CN114399762A - 一种道路场景点云分类方法及存储介质 - Google Patents

一种道路场景点云分类方法及存储介质 Download PDF

Info

Publication number
CN114399762A
CN114399762A CN202210290339.4A CN202210290339A CN114399762A CN 114399762 A CN114399762 A CN 114399762A CN 202210290339 A CN202210290339 A CN 202210290339A CN 114399762 A CN114399762 A CN 114399762A
Authority
CN
China
Prior art keywords
point cloud
road
training
data
segmentation
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.)
Granted
Application number
CN202210290339.4A
Other languages
English (en)
Other versions
CN114399762B (zh
Inventor
刘健飞
陈薪宇
江亮亮
张波
魏新元
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.)
Sichuan Tibet Railway Technology Innovation Center Co ltd
Chengdu Orenda Technology Co ltd
Original Assignee
Sichuan Tibet Railway Technology Innovation Center Co ltd
Chengdu Orenda Technology Co ltd
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 Sichuan Tibet Railway Technology Innovation Center Co ltd, Chengdu Orenda Technology Co ltd filed Critical Sichuan Tibet Railway Technology Innovation Center Co ltd
Priority to CN202210290339.4A priority Critical patent/CN114399762B/zh
Publication of CN114399762A publication Critical patent/CN114399762A/zh
Application granted granted Critical
Publication of CN114399762B publication Critical patent/CN114399762B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及激光雷达数据处理领域，具体涉及一种道路场景点云分类方法及存储介质，方法包括，获取样本数据和道路采集数据，对样本数据初始处理得到训练样本，对道路采集数据进行预处理操作得到分割对象；以数据增强算法对样本数据进行数据增强处理，将进行了数据增强处理的训练样本用于模型训练得到预训练模型，根据训练结果对预训练模型的初始学习率、批大小和学习率衰减参数进行调整；利用预训练模型对步骤1中的分割对象进行分类预测，得到初步分类结果；通过最小割算法对初步分类结果进行粘连对象分割处理得到分割结果，并用预训练模型对分割结果进行精化分类，得到道路场景点云分类结果。本发明对点云数据有效分类，并提升点云分类的精度。

Description

一种道路场景点云分类方法及存储介质
技术领域
本发明涉及激光雷达数据处理领域，具体涉及一种道路场景点云分类方法及存储介质。
背景技术
地理信息是重要的基础性信息资源，是国家信息资源的重要组成部分，广泛应用于经济、社会发展各领域，而地理信息数据的获取与处理是地理信息资源在经济、社会领域应用的基础。为了地理信息数据获取的准确性和全面性，以及提高地理信息数据处理能力，三维激光扫描仪、移动地理信息数据采集系统等高端地面测绘设备应运而生。使用地面测绘设备对地理信息数据进行采集，获得的是大量道路场景点云数据，从道路场景点云数据中准确分类解析出对应的地面场景，关系着地理信息数据获取的完整性和准确性。
目前，针对点云数据进行分类的方法主要是基于深度学习的点云分类方法，基于深度学习的点云分类方法包括基于投影的方法和基于点的方法。
基于投影的方法中，多视投影方法将点云投影为二维图像，不可避免地存在三维信息的丢失，可能降低分类的精度；将点云转化为规则的三维格网结构没有三维信息的损失，但是三维卷积操作的需要较大的显存，计算量大、耗时，对点云进行三维格网化时通常会降低格网的分辨率或使用较浅的神经网络，而降低三维格网的分辨率会减少输入数据的信息，使用较浅的神经网络会限制卷积神经的泛化能力，最终也会降低分类的精度。
基于点的方法将原始点云分割为单个对象，然后用训练好的模型对每个立方体进行预测。这种预处理方式会造成地物对象几何结构的损失，从而降低最终的分类精度。道路场景地物类型多样，且不同地物对象间常存在粘连现象，地物间的粘连情况也会影响模型分类的精确度。
发明内容
本发明意在提供一种道路场景点云分类方法，以解决现有分类方法精度较低的问题。
本方案中的道路场景点云分类方法，包括以下步骤：
步骤1，获取样本数据和道路采集数据，对样本数据依次进行单个点云对象截取、最远点采样和归一化操作得到训练样本，对道路采集数据进行预处理操作得到分割对象；
步骤2，通过数据增强算法对样本数据进行数据增强处理，将进行了数据增强处理的训练样本用于模型训练得到预训练模型，对预训练模型的初始学习率、批大小和学习率衰减参数进行调整；
步骤3，利用预训练模型对步骤1中的分割对象进行分类预测，得到初步分类结果，所述初步分类结果包括低矮植被、非低矮植被和杆状物，所述非低矮植被包括树木、车辆和围栏；
步骤4，通过最小割算法对初步分类结果进行粘连对象分割处理得到分割结果，并用预训练模型对分割结果进行精化分类，得到道路场景点云分类结果。
本方案的有益效果是：
通过将经过多种增强操作处理后的训练样本用于模型训练得到预训练模型，并进行相关参数的调整，增加训练样本的普遍性和随机性，以及增强预训练模型的泛化能力和提升预训练模型的训练轮次；再对由道路采集数据处理和分割后得到的分割对象进行分类预测得到初步分类结果，最后对初步分类结果进行粘连对象分割，并再进行精化分类，得到道路场景点云分类结果，能够对道路场景地物的点云数据进行有效且准确的分类，并提升点云分类的分类精度，以便于在后续自动驾驶、道路检测等的应用时提供准确的道路信息进行指导，无需人工分类，减少工作量。
进一步，所述步骤1中，所述预处理操作包括以下子步骤：
子步骤1.1，先通过预设滤波算法对道路采集数据进行地面点与非地面点的分离；
子步骤1.2，再通过预设聚类算法对非地面点进行聚类，得到在空间上粘连的聚类点云对象；
子步骤1.3，将聚类点云对象投影到XOY平面上并判断投影主方向的投影长度是否大于预设长度，若投影长度大于预设长度，则沿道路前进方向每隔单位距离且不对Z方向设置阈值限制地分割道路两旁的点云数据，得到分割块；
子步骤1.4，使用非粘连对象聚类方法将分割块中过分割和错误分割的聚类点云对象中不相连的部分按照高程分割为两个部分；
子步骤1.5，先判断过分割的聚类点云对象中聚类体的高低，再使用合并还原算法并根据高的对象的三维形态特征或空间分布特征将高的对象还原回对应的位置；
子步骤1.6，判断聚类体的数目，当数目大于1时，迭代性地重复子步骤1.4和子步骤1.5，当聚类的数目为1时，得到分割对象。
有益效果是：通过对道路采集数据进行预处理，便于让数据与训练模型能够训练的数据格式进行统一，提高训练结果的准确性。
进一步，所述子步骤1.4中，对每个对象进行聚类；如果该对象本就是完整的一块，使用非粘连对象聚类方法处理后的聚类数也还是1；如果该对象空间上存在分离的部分，则会根据预设的阈值分为若干部，如果聚类的数目等于1，则不进行操作；如果聚类的数目等于2，则根据其高程值归类为两部分再进行后续回归操作；如果聚类的数目大于2，对聚类出来的所有聚类体
Figure 321791DEST_PATH_IMAGE001
，计算每个聚类体平均高程
Figure 175477DEST_PATH_IMAGE002
；计算聚类体平均高程z的平均值Z；计算每个聚类体平均高程z相较于Z的方差，比较偏离最大的值，将其划分为一类，剩余的划分为一类。
有益效果是：通过对聚类的数目进行判断，并在数目较大时，通过计算方差，再进行对比，根据对比结果划分成类，减少迭代的次数，提高分类效率。
进一步，所述子步骤1.5中，首先判定两个聚类结果在空间上是否为高低分布；如果是则判断两个聚类体的高矮情况；计算高的聚类体在沿道路前进方向上的重心值
Figure 896309DEST_PATH_IMAGE003
和该分割对象在沿道路前进方向上的中心值
Figure 966771DEST_PATH_IMAGE004
；比较
Figure 64040DEST_PATH_IMAGE003
和
Figure 37812DEST_PATH_IMAGE004
的位置关系并判定还原的位置；如果
Figure 804911DEST_PATH_IMAGE005
，则高的聚类体放回到前进方向的位置，反之放回反方向的位置。
有益效果是：根据以中心值进行对比，然后根据对比结果还原位置，提高位置还原的准确性。
进一步，所述步骤2中，所述数据增强处理包括以下子步骤：
子步骤2.1，对样本数据随机使用绕z轴旋转、加高斯噪声、平移、缩放或者随机丢失点算法进行数据增强处理，每完成一次数据增强处理就将样本数据输入预训练模型进行模型训练，通过判定最终训练的验证集精度高低和可训练轮次的大小来判断参数调整后对预训练模型泛化能力的影响；
子步骤2.2，在调节参数后，通过判定最终训练的验证集精度高低和可训练轮次的大小来判断参数调整后对预训练模型泛化能力的影响；
子步骤2.3，通过比较不同参数对预训练模型泛化能力的影响，选取最适合该数据集下的参数组合，对模型进行训练，得到预训练模型。
有益效果是：通过分别在数据增强处理、参数调节和比较不同参数对模型的泛化能力影响后进行相应的判断，得到最后的预训练模型，提高预训练模型的准确性。
进一步，所述步骤4中，还包括以下子步骤：
子步骤4.1，计算低矮植被的平均高度
Figure 723188DEST_PATH_IMAGE006
，对每个初步分类结果为非低矮植被的对象的下半部分截取高度，截取高度为平均高度乘以预设的尺寸系数，截取高度为
Figure 499514DEST_PATH_IMAGE007
，将截取的部分输入预训练模型中进行分类，并判断截取的部分是否为低矮植被，如果为低矮植被，则用最小割对该粘连了低矮植被的截取的部分进行分割分类，分离出粘连的低矮植被，并将非低矮植被部分还原回去；
子步骤4.2，在分割了低矮植被的基础上，对非杆状物对象进行聚类判断，判断聚类的数目，如果聚类的数目大于1，通过预训练模型对聚类结果进行分类判断，返回推理结果为非杆状物对象；否则沿道路方向每隔单位距离对非杆状物对象进行分块，对分块结果进行精化分类，判断是否有杆状物，如果有，用最小割对其进行分割，并用预训练模型对分割的结果进行分类判断。
有益效果是：通过精细化分割优化，能够提高点云分类结果的准确性。
进一步，所述尺寸系数为
Figure 921268DEST_PATH_IMAGE008
。
有益效果是：尺寸系数能够囊括大于平均高度上的点进行分析，保证能分割得到完整的低矮植被。
一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现上述道路场景点云分类方法的步骤。
附图说明
图1为本发明道路场景点云分类方法实施例一的流程框图；
图2为本发明道路场景点云分类方法实施例一中待分类的道路采集数据；
图3为本发明道路场景点云分类方法实施例一中预处理操作后分割对象的结果图；
图4为本发明道路场景点云分类方法实施例一中沿道路方向每隔单位距离的分割结果图；
图5为本发明道路场景点云分类方法实施例一中过分割对象水平中心
Figure 623383DEST_PATH_IMAGE009
与树冠重心点位置关系图；
图6为本发明道路场景点云分类方法实施例一中非粘连对象还原合并示意图；
图7为本发明道路场景点云分类方法实施例一中不同数据增强方法与对应过拟合轮次；
图8为本发明道路场景点云分类方法实施例一中不同初始学习率下的验证集精度；
图9为本发明道路场景点云分类方法实施例一中不同初始学习率对应的过拟合轮次；
图10为本发明道路场景点云分类方法实施例一中批次大小与对应的验证集精度；
图11为本发明道路场景点云分类方法实施例一中批次大小与对应的过拟合轮次；
图12为本发明道路场景点云分类方法实施例一中道路场景点云初步分类的结果；
图13为本发明道路场景点云分类方法实施例一中杆状物与低矮植被分割结果；
图14为本发明道路场景点云分类方法实施例一中杆状物与树木粘连情况分割优化结果；
图15为本发明道路场景点云分类方法实施例一中道路场景点云最终分类结果。
具体实施方式
下面通过具体实施方式进一步详细说明。
实施例一
道路场景点云分类方法，如图1所示，包括以下步骤：
步骤1，获取样本数据和道路采集数据，样本数据通过现有的车载LiDAR系统对武汉光谷三环的道路进行数据采集，道路采集数据通过现有的车载LiDAR系统对武汉光谷四路的道路进行数据采集，道路采集数据如图2所示；对样本数据依次进行单个点云对象截取、最远点采样和归一化操作得到训练样本，对道路采集数据进行预处理操作得到分割对象。
预处理操作包括以下子步骤：
子步骤1.1，先通过预设滤波算法对道路采集数据进行地面点与非地面点的分离，预设滤波算法为现有的布料滤波算法或者地面滤波算法。
子步骤1.2，再通过预设聚类算法对非地面点进行聚类，得到在空间上粘连的聚类点云对象，如图3所示，预设聚类算法为现有BDSCAN算法。
子步骤1.3，将聚类点云对象投影到XOY平面上并判断投影主方向的投影长度是否大于预设长度，以道路场景下常见的私家车进行分类，因为常见的私家车车辆在6米以下，考虑到扫描时存在尺寸上的变形，预设长度设置为8m，若投影长度大于预设长度，则沿道路前进方向每隔单位距离且不对Z方向设置阈值限制地分割道路两旁的点云数据，得到分割块，如图4所示。
子步骤1.4，使用非粘连对象聚类方法将分割块中过分割和错误分割的聚类点云对象中不相连的部分按照高程分割为两个部分，如图5所示，非粘连对象聚类方法为，使用现有DBSCAN聚类方法对滤除了地面点的非地面点进行聚类，得到若干个没有粘连的对象。
在分割时，对每个对象进行聚类，如果该对象本就是完整的一块，使用非粘连对象聚类方法处理后的聚类数也还是1；如果该对象空间上存在分离的部分，则会根据预设的阈值分为若干部分。如果聚类的数目等于1，则不进行操作；如果聚类的数目等于2，则根据其高程值归类为两部分再进行后续回归操作；如果聚类的数目大于2，对聚类出来的所有聚类体
Figure 28956DEST_PATH_IMAGE001
，计算每个聚类体平均高程
Figure 608974DEST_PATH_IMAGE002
；计算聚类体平均高程z的平均值Z；计算每个聚类体平均高程z相较于Z的方差，方差计算公式使用现有公式，比较偏离最大的值，将其划分为一类，剩余的划分为一类。
子步骤1.5，先判断过分割的聚类点云对象中聚类体的高低，再使用合并还原算法并根据高的对象的三维形态特征或空间分布特征将高的对象还原回对应的位置，如图6所示。
在进行还原时，首先判定两个聚类结果在空间上是否为高低分布；如果是则判断两个聚类体的高矮情况；计算高的聚类体在沿道路前进方向上的重心值
Figure 291759DEST_PATH_IMAGE003
和该分割对象在沿道路前进方向上的中心值
Figure 790873DEST_PATH_IMAGE004
；比较
Figure 293530DEST_PATH_IMAGE003
和
Figure 536292DEST_PATH_IMAGE004
的位置关系并判定还原的位置。如果
Figure 306540DEST_PATH_IMAGE005
，则高的聚类体放回到前进方向的位置，反之放回反方向的位置。
子步骤1.6，判断聚类体的数目，当数目大于1时，迭代性地重复子步骤1.4和子步骤1.5，当聚类的数目为1时，得到分割对象。
步骤2，通过数据增强算法对样本数据进行数据增强处理，将进行了数据增强处理的训练样本用于模型训练得到预训练模型，根据训练结果对预训练模型的初始学习率、批大小和学习率衰减参数进行调整，训练结果以分类精确度进行表示，分类精确度可以百分数进行表示，调整初始学习率、批大小和学习率衰减参数是为了提高分类精确度。
具体为以下子步骤。
由于在数据获取时，会出现以下几个问题：扫描瞬间获取的数据在方向、位置远近、尺寸缩放上相对单一，而在现实的城市道路场景中，同一类别的地物目标在上述属性上会呈现不同的特征；另由于激光雷达硬件的精度限制，扫描结果不可避免地会出现噪声，以及现实场景比较复杂，扫描过程中常出现遮挡现象，造成数据缺失。为了使得样本数据更接近现实场景的真实数据，所以选择采用旋转、加高斯噪声、平移、缩放和随机丢失点方法增加样本。
子步骤2.1，对样本数据随机使用绕z轴旋转、加高斯噪声、平移、缩放或者随机丢失点算法进行数据增强处理，每一次数据增强处理可能具有多轮模型训练，每一轮模型训练时随机选取绕z轴旋转、加高斯噪声、平移、缩放和随机丢失点算法对样本进行五种变换训练，每完成一次数据增强处理就将样本数据输入预训练模型进行模型训练，通过判定最终训练的验证集精度高低和可训练轮次的大小来判断参数调整后对预训练模型泛化能力的影响，得到如图7、图9和图11所示的结果。泛化能力是指对未知数据的预测能力。可以通过两个标准量化。第一，验证集精度持续上升且不低于训练集精度；第二，可训练轮次越多，也可以认为泛化能力越好。寻找本数据集下泛化能力最好的模型就是看什么样的参数组合有最高的可训练轮次。分类处理后得到如图8和图10所示的结果。
子步骤2.2，在调节参数后，通过判定最终训练的验证集精度高低和可训练轮次的大小来判断参数调整后对预训练模型泛化能力的影响。
子步骤2.3，通过比较不同参数对预训练模型泛化能力的影响，选取最适合该数据集下的参数组合，对模型进行训练，得到预训练模型。
步骤3，利用预训练模型对步骤1中的分割对象进行分类预测，得到初步分类结果，如图12所示，所述初步分类结果包括低矮植被、非低矮植被和杆状物，所述非低矮植被包括树木、车辆和围栏。
步骤4，通过最小割算法对初步分类结果进行粘连对象分割处理得到分割结果，并用预训练模型对分割结果进行精化分类，得到道路场景点云分类结果，如图15所示。
在精化分类时，包括以下子步骤。
子步骤4.1，先计算低矮植被的平均高度
Figure 976556DEST_PATH_IMAGE010
，对每个初步分类结果为非低矮植被的对象的下半部分截取高度，例如对树木和杆状物等的下半部分按照截取高度进行截取，对非低矮植被的截取高度为平均高度乘以预设的尺寸系数，尺寸系数为
Figure 966508DEST_PATH_IMAGE008
，例如
Figure 747383DEST_PATH_IMAGE011
，截取高度为
Figure 139181DEST_PATH_IMAGE007
，将截取的部分输入预训练模型中进行分类，并判断截取的部分是否为低矮植被，如果为低矮植被，即判断到树木和杆状物等物体的下半部分是粘连了低矮植被，则用最小割对该粘连了低矮植被的截取的部分进行分割分类，如图13所示，用预训练的模型对分割的结果进行分类，分离出粘连的低矮植被和非低矮植被，并将非低矮植被部分还原回去，例如在判断结果为杆状物时，就把作为非低矮植被的杆状物部分数据合并到原来的杆状物上，如图14所示；
子步骤4.2，在分割了低矮植被的基础上，通过BDSCAN算法对非杆状物对象进行聚类判断，判断聚类的数目，如果聚类的数目大于1，通过预训练模型对聚类结果进行分类判断，返回推理结果为非杆状物对象；否则沿道路方向每隔单位距离对非杆状物对象进行分块，单位距离为2m，对分块结果使用基于最小割的精化分类，即先通过预训练模型对分块结果进行分类判断，判断是否有杆状物，如果有，再对分块结果用最小割对其进行分割，最后用预训练模型对分割的结果进行精化分类判断。
本实施例通过将聚类后的点云数据投影成二维图形，然后进行Z方向的分割，得到分割对象，并再对分割对象进行模型训练，不会丢失三维信息，还在训练前过滤掉了部分地面点，降低了计算量，减少点云分类的耗时，保证了点云分类的精度。另外，本实施例对待分类数据先进行了分割，将分割后的数据再输入预训练模型中进行分类，最后还基于最小割的方法进行了精化分类，提高了道路数据分类的精确度，让道路上各项数据的采集更为准确，无需人为进行，节省工作量。
因为道路场景中一些地物存在粘连情况，如杆状物、树木、低矮植被间会互相粘连，初步分类结果中，分为上述三类的地物可能夹杂其他地物点，所以需要对初步分类的结果进行精化（refine），分离出粘连的其他类比的地物点，提升最终的分类精度。
实施例二
道路场景点云分类方法，与实施例一的区别在于，还包括步骤5，识别步骤4中道路两旁点云分类结果的目标类型包括栏杆、低矮行道植物、灯杆、高行道植物，并判断目标类型是否为预设类型，预设类型可以是栏杆或低矮行道植物。
当目标类型为预设类型时，识别目标类型中心处的位置信息，位置信息根据采集得到点云的坐标数据进行识别，判断位置信息是否位于道路的两侧，当位置信息位于道路的两侧时，根据道路两侧目标类型重心处的位置信息计算目标宽度。
将目标宽度与预存的道路宽度作差得到距离差值，道路宽度为道路修建时的理论宽度，将距离差值与阈值进行对比，阈值根据道路两侧边沿处与低矮行道植物的间距之和进行设置，例如30cm，当距离差值小于阈值时，例如目标类型为栏杆时，将位置信息加上第一预设值的计算位置作为道路边界线，第一预设值可以设置10cm，当距离差值大于阈值时，例如目标类型为低矮行道植物或者部分区域的道路产生移位时，再对道路两侧多个目标类型上靠近道路中心一侧的边缘点云计算修正距离，将修正距离与道路宽度进行对比，当修正距离大于道路宽度时，将目标类型边缘处点云的位置信息加上第二预设值后作为道路边界线，所述第二预设值大于第一预设值，当修正距离小于道路宽度时，将目标类型边缘处点云的位置信息作为道路边界线，保证道路边界线位于道路两侧边沿处，避免在诸如自动驾驶道的情况下撞击到路边界线。
本实施例能够在对道路点云进行精化分类之后，准确判断出道路两侧的边界线，从而为自动驾驶提供准确导航，避免自动驾驶车辆在道路上因信息不准确而撞击到道路的边界石或行道植物。并且，本实施例将实际采集到的目标宽度与修建时的道路宽度作差后进行判断，能够在道路产生少量移位后准确界定出边界线，由于道路延伸的长度较大，如果人工进行采集，非常耗时，且道路在少量移位后也难以发现，本实施例还能减少道路边界线判断的工作量。
实施例三
本实施例提供一种存储介质，该存储介质用于存储计算机可执行指令，该计算机可执行指令在被执行时实现实施例一和实施例二中道路场景点云分类方法的步骤。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (8)

1.一种道路场景点云分类方法，其特征在于：包括以下步骤：
步骤1，获取样本数据和道路采集数据，对样本数据依次进行单个点云对象截取、最远点采样和归一化操作得到训练样本，对道路采集数据进行预处理操作得到分割对象；
步骤2，通过数据增强算法对样本数据进行数据增强处理，将进行了数据增强处理的训练样本用于模型训练得到预训练模型，根据训练结果对预训练模型的初始学习率、批大小和学习率衰减参数进行调整；
步骤3，利用预训练模型对步骤1中的分割对象进行分类预测，得到初步分类结果，所述初步分类结果包括低矮植被、非低矮植被和杆状物，所述非低矮植被包括树木、车辆和围栏；
步骤4，通过最小割算法对初步分类结果进行粘连对象分割处理得到分割结果，并用预训练模型对分割结果进行精化分类，得到道路场景点云分类结果。
2.根据权利要求1所述的一种道路场景点云分类方法，其特征在于：所述步骤1中，所述预处理操作包括以下子步骤：
子步骤1.1，先通过预设滤波算法对道路采集数据进行地面点与非地面点的分离；
子步骤1.2，再通过预设聚类算法对非地面点进行聚类，得到在空间上粘连的聚类点云对象；
子步骤1.3，将聚类点云对象投影到XOY平面上并判断投影主方向的投影长度是否大于预设长度，若投影长度大于预设长度，则沿道路前进方向每隔单位距离且不对Z方向设置阈值限制地分割道路两旁的点云数据，得到分割块；
子步骤1.4，使用非粘连对象聚类方法将分割块中过分割和错误分割的聚类点云对象中不相连的部分按照高程分割为两个部分；
子步骤1.5，先判断过分割的聚类点云对象中聚类体的高低，再使用合并还原算法并根据高的对象的三维形态特征或空间分布特征将高的对象还原回对应的位置；
子步骤1.6，判断聚类体的数目，当数目大于1时，迭代性地重复子步骤1.4和子步骤1.5，当聚类的数目为1时，得到分割对象。
3.根据权利要求2所述的道路场景点云分类方法，其特征在于：所述子步骤1.4中，对每个对象进行聚类；如果该对象本就是完整的一块，使用非粘连对象聚类方法处理后的聚类数也还是1；如果该对象空间上存在分离的部分，则会根据预设的阈值分为若干部分，如果聚类的数目等于1，则不进行操作；如果聚类的数目等于2，则根据其高程值归类为两部分再进行后续回归操作；如果聚类的数目大于2，对聚类出来的所有聚类体
Figure 918100DEST_PATH_IMAGE001
，计算每个聚类体平均高程
Figure 152772DEST_PATH_IMAGE002
；计算聚类体平均高程z的平均值Z；计算每个聚类体平均高程z相较于Z的方差，比较偏离最大的值，将其划分为一类，剩余的划分为一类。
4.根据权利要求3所述的道路场景点云分类方法，其特征在于：所述子步骤1.5中，首先判定两个聚类结果在空间上是否为高低分布；如果是则判断两个聚类体的高矮情况；计算高的聚类体在沿道路前进方向上的重心值
Figure 212869DEST_PATH_IMAGE003
和该分割对象在沿道路前进方向上的中心值
Figure 482177DEST_PATH_IMAGE004
；比较
Figure 736572DEST_PATH_IMAGE003
和
Figure 192961DEST_PATH_IMAGE004
的位置关系并判定还原的位置；如果
Figure 823793DEST_PATH_IMAGE005
，则高的聚类体放回到前进方向的位置，反之放回反方向的位置。
5.根据权利要求4所述的道路场景点云分类方法，其特征在于：所述步骤2中，所述数据增强处理包括以下子步骤：
子步骤2.1，对样本数据随机使用绕z轴旋转、加高斯噪声、平移、缩放或者随机丢失点算法进行数据增强处理，每完成一次数据增强处理就将样本数据输入预训练模型进行模型训练，通过判定最终训练的验证集精度高低和可训练轮次的大小来判断参数调整后对预训练模型泛化能力的影响；
子步骤2.2，在调节参数后，通过判定最终训练的验证集精度高低和可训练轮次的大小来判断参数调整后对预训练模型泛化能力的影响；
子步骤2.3，通过比较不同参数对预训练模型泛化能力的影响，选取最适合该数据集下的参数组合，对模型进行训练，得到预训练模型。
6.根据权利要求5所述的道路场景点云分类方法，其特征在于：所述步骤4中，还包括以下子步骤：
子步骤4.1，计算低矮植被的平均高度
Figure 682028DEST_PATH_IMAGE006
，对每个初步分类结果为非低矮植被的对象的下半部分截取高度，截取高度为平均高度乘以预设的尺寸系数，截取高度为
Figure 372903DEST_PATH_IMAGE007
，将截取的部分输入预训练模型中进行分类，并判断截取的部分是否为低矮植被，如果为低矮植被，则用最小割对该粘连了低矮植被的截取的部分进行分割分类，分离出粘连的低矮植被，并将非低矮植被部分还原回去；
子步骤4.2，在分割了低矮植被的基础上，对非杆状物对象进行聚类判断，判断聚类的数目，如果聚类的数目大于1，通过预训练模型对聚类结果进行分类判断，返回推理结果为非杆状物对象；否则沿道路方向每隔单位距离对非杆状物对象进行分块，对分块结果进行精化分类，判断是否有杆状物，如果有，用最小割对其进行分割，并用预训练模型对分割的结果进行分类判断。
7.根据权利要求6所述的道路场景点云分类方法，其特征在于：所述尺寸系数为
Figure 51009DEST_PATH_IMAGE008
。
8.一种存储介质，用于存储计算机可执行指令，其特征在于，所述计算机可执行指令在被执行时实现上述权利要求1-7任一项所述的道路场景点云分类方法的步骤。
CN202210290339.4A 2022-03-23 2022-03-23 一种道路场景点云分类方法及存储介质 Active CN114399762B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210290339.4A CN114399762B (zh) 2022-03-23 2022-03-23 一种道路场景点云分类方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210290339.4A CN114399762B (zh) 2022-03-23 2022-03-23 一种道路场景点云分类方法及存储介质

Publications (2)

Publication Number Publication Date
CN114399762A true CN114399762A (zh) 2022-04-26
CN114399762B CN114399762B (zh) 2022-06-10

Family

ID=81234108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210290339.4A Active CN114399762B (zh) 2022-03-23 2022-03-23 一种道路场景点云分类方法及存储介质

Country Status (1)

Country Link
CN (1) CN114399762B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685848A (zh) * 2018-12-14 2019-04-26 上海交通大学 一种三维点云与三维传感器的神经网络坐标变换方法
US10650278B1 (en) * 2017-07-21 2020-05-12 Apple Inc. Semantic labeling of point clouds using images
GB202017625D0 (en) * 2019-11-14 2020-12-23 Motional Ad Llc Sequential fusion for 3D object detection
EP3767521A1 (en) * 2019-07-15 2021-01-20 Promaton Holding B.V. Object detection and instance segmentation of 3d point clouds based on deep learning
CN112365503A (zh) * 2020-10-29 2021-02-12 杭州富阳富创大数据产业创新研究院有限公司 基于点云数据的变电站场景分割方法
US20210287040A1 (en) * 2020-03-16 2021-09-16 Fares AL-QUNAIEER Training system and processes for objects to be classified
CN113920360A (zh) * 2021-09-23 2022-01-11 南京师范大学 一种道路点云杆状物提取与多尺度识别方法
CN113989784A (zh) * 2021-11-30 2022-01-28 福州大学 一种基于车载激光点云的道路场景类型识别方法及系统
US20220035003A1 (en) * 2020-07-29 2022-02-03 The Johns Hopkins University Method and apparatus for high-confidence people classification, change detection, and nuisance alarm rejection based on shape classifier using 3d point cloud data
CN114120150A (zh) * 2021-11-10 2022-03-01 吉林省春城热力股份有限公司 一种基于无人机成像技术的道路目标检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10650278B1 (en) * 2017-07-21 2020-05-12 Apple Inc. Semantic labeling of point clouds using images
CN109685848A (zh) * 2018-12-14 2019-04-26 上海交通大学 一种三维点云与三维传感器的神经网络坐标变换方法
EP3767521A1 (en) * 2019-07-15 2021-01-20 Promaton Holding B.V. Object detection and instance segmentation of 3d point clouds based on deep learning
GB202017625D0 (en) * 2019-11-14 2020-12-23 Motional Ad Llc Sequential fusion for 3D object detection
US20210287040A1 (en) * 2020-03-16 2021-09-16 Fares AL-QUNAIEER Training system and processes for objects to be classified
US20220035003A1 (en) * 2020-07-29 2022-02-03 The Johns Hopkins University Method and apparatus for high-confidence people classification, change detection, and nuisance alarm rejection based on shape classifier using 3d point cloud data
CN112365503A (zh) * 2020-10-29 2021-02-12 杭州富阳富创大数据产业创新研究院有限公司 基于点云数据的变电站场景分割方法
CN113920360A (zh) * 2021-09-23 2022-01-11 南京师范大学 一种道路点云杆状物提取与多尺度识别方法
CN114120150A (zh) * 2021-11-10 2022-03-01 吉林省春城热力股份有限公司 一种基于无人机成像技术的道路目标检测方法
CN113989784A (zh) * 2021-11-30 2022-01-28 福州大学 一种基于车载激光点云的道路场景类型识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵传等: "基于深度残差网络的机载LiDAR点云分类", 《测绘学报》, no. 02, 15 February 2020 (2020-02-15) *

Also Published As

Publication number Publication date
CN114399762B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN111310861B (zh) 一种基于深度神经网络的车牌识别和定位方法
CN111192284B (zh) 一种车载激光点云分割方法及系统
CN109932730B (zh) 基于多尺度单极三维检测网络的激光雷达目标检测方法
CN104463872B (zh) 基于车载LiDAR点云数据的分类方法
CN107016677A (zh) 一种基于fcn和cnn的云图分割方法
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
CN108830870A (zh) 基于多尺度结构学习的卫星影像高精度农田边界提取方法
CN114359876B (zh) 一种车辆目标识别方法及存储介质
EP4120123A1 (en) Scan line-based road point cloud extraction method
CN106952242A (zh) 一种基于体素的渐进不规则三角网点云滤波方法
CN114782729A (zh) 一种基于激光雷达与视觉融合的实时目标检测方法
CN115620263B (zh) 基于摄像机和激光雷达图像融合的智能车障碍物检测方法
CN115393587A (zh) 基于融合卷积神经网络的高速公路沥青路面病害感知方法
CN113627440A (zh) 一种基于轻量级神经网络的大规模点云语义分割方法
CN115019163A (zh) 基于多源大数据的城市要素识别方法
CN114387293A (zh) 道路边缘检测方法、装置、电子设备及车辆
Sun et al. Objects detection with 3-D roadside LiDAR under snowy weather
CN116524472B (zh) 一种障碍物检测方法、装置、存储介质及设备
CN114399762B (zh) 一种道路场景点云分类方法及存储介质
CN116052099A (zh) 一种面向非结构化道路的小目标检测方法
CN116299315A (zh) 一种使用激光雷达实时检测路面障碍物的方法和装置
CN111338336B (zh) 一种自动驾驶方法及装置
CN115222767A (zh) 一种基于空间车位的跟踪方法及系统
CN110796042B (zh) 基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法
CN114063107A (zh) 一种基于激光束的地面点云提取方法

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