习提取能力，提高分割精度。公开号CN 108256424 A本发明公开一种基于深度学习的高分辨率遥感图像道路提取方法，通过卫星或航拍器获取遥感图像，建立深度学习模型，标注部分遥感图像并得到矢量路网，在遥感图像以及矢量路网上采集道路以及背景样本，采用深度学习模型对所述道路以及背景样本进行训练，用训练得到的深度学习网络对所述遥感图像中像素进行分类并得到二值图像，将二值图像中识别出的像素值进行标识，能够提高分类精度，从而识别地物信息。
发明内容
本发明公开的一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法、系统，要解决的技术问题是提供一种三维点云的语义分割方法，基于对DBSCAN聚类后的cluster进行合并、特征提取实现对城市道路环境下的点云语义分割。且所述的语义分割方法具有计算效率高、计算资源占用少、可解释性高、分割精度高等优点。
本发明的目的是通过下述技术方案实现的：
一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法，包括如下步骤：
S1、对输入的点云数据进行地面分割；
S2、对地物点聚类；
S3、对聚类后的点云数据进行点云语义分割；
S4、对语义分割结果进行插值优化。
本发明还提供一种基于DBSCAN聚类的城市道路环境下的点云语义分割系统，包括以下模块：
第一模块，对点云数据使用基于迭代的方法进行地面分割，包括以下单元：
第一单元，用于读取点云数据，并按照高度值排序；
第二单元，用于选择临时种子点,对除掉临时种子点之外的点云数据构建kd-tree，对种子点进一步优化筛选；
第三单元，用于将筛选出的种子点设置为地面点的初值，使用筛选出的种子点进行平面估计，构建新的地面点；
第四单元，用于对新的地面点进行平面估计，对这个过程迭代I次；
第二模块，用于对去除地面后的点云数据进行DBSCAN聚类，包括以下单元：
第五单元，用于对经过S1地面分割后的非地面点，使用DBSCAN进行聚类分割，将满足聚类条件的点分为同一类；
第六单元，用于对将密度低于密度阈值的点邻域点归类为Noise，对非Noise点构建kd-tree；
第七单元，用于对每一个Noise点进行KNN插值优化，将其邻域内数量最多的类别作为当前Noise点的类别；
第三模块，用于对聚类后的点云数据进行语义分割，包括以下单元：
第八单元，用于对聚类后的点云数据进行特征提取，实现cluster的合并；
第九单元，用于对合并后的cluster进行特征提取，对cluster进行分类；
第四模块，用于对语义分割结果进行插值优化；
第五模块，用于定性分析所提方法的语义分割效果；
第六模块，用于定量分析所提方法的语义分割精度。
本发明至少包括以下有益效果：
1、本发明公开的一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法及系统，通过改进后的基于迭代的地面分割方法，可以快速准确地完成城市道路环境下的地面分割；
2、本发明公开的一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法及系统，使用KNN算法将低密度的点归类到其邻域内数量最多的类别，减少了后续处理的数据量，丰富了物体的特征，提高了算法的效率和分类精度；
3、本发明公开的一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法及系统，将点的特征和簇的特征进行组合，增强了不同物体特征向量之间的差异性和分类算法的鲁棒性，对分割结果构建kd-tree进行插值检索，提高了运算效率。
附图说明
图1为本发明的一种基于改进的DBSCAN聚类的城市道路环境下的点云语义分割方法的流程图；
图2为本发明的一种基于改进的DBSCAN聚类的城市道路环境下的点云语义分割方法地面分割可视化图；
图3为本发明的一种基于改进的DBSCAN聚类的城市道路环境下的点云语义分割方法改进的DBSCAN聚类可视化图；
图4为本发明的一种基于改进的DBSCAN聚类的城市道路环境下的点云语义分割方法点云簇及其重心投影点分布图；
图5为本发明的一种基于改进的DBSCAN聚类的城市道路环境下的点云语义分割方法基于合并后的点云簇使用所提的高维特征向量的分类可视化图；
图6为本发明的一种基于改进的DBSCAN聚类的城市道路环境下的点云语义分割方法使用KNN进行插值优化后的分类可视化图；
图7为本发明的一种基于改进的DBSCAN聚类的城市道路环境下的点云语义分割方法最终的优化结果可视化图。
具体实施方式：
为了更好的说明本发明的目的和优点，下面结合附图和实例对本发明做进一步的说明。
如图1-7所示，一种基于改进的DBSCAN聚类的城市道路环境下的点云语义分割方法，选择某城市道路环境的点云数据作为输入数据，点云的数据范围为x轴：102.144m，y轴：109.284m，z轴29.528m。
步骤一：对读入的点云数据根据高度阈值选择种子点，迭代地对地面进行分割。
对读取的点云数据按照高度值排序，选择最低的K＝20个点，将最低的K＝20个点的平均高度设置为H，对于点云中所有的点Pk，如果满足：
PK.z＜H+Thseeds\*MERGEFORMAT  (14)
则将Pk记为临时种子点，加入到临时的种子点队列中，其中Thseed＝0.2。对除掉临时种子点之外的点云数据构建kd-tree，对种子点进行K＝20近邻查询，其邻域点集合记为
Figure BDA0002721497530000051
邻域点数量记为
Figure BDA0002721497530000052
计算其邻域内的法向量差异DONΔn，DON(DifferenceOfNormal)的计算公式如下：
Figure BDA0002721497530000053
其中，P代表要计算DON的点，rs,rl分别代表P点不同尺度的邻域半径，n(P,rs)、n(P,rl)分别代表P处点在其不同邻域内估计出的法线，其中n(P,*)的求取是通过对P点邻域进行PCA得到的，解下面的最优化问题，即可以得到法向量：
Figure BDA0002721497530000054
其中，n表示法向量，
Figure BDA0002721497530000055
表示点P其邻域点组成的协方差矩阵。
根据计算点PK的邻域点数量
Figure BDA0002721497530000056
和邻域法向量差异ΔnK，来判断PK是否可以作为种子点拟合平面：
Figure BDA0002721497530000061
其中DON阈值ThDON＝0.3，Thdensity＝20。
将筛选出的种子点设置为地面点的初值，使用筛选出的种子点进行平面估计：
ax+by+cz+d＝0\*MERGEFORMAT  (18)
其中该平面的法向量n＝[a,b,c]T，通过对种子点使用PCA得到：
Figure BDA0002721497530000062
该最优化问题的解即为平面的法向量n＝[a,b,c]T，对种子点计算重心，假设平面过重心，那么：
Figure BDA0002721497530000063
遍历所有的点Pi，如果满足：
[Pi.x Pi.y Pi.z]·n+d≤Thdist\*MERGEFORMAT  (21)
那么将其视为新的地面点，其中距离阈值Thdist＝0.3；对新的地面点进行平面估计，对这个过程迭代三次，地面分割效果如图2所示，深色为非地面，浅色为地面点。
步骤二：对去除地面后的点云数据进行DBSCAN聚类，使用KNN对聚类结果进行优化。
对经过步骤一后的非地面点，使用DBSCAN进行聚类分割，将满足聚类条件的点分为同一类。
DBSCAN是一种基于密度生长的聚类算法，对点云中的任一点Pi，在一个固定的半径r＝0.5内检索其邻域点的集合
Figure BDA0002721497530000064
记邻域点的数量为
Figure BDA0002721497530000065
如果一个点的半径为r的邻域点数量满足：
Figure BDA0002721497530000071
其中ThNearDensity＝5那么将其记为核心点，且将其邻域点集合Pi r中的点加入种子点集合。遍历所有种子点，直到种子点集合为空。
对于DBSCAN聚类后的点云数据，因为一些点邻域点的密度低于密度阈值，会将这些点归类为Noise，对非Noise点构建kd-tree，对每一个Noise点进行KNN插值优化，将其邻域内数量最多的类别作为当前Noise点的类别，聚类效果如图3所示，不同的深浅程度代表不同的cluster。
步骤三：对聚类后的点云数据进行特征提取，实现cluster的合并。
对于聚类后的cluster，首先统计每一个cluster的点的数量clsuteri.Num，通过设置cluster的点数阈值ThNum，提取出除去建筑物之外的地物：
Figure BDA0002721497530000072
其中，ThLNum＝5000，ThSNum＝50。
对于上述筛选出的Interest的点云cluster，通过计算cluster在x方向、y方向上，z方向上的跨度dx,dy,dz，cluster的重心Pgravity，通过阈值将Interest的cluster分类为树冠和行道树、树干和杆、车、其他：
Figure BDA0002721497530000073
其中，Th1＝19.5，Th2＝25，
Figure BDA0002721497530000074
将所有的cluster重心投影到水平面上，对除掉杆和树干后剩余的cluster的重心投影点构建kd-tree，对杆和树干cluster重心点在二维平面上进行K近邻检索，对检索到的最近的重心投影点，如果满足下式：
||Pquerry-Pnearst||2＜Thnearst&|Pquerry.x-Pnearst.x|＜Thnearst_x\*MERGEFORMAT  (25)
其中，Thnearst＝2，Thnearst_x＝1.5。
则将查询点对应的cluster和邻域点对应的cluster进行合并，合并后的cluster以及其重心投影如图4所示，深色点云为感兴趣的cluster，浅色的散点为cluster的重心在xy平面上的投影。
步骤四：对合并后的cluster进行特征提取，对cluster进行分类。
合并后的cluster主要为道路一侧的杆状物和行道树的组合。计算杆和树的上下一定范围内的点云在水平面上投影的最大面积，分别记为Areaabove、Areabelow。
通过下式将杆和行道树区分开来：
Figure BDA0002721497530000081
其中，上下部分的面积差阈值ThAreaDiff＝1.5。初步的分类效果如图5所示，不同深浅程度的cluster代表不同的类别，相同深浅程度的点云代表相同的类别。
步骤五：对初步的语义分割结果使用KNN进行插值优化。
对上述分类好的点在三维空间构建kd-tree，对根据数量阈值设置为Noise的点在kd-tree中检索K个最近邻域点，将K＝20个邻域点中点数量最多的类别赋值给Noise点。优化效果如图6所示，不同的深浅程度为不同的类别，相同的深浅程度代表相同的类别。
步骤六：定性分析所提方法的语义分割效果。
语义分割效果如图7所示，左侧为所提方法语义分割效果，右侧为真值，相同的深浅程度代表相同的类别。
步骤七：定量分析所提方法的语义分割精度。
对初始点云数据使用所提方法，对数据按照建筑物、行道树、车、杆、其他和地面的语义进行分割，通过以下两个公式计算准确度和召回率：
Figure BDA0002721497530000091
Figure BDA0002721497530000092
从而对所提方法的语义分割结果进行定性分析。
表1语义分割精度
Figure BDA0002721497530000093
本发明还提供一种基于DBSCAN聚类的城市道路环境下的点云语义分割系统，包括以下模块：
第一模块，对点云数据使用基于迭代的方法进行地面分割，包括以下单元：
第一单元，用于读取点云数据，并按照高度值排序；
第二单元，用于选择临时种子点,对除掉临时种子点之外的点云数据构建kd-tree，对种子点进一步优化筛选；
第三单元，用于将筛选出的种子点设置为地面点的初值，使用筛选出的种子点进行平面估计，构建新的地面点；
第四单元，用于对新的地面点进行平面估计，对这个过程迭代I次；
第二模块，用于对去除地面后的点云数据进行DBSCAN聚类，包括以下单元：
第五单元，用于对经过S1地面分割后的非地面点，使用DBSCAN进行聚类分割，将满足聚类条件的点分为同一类；
第六单元，用于对将密度低于密度阈值的点邻域点归类为Noise，对非Noise点构建kd-tree；
第七单元，用于对每一个Noise点进行KNN插值优化，将其邻域内数量最多的类别作为当前Noise点的类别；
第三模块，用于对聚类后的点云数据进行语义分割，包括以下单元：
第八单元，用于对聚类后的点云数据进行特征提取，实现cluster的合并；
第九单元，用于对合并后的cluster进行特征提取，对cluster进行分类；
第四模块，用于对语义分割结果进行插值优化；
第五模块，用于定性分析所提方法的语义分割效果；
第六模块，用于定量分析所提方法的语义分割精度。
上述系统可执行的指令通过存储介质进行存储，该指令用于系统包括的处理器执行时用实现基于DBSCAN聚类的城市道路环境下的点云语义分割方法。
以上具体描述，为对本发明的目的、技术方案和有益效果进行进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法，其特征在于，包括如下步骤：
S1、对输入的点云数据进行地面分割；
S2、对地物点聚类；
S3、对聚类后的点云数据进行点云语义分割；
S4、对语义分割结果进行插值优化；
其中，S2中，对去除地面后的点云数据进行DBSCAN聚类，具体包括如下步骤：
S21、对经过S1地面分割后的非地面点，使用DBSCAN进行聚类分割，将满足聚类条件的点分为同一类，对点云中的任一点Pi，在一个固定的半径r＝0.5内检索其邻域点的集合Pi r，记邻域点的数量为
Figure FDA0004173802990000011
如果一个点的半径为r的邻域点数量满足：
Figure FDA0004173802990000012
其中，ThNearDensity＝5，那么将其记为核心点，且将其邻域点集合Pi r中的点加入种子点集合，遍历所有种子点，直到种子点集合为空；对于DBSCAN聚类后的点云数据，因为一些点邻域点的密度低于密度阈值，会将这些点归类为Noise，对非Noise点构建kd-tree，对每一个Noise点进行KNN插值优化，将其邻域内数量最多的类别作为当前Noise点的类别；
其中，S3中，对聚类后的点云数据进行语义分割，具体包括如下步骤：
S31、对聚类后的点云数据进行特征提取，实现cluster的合并，对于聚类后的cluster，首先统计每一个cluster的点的数量clsuteri.Num，通过设置cluster的点数阈值ThNum，提取出除去建筑物之外的地物：
Figure FDA0004173802990000013
其中，ThLNum＝5000，ThSNum＝50；对于上述筛选出的Interest的点云cluster，通过计算cluster在x方向、y方向上，z方向上的跨度dx,dy,dz，cluster的重心Pgravity，通过阈值将Interest的cluster分类为树冠和行道树、树干和杆、车、其它：
Figure FDA0004173802990000021
其中，Th1＝19.5，Th2＝25，
Figure FDA0004173802990000022
其中，trees，crowns表示树冠和行道树，poles表示杆，cars表示车，trunks表示树干，others表示其它；将所有的cluster重心投影到水平面上，对除掉杆和树干后剩余的cluster的重心投影点构建kd-tree，对杆和树干cluster重心点在二维平面上进行K近邻检索，对检索到的最近的重心投影点，如果满足下式：
||Pquerry-Pnearst||2＜Thnearst&|Pquerry.x-Pnearst.x|＜Thnearst_x               (25)
其中，Thnearst＝2，Thnearst_x＝1.5，则将查询点对应的cluster和邻域点对应的cluster进行合并；
S32、对合并后的cluster进行特征提取，对cluster进行分类；合并后的cluster主要为道路一侧的杆状物和行道树的组合；计算杆和树的上下点云在水平面上投影的最大面积，分别记为Areaabove、Areabelow；通过下式将杆和行道树区分开来：
Figure FDA0004173802990000023
其中，上下部分的面积差阈值ThAreaDiff＝1.5；
其中，S4中，对初步的语义分割结果使用KNN进行插值优化，对上述分类好的点在三维空间构建kd-tree，对根据数量阈值设置为Noise的点在kd-tree中检索K个最近邻域点，将K＝20个邻域点中点数量最多的类别赋值给Noise点。
2.根据权利要求1所述的一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法，其特征在于，S1中，对点云数据使用基于迭代的方法进行地面分割，具体包括如下步骤：
S11、对读取的点云数据按照高度值排序；
S12、选择临时种子点,对除掉临时种子点之外的点云数据构建kd-tree，对种子点进一步优化筛选；
S13、将筛选出的种子点设置为地面点的初值，使用筛选出的种子点进行平面估计，构建新的地面点；
S14、对新的地面点进行平面估计。
3.根据权利要求2所述的一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法，其特征在于，所述地面分割的方法进行I次迭代。
4.根据权利要求3所述的一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法，其特征在于，所述迭代次数I≧3。
5.根据权利要求1的一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法，其特征在于，对所述分割方法的分析，包括以下步骤：
S5、定性分析所述方法的语义分割效果；
S6、定量分析所述方法的语义分割精度。
6.一种基于DBSCAN聚类的城市道路环境下的点云语义分割系统，应用于如权利要求1-5任一项所述的一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法；其特征在于:包括以下模块：
第一模块，对点云数据使用基于迭代的方法进行地面分割，包括以下单元：
第一单元，用于读取点云数据，并按照高度值排序；
第二单元，用于选择临时种子点,对除掉临时种子点之外的点云数据构建kd-tree，对种子点进一步优化筛选；
第三单元，用于将筛选出的种子点设置为地面点的初值，使用筛选出的种子点进行平面估计，构建新的地面点；
第四单元，用于对新的地面点进行平面估计，对这个过程迭代I次；
第二模块，用于对去除地面后的点云数据进行DBSCAN聚类，包括以下单元：
第五单元，用于对经过S1地面分割后的非地面点，使用DBSCAN进行聚类分割，将满足聚类条件的点分为同一类；
第六单元，用于对将密度低于密度阈值的点邻域点归类为Noise，对非Noise点构建kd-tree；
第七单元，用于对每一个Noise点进行KNN插值优化，将其邻域内数量最多的类别作为当前Noise点的类别；
第三模块，用于对聚类后的点云数据进行语义分割，包括以下单元：
第八单元，用于对聚类后的点云数据进行特征提取，实现cluster的合并；
第九单元，用于对合并后的cluster进行特征提取，对cluster进行分类；
第四模块，用于对语义分割结果进行插值优化；
第五模块，用于定性分析所提方法的语义分割效果；
第六模块，用于定量分析所提方法的语义分割精度。
7.一种存储介质，其中存储有权利要求6所述的系统可执行的指令，其特征在于，所述指令在由权利要求6所述的系统执行时用于实现如权利要求1-5任一项所述的一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法。
CN202011089191.5A 2020-10-13 2020-10-13 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质 Active CN112200248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011089191.5A CN112200248B (zh) 2020-10-13 2020-10-13 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011089191.5A CN112200248B (zh) 2020-10-13 2020-10-13 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN112200248A CN112200248A (zh) 2021-01-08
CN112200248B true CN112200248B (zh) 2023-05-12

Family

ID=74008804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011089191.5A Active CN112200248B (zh) 2020-10-13 2020-10-13 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112200248B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115619963B (zh) * 2022-11-14 2023-06-02 吉奥时空信息技术股份有限公司 一种基于内容感知的城市建筑物实体建模方法
CN115797814B (zh) * 2023-02-13 2023-05-23 广东电网有限责任公司肇庆供电局 基于无人机的输电线路树障隐患实时评估计算方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105957076B (zh) * 2016-04-27 2018-09-21 深圳积木易搭科技技术有限公司 一种基于聚类的点云分割方法及系统
CN110111345B (zh) * 2019-05-14 2023-04-28 西安电子科技大学 一种基于注意力网络的3d点云分割方法
CN111507982B (zh) * 2019-06-28 2022-04-26 浙江大学 一种基于深度学习的点云语义分割方法
CN111489358B (zh) * 2020-03-18 2022-06-14 华中科技大学 一种基于深度学习的三维点云语义分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Exploring Spatial Context for 3D Semantic Segmentation of Point Clouds;Francis Engelmann 等;《2017 IEEE International Conference on Computer Vision Workshops》;全文 *
基于三维激光点云的复杂道路场景杆状交通设施语义分类;汤涌 等;《热带地理》;全文 *

Also Published As

Publication number Publication date
CN112200248A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CN111145174B (zh) 基于图像语义特征进行点云筛选的3d目标检测方法
CN106022381B (zh) 基于车载激光扫描点云的路灯杆自动提取方法
CN111192284B (zh) 一种车载激光点云分割方法及系统
CN107292276B (zh) 一种车载点云聚类方法及系统
CN106951830B (zh) 一种基于先验条件约束的图像场景多对象标记方法
CN112288857A (zh) 一种基于深度学习的机器人语义地图物体识别方法
GB2532948A (en) Objection recognition in a 3D scene
CN110992381A (zh) 一种基于改进Vibe+算法的运动目标背景分割方法
CN111986322B (zh) 一种基于结构分析的点云室内场景布局重建方法
CN110210431B (zh) 一种基于点云语义标注和优化的点云分类方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN112200248B (zh) 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质
CN109034065B (zh) 一种基于点云的室内场景物体提取方法
CN111340881B (zh) 一种动态场景下基于语义分割的直接法视觉定位方法
Sun et al. Classification of MLS point clouds in urban scenes using detrended geometric features from supervoxel-based local contexts
CN113484875B (zh) 一种基于混合高斯排序的激光雷达点云目标分级识别方法
CN114926699A (zh) 一种室内三维点云语义分类方法、装置、介质及终端
Sun et al. Roads and intersections extraction from high‐resolution remote sensing imagery based on tensor voting under big data environment
CN112001293A (zh) 结合多尺度信息和编解码网络的遥感影像地物分类方法
CN114049572A (zh) 识别小目标的检测方法
Tian et al. 3D object recognition method with multiple feature extraction from LiDAR point clouds
Lei et al. Automatic identification of street trees with improved RandLA-Net and accurate calculation of shading area with density-based iterative α-shape
Lin et al. Research on denoising and segmentation algorithm application of pigs’ point cloud based on DBSCAN and PointNet
CN116628531A (zh) 众包地图道路对象要素聚类方法、系统及存储介质
CN113408651B (zh) 基于局部判别性增强的无监督三维物体分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant