CN114758323A - 一种基于车载激光点云的城市道路标牌提取方法 - Google Patents

一种基于车载激光点云的城市道路标牌提取方法 Download PDF

Info

Publication number
CN114758323A
CN114758323A CN202210659778.8A CN202210659778A CN114758323A CN 114758323 A CN114758323 A CN 114758323A CN 202210659778 A CN202210659778 A CN 202210659778A CN 114758323 A CN114758323 A CN 114758323A
Authority
CN
China
Prior art keywords
laser point
laser
neighborhood
vehicle
point cloud
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.)
Pending
Application number
CN202210659778.8A
Other languages
English (en)
Inventor
张志华
董震
周圣川
杜鹏
张璐琪
门茂林
陈宗强
杨必胜
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.)
QINGDAO INSTITUTE OF SURVEYING AND MAPPING SURVEY
Wuhan University WHU
Original Assignee
QINGDAO INSTITUTE OF SURVEYING AND MAPPING SURVEY
Wuhan University WHU
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 QINGDAO INSTITUTE OF SURVEYING AND MAPPING SURVEY, Wuhan University WHU filed Critical QINGDAO INSTITUTE OF SURVEYING AND MAPPING SURVEY
Priority to CN202210659778.8A priority Critical patent/CN114758323A/zh
Publication of CN114758323A publication Critical patent/CN114758323A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提出一种基于车载激光点云的城市道路标牌提取方法。包括：首先对每个激光点构建不同半径下熵函数，以熵函数值最小获取最佳邻域半径，基于最佳邻域半径计算点的维数特征、主方向、法向量，利用支持向量机将点标记为竖直杆状、非竖直杆状、竖直面状、非竖直面状、球状，并对不同类别采取不同的生长准则进行区域生长，采用归一化割的方法对初始分割区域进行合并，最后将分割结果作为几何基元，将空间相邻的几何基元组合并建立拓扑关系，将几何基元组合与给定交通标志牌模型进行匹配，完成道路交通标牌的提取与分类。相比现有技术，本方法不需要人工参与，可以自动化、高效率、高精度的实现城市大范围道路交通标牌的提取与识别。

Description

一种基于车载激光点云的城市道路标牌提取方法
技术领域
本发明属于激光扫描数据处理技术领域，尤其涉及一种基于车载激光点云的城市道路标牌提取方法。
背景技术
随着激光扫描技术的发展，其应用越来越广泛。除了在逆向工程、工业应用、城市三维建模方面激光扫描技术展示了其不可替代的优势外，在堆积测量、变形监测、森林调查、岩石表面观测、文物古建筑重建、隧道管线测量以及医学应用方面更是受到了人们越来越多的关注。
在高速公路和城区环境中杆状物体（包括各种电线杆、交通信号灯、交通标志牌、路灯、部分树干等）非常多见，它们突出于周围的环境且容易被观察者识别，因此经常作为地标用于辅助驾驶、汽车和行人导航等方面。此外详细的道路信息在虚拟三维城市建模，城区规划，道路安全，道路维护，基于位置的服务等方面也有着重要的应用。传统的基于光学影像的杆状地物提取方法需要良好的光照条件，不能全天候作业，并且该方法很难提供目标精确的3维几何信息。车载LiDAR系统在获取空间信息方面提供了一种全新的技术手段，能够在高速移动状态下获取道路以及道路两侧建筑物、树木、交通标志牌、路灯等地物表面的三维空间坐标，弥补了传统光学影像数据采集手段的不足，已被广泛运用于数字城市、基础测绘、城市规划、交通、环保、文物保护等领域。研究基于车载LiDAR点云的杆状地物自动提取技术，并用于自动化生产带有地理参考的地标物体的导航地图，已经成为当前的研究热点。本发明针对车载激光点云，提出一种结合点云分类以及多层次分割过程实现地物目标几何基元的提取，采用基于模型匹配的方法对邻近构成的几何基元组合进行交通标牌类别的判断，实现城市道路标牌的识别与提取。
发明内容
本发明的技术方案提供一种基于车载激光点云的城市道路标牌提取方法，其特征在于，包括以下步骤：
步骤1， 对车载激光点云中对每个激光点分别在不同邻域半径下联合局部邻域内的强度约束进行主成分分析得到点对应的特征向量，将车载激光点云的每个激光点的特征向量作为维数特征，并构建车载激光点云的每个激光点在不同半径下的熵函数，计算每个激光点在不同邻域下的熵函数值，以车载激光点云的每个激光点对应的熵函数值最小为优化目标，依次优化求解得到车载激光点云的每个激光点的最佳邻域半径。
步骤2，根据车载激光点云的每个激光点的最佳邻域半径计算车载激光点云的每个激光点的最佳邻域半径的点云特征，并利用支持向量机分类器对点云进行分类，将车载激光点云的每个激光点的类别标签分别标记为竖直杆状点、非竖直杆状点、竖直面状点、非竖直面状点、球状点。
步骤3，设置每个竖直杆状生长激光点的生长规则以及每个竖直杆状生长激光点的生长阈值，根据每个竖直杆状生长激光点的生长规则以及每个竖直杆状生长激光点的生长阈值进行区域生长，得到多个初始的竖直杆状点云分割区域；设置每个竖直面状生长激光点的生长规则以及每个竖直面状生长激光点的生长阈值，根据每个竖直面状生长激光点的生长规则以及每个竖直面状生长激光点的生长阈值进行区域生长，得到多个初始的竖直面状点云分割区域；设置每个球状生长激光点的生长规则以及每个球状生长激光点的生长阈值，根据每个球状生长激光点的生长规则以及每个球状生长激光点的生长阈值进行区域生长，得到多个初始的球状点云分割区域；
步骤4，将多个初始的竖直杆状点云分割区域利用归一化割的方法进行合并从而得到多个合并后的竖直杆状点云分割区域；将多个初始的竖直面状点云分割区域利用归一化割的方法进行合并从而得到多个合并后的竖直面状点云分割区域；将多个初始的球状点云分割区域利用归一化分割的方法进行合并从而得到多个合并后的球状点云分割区域；
步骤5，将每个合并后的竖直杆状点云分割区域、每个合并后的竖直面状点云分割区域、每个合并后的球状点云分割区域依次作为每个几何基元，将多个几何基元基于其位置坐标信息得到几何基元的空间相邻关系，若每对空间相邻的几何基元之间的距离小于距离阈值，则将对应的空间相邻的几何基元组成几何基元组合，并获取几何基元组合的属性，属性包括：组合包含的几何基元个数、几何基元的类型标识、几何基元之间的拓扑关系。给定所有交通标志牌模型，并将其以几何基元组合进行属性描述。遍历上述步骤获取的所有几何基元组合，若其属性与给定模型相同，则把该几何基元组合标记为对应交通标志牌模型，完成交通标牌的分类与识别。
作为优选，步骤1所述车载激光点云的定义为：
Figure DEST_PATH_IMAGE001
其中，K为车载激光点云中激光点的数量，
Figure DEST_PATH_IMAGE002
为车载激光点云中 第k个激光点，
Figure DEST_PATH_IMAGE003
为车载激光点云中第k个激光点的反射强度信息，
Figure DEST_PATH_IMAGE004
为车载激光点云中 第k个激光点的空间直角坐标系X轴的坐标值，
Figure DEST_PATH_IMAGE005
为车载激光点云中第k个激光点的空间直 角坐标系Y轴的坐标值，
Figure DEST_PATH_IMAGE006
为车载激光点云中第k个激光点的空间直角坐标系Z轴的坐标 值，其中Z值竖直向上，X、Y、Z轴两两垂直；
步骤1所述在不同邻域半径下联合局部邻域内的强度约束进行主成分分析得到点对应的特征向量，具体为：
所述不同邻域半径，具体构建方法为：
每个激光点对应多个不同邻域半径，给定最大邻域半径
Figure DEST_PATH_IMAGE007
，最小邻域半径
Figure DEST_PATH_IMAGE008
，半径的增量
Figure DEST_PATH_IMAGE009
；对于第k个激光点，初始化当前半径
Figure DEST_PATH_IMAGE010
；
给定球形邻域半径
Figure DEST_PATH_IMAGE011
，以车载点云中第k个激光点
Figure DEST_PATH_IMAGE012
为球心，构建半径为
Figure 338192DEST_PATH_IMAGE011
的球形邻域
Figure DEST_PATH_IMAGE013
； 给定强度阈值
Figure DEST_PATH_IMAGE014
，若激光点
Figure 377037DEST_PATH_IMAGE012
的强度
Figure DEST_PATH_IMAGE015
与其激光点
Figure 812566DEST_PATH_IMAGE012
的球形邻域内
Figure 411038DEST_PATH_IMAGE013
的第t个邻域点
Figure DEST_PATH_IMAGE016
的强度信息
Figure DEST_PATH_IMAGE017
满足
Figure DEST_PATH_IMAGE018
，则将激光点
Figure 68153DEST_PATH_IMAGE016
加入第k个激光点半径为
Figure DEST_PATH_IMAGE019
的球形邻域
Figure 297140DEST_PATH_IMAGE013
对应的点集
Figure DEST_PATH_IMAGE020
中；利用点集
Figure 488474DEST_PATH_IMAGE020
中的激光点基于主成分分析方法计算第k个激光点在邻域半径为
Figure 156216DEST_PATH_IMAGE019
下的第一特征值
Figure DEST_PATH_IMAGE021
、第二特征值
Figure DEST_PATH_IMAGE022
、第三特征值
Figure DEST_PATH_IMAGE023
，并定义第一维数特征
Figure DEST_PATH_IMAGE024
、第二维数特 征
Figure DEST_PATH_IMAGE025
、第三维数特征
Figure DEST_PATH_IMAGE026
，其计算方法如下：
Figure DEST_PATH_IMAGE027
Figure DEST_PATH_IMAGE028
Figure DEST_PATH_IMAGE029
其中，
Figure 198996DEST_PATH_IMAGE021
为第k个激光点在邻域半径
Figure 907539DEST_PATH_IMAGE019
时对应的的第一特征值，
Figure 865131DEST_PATH_IMAGE022
为 第k个激光点在邻域半径为
Figure 70985DEST_PATH_IMAGE019
时对应的的第二特征值，
Figure 46900DEST_PATH_IMAGE023
为第k个激光点在邻域半径 为
Figure 945586DEST_PATH_IMAGE019
时对应的第三特征值。
步骤1所述构建车载激光点云的每个激光点在不同半径下的熵函数，具体为：
车载激光点云的第k个激光点
Figure 390473DEST_PATH_IMAGE012
在半径
Figure 134439DEST_PATH_IMAGE019
对应的熵函数为
Figure DEST_PATH_IMAGE030
，具体定义为：
Figure DEST_PATH_IMAGE031
其中，
Figure DEST_PATH_IMAGE032
为第k个激光点在邻域半径为
Figure 620652DEST_PATH_IMAGE019
时对应的第一维数特征、
Figure DEST_PATH_IMAGE033
为第k个激光点在邻域半径为
Figure 893502DEST_PATH_IMAGE019
时对应的第二维数特征、
Figure DEST_PATH_IMAGE034
为第k个激光点在邻域 半径为
Figure 546725DEST_PATH_IMAGE019
时对应的第三维数特征。
步骤1以车载激光点云的每个激光点对应的熵函数值最小为优化目标，依次优化求解得到车载激光点云的每个激光点的最佳邻域半径，具体方法为：
对车载点云中的每个激光点均取最大邻域半径
Figure 828801DEST_PATH_IMAGE007
，最小邻域半径
Figure 795620DEST_PATH_IMAGE008
，半径的 增量
Figure 285376DEST_PATH_IMAGE009
，并初始化半径值为
Figure 439277DEST_PATH_IMAGE008
；对车载点云中第k个激光点，初始化其对应邻域半径
Figure DEST_PATH_IMAGE035
，逐步以邻域增量
Figure 243154DEST_PATH_IMAGE009
增大邻域半径，直到满足
Figure DEST_PATH_IMAGE036
；
并计算在不同邻域半径
Figure 2163DEST_PATH_IMAGE019
下的维数特征并构建熵函数，当熵函数值
Figure 662820DEST_PATH_IMAGE030
为最小 值时的半径即为最佳的邻域半径
Figure DEST_PATH_IMAGE037
。
作为优选，步骤2所述计算车载激光点云的每个激光点的最佳邻域半径的点云特征，具体方法为：
给最佳邻域半径
Figure DEST_PATH_IMAGE038
，以车载点云中第k个激光点
Figure DEST_PATH_IMAGE039
为球心，构建半径为
Figure 527238DEST_PATH_IMAGE038
的球形邻域
Figure DEST_PATH_IMAGE040
，利用球形邻域
Figure 885538DEST_PATH_IMAGE040
的所有激光点构建第k个激光 点的协方差矩阵
Figure DEST_PATH_IMAGE041
,计算方式如下：
Figure DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE043
为第k个激光点对应的球形邻域
Figure 935271DEST_PATH_IMAGE040
内的邻域激光点个数，t为 其球形邻域内的第t个邻域激光点，
Figure DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE045
邻域激光点由空间 坐标组成的向量，
Figure DEST_PATH_IMAGE046
为邻域激光点X轴对应的坐标值，
Figure DEST_PATH_IMAGE047
为邻域激光点Y轴对应的坐 标值，
Figure DEST_PATH_IMAGE048
为邻域激光点Z轴对应的坐标值；
Figure DEST_PATH_IMAGE049
，
Figure DEST_PATH_IMAGE050
为第k个激光 点球形邻域
Figure DEST_PATH_IMAGE051
内所有激光点空间坐标平均值组成的向量，
Figure DEST_PATH_IMAGE052
为第k个激光点球形 邻域
Figure DEST_PATH_IMAGE053
内所有激光点在X轴的坐标平均值，
Figure DEST_PATH_IMAGE054
为第k个激光点球形邻域
Figure DEST_PATH_IMAGE055
内所有 激光点在Y轴的坐标平均值，
Figure DEST_PATH_IMAGE056
为第k个激光点球形邻域
Figure DEST_PATH_IMAGE057
内所有激光点在Z轴的 坐标平均值；将车载点中第k个激光点的协方差矩阵
Figure DEST_PATH_IMAGE058
通过矩阵特征值分解得到车载点 云中第k个激光点对应的第一特征值
Figure DEST_PATH_IMAGE059
、车载点云中第i个激光点对应的第二特征值
Figure DEST_PATH_IMAGE060
、车载点云中第i个激光点对应的第三特征值
Figure DEST_PATH_IMAGE061
，且
Figure DEST_PATH_IMAGE062
；法向量
Figure DEST_PATH_IMAGE063
为第k个激光点求得协方差矩阵
Figure DEST_PATH_IMAGE064
的第三特征值
Figure DEST_PATH_IMAGE065
对应的特征 向量；主方向
Figure DEST_PATH_IMAGE066
为第k个激光点求得协方差矩阵
Figure 124420DEST_PATH_IMAGE064
的第一特征值
Figure DEST_PATH_IMAGE067
对应的特征向量。
利用上述步骤计算车载点云中第k个激光点的维数特征
Figure DEST_PATH_IMAGE068
、主 方向
Figure 174284DEST_PATH_IMAGE066
、法向量
Figure DEST_PATH_IMAGE069
支持向量机分类器对第k个激光点
Figure 319963DEST_PATH_IMAGE039
进行分类。
作为优选，步骤3所述设置每个竖直杆状生长激光点的生长规则，具体为：
计算空间上相邻的点
Figure DEST_PATH_IMAGE070
与点
Figure DEST_PATH_IMAGE071
主方向之间的夹角余弦
Figure DEST_PATH_IMAGE072
，其中
Figure DEST_PATH_IMAGE073
，
Figure DEST_PATH_IMAGE074
，
Figure DEST_PATH_IMAGE075
为车载激光点云中竖直杆状生长激光点 的数量，若主方向之间的夹角余弦值
Figure 368078DEST_PATH_IMAGE072
与给定阈值
Figure DEST_PATH_IMAGE076
满足
Figure DEST_PATH_IMAGE077
，则点
Figure DEST_PATH_IMAGE078
与 点
Figure DEST_PATH_IMAGE079
进行生长；
步骤3所述设置每个竖直面状生长激光点的生长规则，具体为：
计算空间上相邻的点
Figure DEST_PATH_IMAGE080
与点
Figure DEST_PATH_IMAGE081
法方向之间的夹角余弦值
Figure DEST_PATH_IMAGE082
，其 中
Figure DEST_PATH_IMAGE083
，
Figure DEST_PATH_IMAGE084
，
Figure DEST_PATH_IMAGE085
为车载激光点云中竖直面状生长激光 点的数量，若法方向之间的夹角余弦值
Figure 961084DEST_PATH_IMAGE082
与给定阈值
Figure DEST_PATH_IMAGE086
满足
Figure DEST_PATH_IMAGE087
，则点
Figure DEST_PATH_IMAGE088
与点
Figure DEST_PATH_IMAGE089
进行生长；
步骤3所述设置每个球状生长激光点的生长规则，具体为：空间上相邻。
本发明优点在于，可以利用车载点云进行道路交通标志牌的提取。本方法以车载激光雷达数据作为数据源，基于点云分类与多层次点云分割过程，将分割结果作为几何基元并空间邻近组合，利用模型匹配的方式实现交通标牌的分类。相比现有技术，本方法不需要人工参与，可以自动化、高效率、高精度的实现城市大范围道路交通标牌的提取与识别。
附图说明
图1：是本发明实施例的整体流程图；
图2：是本发明实施例的点云分类计算最佳邻域示意图；
图3：是本发明实施例指示、警告及禁令标志类交通标牌示意图；
图4：是本发明实施例指路标志和公交站牌类交通标牌示意图；
图5：是本发明实施例大型指路标志类交通标牌示意图；
图6：是本发明实施例混合型类交通标牌示意图。
具体实施方式
以下结合附图1-6和实施例说明本发明的技术方案。
本发明的技术方案针对车载激光点云地物目标提取任务，结合点云分类以及多层次分割过程实现地物目标几何基元的提取，采用基于模型匹配的方法对邻近构成的几何基元组合进行交通标牌类别的判断，实现城市道路标牌的识别与提取。本发明的整体技术流程由图1所示。本方法分为5个关键步骤：基于点的维数特征与强度信息，确定点云分类中点的最佳邻域形状和大小；基于逐点的最佳邻域利用支持向量机标记点的形状类别；基于多规则的区域生长算法得到初步分割区域；利用归一化割算法优化分割结果；由分割结果得到几何基元的组合以及拓扑关系，基于模型匹配的方法实现交通标牌的提取与类别。
本发明第一实施例为一种基于车载激光点云的城市道路标牌提取方法，其特征在于，包括以下步骤：
步骤1， 对车载激光点云中对每个激光点分别在不同邻域半径下联合局部邻域内的强度约束进行主成分分析得到点对应的特征向量，将车载激光点云的每个激光点的特征向量作为维数特征，并构建车载激光点云的每个激光点在不同半径下的熵函数，计算每个激光点在不同邻域下的熵函数值，以车载激光点云的每个激光点对应的熵函数值最小为优化目标，依次优化求解得到车载激光点云的每个激光点的最佳邻域半径。
步骤2，根据车载激光点云的每个激光点的最佳邻域半径计算车载激光点云的每个激光点的最佳邻域半径的点云特征，并利用支持向量机分类器对点云进行分类，将车载激光点云的每个激光点的类别标签分别标记为竖直杆状点、非竖直杆状点、竖直面状点、非竖直面状点、球状点。
步骤3，设置每个竖直杆状生长激光点的生长规则以及每个竖直杆状生长激光点的生长阈值，根据每个竖直杆状生长激光点的生长规则以及每个竖直杆状生长激光点的生长阈值进行区域生长，得到多个初始的竖直杆状点云分割区域；设置每个竖直面状生长激光点的生长规则以及每个竖直面状生长激光点的生长阈值，根据每个竖直面状生长激光点的生长规则以及每个竖直面状生长激光点的生长阈值进行区域生长，得到多个初始的竖直面状点云分割区域；设置每个球状生长激光点的生长规则以及每个球状生长激光点的生长阈值，根据每个球状生长激光点的生长规则以及每个球状生长激光点的生长阈值进行区域生长，得到多个初始的球状点云分割区域；
步骤4，将多个初始的竖直杆状点云分割区域利用归一化割的方法进行合并从而得到多个合并后的竖直杆状点云分割区域；将多个初始的竖直面状点云分割区域利用归一化割的方法进行合并从而得到多个合并后的竖直面状点云分割区域；将多个初始的球状点云分割区域利用归一化割的方法进行合并从而得到多个合并后的球状点云分割区域；
步骤5，将每个合并后的竖直杆状点云分割区域、每个合并后的竖直面状点云分割区域、每个合并后的球状点云分割区域依次作为每个几何基元，将多个几何基元基于其位置坐标信息得到几何基元的空间相邻关系，若每对空间相邻的几何基元之间的距离小于距离阈值，则将对应的空间相邻的几何基元组成几何基元组合，并获取几何基元组合的属性，属性包括：组合包含的几何基元个数、几何基元的类型标识、几何基元之间的拓扑关系。给定所有交通标志牌模型，并将其以几何基元组合进行属性描述。遍历上述步骤获取的所有几何基元组合，若其属性与给定模型相同，则把该几何基元组合标记为对应交通标志牌模型，完成交通标牌的分类与识别。
步骤1所述车载激光点云的定义为：
Figure DEST_PATH_IMAGE090
其中，K为车载激光点云中激光点的数量，
Figure 154037DEST_PATH_IMAGE002
为车载激光点云中 第k个激光点，
Figure 634566DEST_PATH_IMAGE003
为车载激光点云中第k个激光点的反射强度信息，
Figure 284990DEST_PATH_IMAGE004
为车载激光点云中 第k个激光点的空间直角坐标系X轴的坐标值，
Figure 943504DEST_PATH_IMAGE005
为车载激光点云中第k个激光点的空间直 角坐标系Y轴的坐标值，
Figure 46589DEST_PATH_IMAGE006
为车载激光点云中第k个激光点的空间直角坐标系Z轴的坐标 值，其中Z值竖直向上，X、Y、Z轴两两垂直；
步骤1所述在不同邻域半径下联合局部邻域内的强度约束进行主成分分析得到点对应的特征向量，具体为：
所述不同邻域半径，具体构建方法为：
每个激光点对应多个不同邻域半径，给定最大邻域半径
Figure 68160DEST_PATH_IMAGE007
，最小邻域半径
Figure 838669DEST_PATH_IMAGE008
，半径的增量
Figure 668085DEST_PATH_IMAGE009
；对于第k个激光点，初始化当前半径
Figure 507734DEST_PATH_IMAGE010
；
给定球形邻域半径
Figure 346377DEST_PATH_IMAGE011
，以车载点云中第k个激光点
Figure 440235DEST_PATH_IMAGE012
为球心，构建半径为
Figure 955399DEST_PATH_IMAGE011
的球形邻域
Figure 767497DEST_PATH_IMAGE013
； 给定强度阈值
Figure 144252DEST_PATH_IMAGE014
，若激光点
Figure 873042DEST_PATH_IMAGE012
的强度
Figure 44261DEST_PATH_IMAGE015
与其激光点
Figure 343655DEST_PATH_IMAGE012
的球形邻域内
Figure 770438DEST_PATH_IMAGE013
的第t个邻域点
Figure 838889DEST_PATH_IMAGE016
的强度信息
Figure 446587DEST_PATH_IMAGE017
满足
Figure 498857DEST_PATH_IMAGE018
，则将激光点
Figure 201103DEST_PATH_IMAGE016
加入第k个激光点半径为
Figure 389639DEST_PATH_IMAGE019
的球形邻域
Figure 168239DEST_PATH_IMAGE013
对应的点集
Figure 957072DEST_PATH_IMAGE020
中；利用点集
Figure 213741DEST_PATH_IMAGE020
中的激光点基于主成分分析方法计算第k个激光点在邻域半径为
Figure 522363DEST_PATH_IMAGE019
下的第一特征值
Figure 455552DEST_PATH_IMAGE021
、第二特征值
Figure 216835DEST_PATH_IMAGE022
、第三特征值
Figure 277195DEST_PATH_IMAGE023
，并定义第一维数特征
Figure 692520DEST_PATH_IMAGE024
、第二维数特 征
Figure 547344DEST_PATH_IMAGE025
、第三维数特征
Figure 61502DEST_PATH_IMAGE026
，其计算方法如下：
Figure 909241DEST_PATH_IMAGE027
Figure 926876DEST_PATH_IMAGE028
Figure 218180DEST_PATH_IMAGE029
其中，
Figure 937743DEST_PATH_IMAGE021
为第k个激光点在邻域半径
Figure 605484DEST_PATH_IMAGE019
时对应的的第一特征值，
Figure 212046DEST_PATH_IMAGE022
为 第k个激光点在邻域半径为
Figure 939831DEST_PATH_IMAGE019
时对应的的第二特征值，
Figure 146690DEST_PATH_IMAGE023
为第k个激光点在邻域半径 为
Figure 352544DEST_PATH_IMAGE019
时对应的第三特征值；
步骤1所述构建车载激光点云的每个激光点在不同半径下的熵函数，具体为：
车载激光点云的第k个激光点
Figure 344770DEST_PATH_IMAGE012
在半径
Figure 247652DEST_PATH_IMAGE019
对应的熵函数为
Figure 426961DEST_PATH_IMAGE030
，具体定义为：
Figure 436505DEST_PATH_IMAGE031
其中，
Figure 798085DEST_PATH_IMAGE032
为第k个激光点在邻域半径为
Figure 336514DEST_PATH_IMAGE019
时对应的第一维数特征、
Figure 534277DEST_PATH_IMAGE033
为第k个激光点在邻域半径为
Figure 65622DEST_PATH_IMAGE019
时对应的第二维数特征、
Figure 32441DEST_PATH_IMAGE034
为第k个激光点在邻域 半径为
Figure 7350DEST_PATH_IMAGE019
时对应的第三维数特征。
步骤1以车载激光点云的每个激光点对应的熵函数值最小为优化目标，依次优化求解得到车载激光点云的每个激光点的最佳邻域半径，具体方法为：
对车载点云中的每个激光点均取最大邻域半径
Figure 426830DEST_PATH_IMAGE007
，最小邻域半径
Figure 761865DEST_PATH_IMAGE008
，半径的 增量
Figure 583191DEST_PATH_IMAGE009
，并初始化半径值为
Figure 994580DEST_PATH_IMAGE008
；对车载点云中第k个激光点，初始化其对应邻域半径
Figure 887975DEST_PATH_IMAGE035
，逐步以邻域增量
Figure 511854DEST_PATH_IMAGE009
增大邻域半径，直到满足
Figure 453265DEST_PATH_IMAGE036
；
并计算在不同邻域半径
Figure 753665DEST_PATH_IMAGE019
下的维数特征并构建熵函数，当熵函数值
Figure 882158DEST_PATH_IMAGE030
为最小 值时的半径即为最佳的邻域半径
Figure 309729DEST_PATH_IMAGE037
。
步骤2所述计算车载激光点云的每个激光点的最佳邻域半径的点云特征，具体方法为：
给最佳邻域半径
Figure 354914DEST_PATH_IMAGE038
，以车载点云中第k个激光点
Figure 108106DEST_PATH_IMAGE039
为球心，构建半径为
Figure 723895DEST_PATH_IMAGE038
的球形邻域
Figure 204424DEST_PATH_IMAGE040
，利用球形邻域
Figure 589269DEST_PATH_IMAGE040
的所有激光点构建第k个激光 点的协方差矩阵
Figure 513363DEST_PATH_IMAGE041
,计算方式如下：
Figure 882027DEST_PATH_IMAGE042
其中，
Figure 897738DEST_PATH_IMAGE043
为第k个激光点对应的球形邻域
Figure 402669DEST_PATH_IMAGE040
内的邻域激光点个数，t为 其球形邻域内的第t个邻域激光点，
Figure 232084DEST_PATH_IMAGE044
，
Figure 337313DEST_PATH_IMAGE045
邻域激光点由空间 坐标组成的向量，
Figure 644797DEST_PATH_IMAGE046
为邻域激光点X轴对应的坐标值，
Figure 269813DEST_PATH_IMAGE047
为邻域激光点Y轴对应的坐 标值，
Figure 784977DEST_PATH_IMAGE048
为邻域激光点Z轴对应的坐标值；
Figure 597076DEST_PATH_IMAGE049
，
Figure 239409DEST_PATH_IMAGE050
为第k个激光 点球形邻域
Figure 702621DEST_PATH_IMAGE051
内所有激光点空间坐标平均值组成的向量，
Figure 139418DEST_PATH_IMAGE052
为第k个激光点球形 邻域
Figure 704392DEST_PATH_IMAGE053
内所有激光点在X轴的坐标平均值，
Figure 353679DEST_PATH_IMAGE054
为第k个激光点球形邻域
Figure 205485DEST_PATH_IMAGE055
内所有 激光点在Y轴的坐标平均值，
Figure 547604DEST_PATH_IMAGE056
为第k个激光点球形邻域
Figure 599874DEST_PATH_IMAGE057
内所有激光点在Z轴的 坐标平均值；
将车载点中第k个激光点的协方差矩阵
Figure 302120DEST_PATH_IMAGE058
通过矩阵特征值分解得到车载点云中 第k个激光点对应的第一特征值
Figure 756235DEST_PATH_IMAGE059
、车载点云中第i个激光点对应的第二特征值
Figure 269256DEST_PATH_IMAGE060
、车 载点云中第i个激光点对应的第三特征值
Figure 58089DEST_PATH_IMAGE061
，且
Figure 580337DEST_PATH_IMAGE062
；
法向量
Figure 623380DEST_PATH_IMAGE063
为第k个激光点求得协方差矩阵
Figure 556569DEST_PATH_IMAGE064
的第三特征值
Figure 317852DEST_PATH_IMAGE065
对应的特征向量；
主方向
Figure 378212DEST_PATH_IMAGE066
为第k个激光点求得协方差矩阵
Figure 541340DEST_PATH_IMAGE064
的第一特征值
Figure 642501DEST_PATH_IMAGE067
对应的特征向量。
利用上述步骤计算车载点云中第k个激光点的维数特征
Figure 156659DEST_PATH_IMAGE068
、主 方向
Figure 20710DEST_PATH_IMAGE066
、法向量
Figure 22033DEST_PATH_IMAGE069
支持向量机分类器对第k个激光点
Figure 313337DEST_PATH_IMAGE039
进行分类。
步骤3所述设置每个竖直杆状生长激光点的生长规则，具体为：
计算空间上相邻的点
Figure 49212DEST_PATH_IMAGE070
与点
Figure 435063DEST_PATH_IMAGE071
主方向之间的夹角余弦
Figure 572783DEST_PATH_IMAGE072
，其中
Figure 34989DEST_PATH_IMAGE073
，
Figure 976269DEST_PATH_IMAGE074
，
Figure 447701DEST_PATH_IMAGE075
为车载激光点云中竖直杆状生长激光点 的数量，若主方向之间的夹角余弦值
Figure 174349DEST_PATH_IMAGE072
与给定阈值
Figure 794073DEST_PATH_IMAGE076
满足
Figure 238961DEST_PATH_IMAGE077
，则点
Figure 248506DEST_PATH_IMAGE078
与 点
Figure 344506DEST_PATH_IMAGE079
进行生长；
步骤3所述设置每个竖直面状生长激光点的生长规则，具体为：
计算空间上相邻的点
Figure 148514DEST_PATH_IMAGE080
与点
Figure 815119DEST_PATH_IMAGE081
法方向之间的夹角余弦值
Figure 877622DEST_PATH_IMAGE082
，其 中
Figure 844441DEST_PATH_IMAGE083
，
Figure 553771DEST_PATH_IMAGE084
，
Figure 238830DEST_PATH_IMAGE085
为车载激光点云中竖直面状生长激光 点的数量，若法方向之间的夹角余弦值
Figure 573865DEST_PATH_IMAGE082
与给定阈值
Figure 395191DEST_PATH_IMAGE086
满足
Figure 275422DEST_PATH_IMAGE087
，则点
Figure 428536DEST_PATH_IMAGE088
与点
Figure 317995DEST_PATH_IMAGE089
进行生长；
步骤3所述设置每个球状生长激光点的生长规则，具体为：空间上相邻。
本发明第二实施例包括以下步骤：
步骤1，对车载激光点云进行主成分分析，将得到的向量特征作为维数特征，并联合局部邻域内的强度约束逐点计算分类过程点对应的最佳邻域的大小和形状。
实施例中，步骤1实现如下：
计算点分类过程中的最佳邻域，首先需要确定最大邻域半径
Figure DEST_PATH_IMAGE091
，最小邻域半径
Figure DEST_PATH_IMAGE092
，半径的增量
Figure DEST_PATH_IMAGE093
，强度差阈值
Figure DEST_PATH_IMAGE094
，并初始化当前半径
Figure DEST_PATH_IMAGE095
。实施例中，最大 邻域半径
Figure 39832DEST_PATH_IMAGE091
取值为0.5m，最小邻域半径
Figure 622123DEST_PATH_IMAGE092
取值为0.1m，半径的增量
Figure 999884DEST_PATH_IMAGE093
取值为0.1m， 强度差阈值
Figure DEST_PATH_IMAGE096
取值为10。
然后逐步增大邻域半径
Figure DEST_PATH_IMAGE097
，直到满足
Figure DEST_PATH_IMAGE098
。对邻域 内
Figure DEST_PATH_IMAGE099
与当前点反射强度差小于
Figure 289438DEST_PATH_IMAGE094
的数据进行主分量分析（PCA）得到点云数据分布的特征 值
Figure DEST_PATH_IMAGE100
，并定义维数特征：
Figure DEST_PATH_IMAGE102
（1）
Figure DEST_PATH_IMAGE103
（2）
Figure DEST_PATH_IMAGE104
（3）
和熵函数由下列公式定义：
Figure DEST_PATH_IMAGE105
（4）
当熵函数值越小时，该扫描点属于某一类别（杆状、面状、球状）的可能性越大，不 确定度越低。因此，当函数
Figure DEST_PATH_IMAGE106
为最小值时的半径即为最佳的邻域半径
Figure DEST_PATH_IMAGE107
。最佳邻域 选择示意图如图2所示。
步骤2，以确定的最佳邻域逐点计算点云分类特征，利用支持向量机分类器进行分类，将激光点分别标记为竖直杆状点、非竖直杆状点、竖直面状点、非竖直面状点、球状点5类标签。
实施例中，步骤2实现如下：
其中，每个点的特征计算公式如下。首先利用最佳邻域构造协方差矩阵
Figure DEST_PATH_IMAGE108
：
Figure DEST_PATH_IMAGE109
（5）
其中，K为最佳邻域内的邻域点个数，
Figure DEST_PATH_IMAGE110
，
Figure DEST_PATH_IMAGE111
。 协方差矩阵特征值分解可以得到：
Figure DEST_PATH_IMAGE112
（6）
其中，
Figure DEST_PATH_IMAGE113
为协方差矩阵
Figure 322508DEST_PATH_IMAGE108
的特征 值，
Figure DEST_PATH_IMAGE114
为对应的特征值的特征向量。
法向量
Figure DEST_PATH_IMAGE115
协方差矩阵
Figure 731493DEST_PATH_IMAGE108
的最小的特征值
Figure DEST_PATH_IMAGE116
对应的特征向 量。
主方向
Figure DEST_PATH_IMAGE117
为协方差矩阵
Figure 3074DEST_PATH_IMAGE108
的最大的特征值
Figure DEST_PATH_IMAGE118
对应的特征向 量。
法向量分布
Figure DEST_PATH_IMAGE119
由再次对所得的法向量进行协方差分析，可以得 到局部邻域法向量分布的特征值
Figure 172018DEST_PATH_IMAGE119
，其反映了法向量的变化情况，法向量 的变化情况可以直接反映出该点局部邻域内是否平滑。
利用每个激光脚点的维数特征
Figure DEST_PATH_IMAGE120
、主方向
Figure 277902DEST_PATH_IMAGE117
、法向 量
Figure DEST_PATH_IMAGE121
、法向量分布
Figure 654526DEST_PATH_IMAGE119
支持向量机分类器对点云进行分类。
步骤3，由激光点云的类别标签对杆状、面状、球状的点分别设置生长规则，实现顾及激光点云类别的多规则区域生长，得到初步的点云分割区域。
实施例中，步骤3实现如下：
为兼顾各类地物的不同特点，克服传统区域生长方法单一生长准则的不足，对三种不同类别的点分别采取不同的生长准则进行区域生长。从未分割的三类扫描点中分别随机选取出每一类别的初始种子点；在区域生长过程中，把满足生长准则的点作为下次生长的种子点。
对于分类为“杆状”的扫描点，生长准则为空间上相邻并且相邻点的主方向之间的 夹角余弦值大于阈值
Figure DEST_PATH_IMAGE122
；对于分类为面状的扫描点，生长准则为空间上相邻并且相邻点的 法向量之间的夹角余弦值大于阈值
Figure DEST_PATH_IMAGE123
；对于分类为球状的扫描点，生长准则为空间上相 邻。实施例中阈值取值
Figure 678982DEST_PATH_IMAGE122
为0.985。递归实现区域增长，直到所有的点都已分割完毕。
步骤4，利用归一化割的方法，将初步得到的的分割区域作为节点，对杆状、面状、球状点云分割区域分别设置权值函数，以全局最优为目标获取最终分割结果。
实施例中，步骤4实现如下：
将区域生长得到的每个分割区域视为无向权值图
Figure DEST_PATH_IMAGE124
的节点，节 点间的边反映了节点间的相似程度，以权值函数
Figure DEST_PATH_IMAGE125
表达，权值越小，相似程度越低。每 次选取图的“归一化最小割值”对图
Figure DEST_PATH_IMAGE126
进行二分，直至满足迭代终止条件。
对杆状区域，面状区域，球状区域采用不同的权值函数
Figure DEST_PATH_IMAGE127
，对应的权值计算表达式如下列公式所示：
Figure DEST_PATH_IMAGE128
（7）
Figure DEST_PATH_IMAGE129
（8）
Figure DEST_PATH_IMAGE130
（9）
其中，
Figure DEST_PATH_IMAGE131
分别为区域i和区域j的主方 向夹角值、法方向夹角值、相离距离（两个区域的最近距离）、区域i的中心点到杆状区域j的 距离（点到线的距离）、区域i的中心点到面状区域j的距离（点到面的距离）。同时为了控制 Normalized Cut中的参数取值范围，需要利用数据标准化方法对上述参数值进行无量纲化 和等数量级化处理，将参数值归一化到[0-1]。
Figure DEST_PATH_IMAGE132
分别为每个影响因子的权 值调节参数，用于调整不同影响因子对权值函数的贡献程度。权值越大，两节点越相似。实 施例中，
Figure DEST_PATH_IMAGE133
取值为0.4，
Figure DEST_PATH_IMAGE134
取值为0.2，
Figure 6278DEST_PATH_IMAGE135
取值为0.4。
步骤5，将分割结果作为几何基元，将空间相邻的几何基元组合并建立拓扑关系。采取基于模型匹配的方法对几何基元组合进行语义分类，实现道路交通标牌的提取与分类。
实施例中，步骤5实现如下：
经过步骤3和步骤4的区域生长与合并得到了组成地物的几何基元，遍历所有的几何基元，将相邻的几何基元组合并并获取几何基元组合的属性，属性包括：组合包含的几何基元个数、几何基元的类型标识、几何基元之间的拓扑关系。给定所有交通标志牌模型，并将其以几何基元组合进行属性描述。遍历上述步骤获取的所有几何基元组合，若其属性与给定模型相同，则把该几何基元组合标记为对应交通标志牌模型，完成交通标牌的分类与识别。
在本技术中将交通标牌分为四类。第一类通常由1个竖直杆状几何基元与竖直面状几何基元按照特定的拓扑关系组合而成，多见于指示、警告及禁令标志，如图3；第二类通常有2个竖直杆状几何基元与竖直面状几何基元按照特定的拓扑关系组成，一般见于辅助的指路标志和公交站牌等，如图4；第三类通常由竖直杆状几何基元、非竖直杆状几何基元、竖直面状几何基元按照特定的拓扑关系组合而成，一般是大型的指路标志，如图5；第四类为以上三种类型的混合型，如图6。
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 (4)

1.一种基于车载激光点云的城市道路标牌提取方法，其特征在于，包括以下步骤：
步骤1， 对车载激光点云的每个激光点分别在不同邻域半径下联合局部邻域内的强度约束进行主成分分析，得到点对应的特征向量，将车载激光点云的每个激光点的特征向量作为维数特征，构建车载激光点云的每个激光点在不同半径下的熵函数，计算车载激光点云的每个激光点在不同邻域下的熵函数值，以车载激光点云的每个激光点对应的熵函数值最小为优化目标，依次优化求解得到车载激光点云的每个激光点的最佳邻域半径；
步骤2，根据车载激光点云的每个激光点的最佳邻域半径计算车载激光点云的每个激光点的最佳邻域半径的点云特征，通过支持向量机分类器对车载激光点云进行分类，将车载激光点云的每个激光点的类别标签分别标记为竖直杆状生长激光点、非竖直杆状生长激光点、竖直面状生长激光点、非竖直面状生长激光点以及球状生长激光点；
步骤3，设置每个竖直杆状生长激光点的生长规则以及每个竖直杆状生长激光点的生长阈值，根据每个竖直杆状生长激光点的生长规则以及每个竖直杆状生长激光点的生长阈值进行区域生长，得到多个初始的竖直杆状点云分割区域；设置每个竖直面状生长激光点的生长规则以及每个竖直面状生长激光点的生长阈值，根据每个竖直面状生长激光点的生长规则以及每个竖直面状生长激光点的生长阈值进行区域生长，得到多个初始的竖直面状点云分割区域；设置每个球状生长激光点的生长规则以及每个球状生长激光点的生长阈值，根据每个球状生长激光点的生长规则以及每个球状生长激光点的生长阈值进行区域生长，得到多个初始的球状点云分割区域；
步骤4，将多个初始的竖直杆状点云分割区域利用归一化割的方法进行合并从而得到多个合并后的竖直杆状点云分割区域；将多个初始的竖直面状点云分割区域利用归一化割的方法进行合并从而得到多个合并后的竖直面状点云分割区域；将多个初始的球状点云分割区域利用归一化分割的方法进行合并从而得到多个合并后的球状点云分割区域；
步骤5，将每个合并后的竖直杆状点云分割区域、每个合并后的竖直面状点云分割区域、每个合并后的球状点云分割区域依次作为每个几何基元，将多个几何基元基于其位置坐标信息得到几何基元的空间相邻关系，若每对空间相邻的几何基元之间的距离小于距离阈值，则将对应的空间相邻的几何基元组成几何基元组合，并获取几何基元组合的属性；所述几何基元组合的属性由组合包含的几何基元个数、几何基元的类型标识、几何基元之间的拓扑关系构成；给定所有交通标志牌模型，并将其以几何基元组合进行属性描述；遍历所有几何基元组合，若几何基元组合属性与给定模型相同，则把所述几何基元组合标记为对应交通标志牌模型，完成交通标牌的分类与识别。
2.根据权利要求1所述的基于车载激光点云的城市道路标牌提取方法，其特征在于，步骤1所述车载激光点云的定义为：
Figure 593498DEST_PATH_IMAGE001
其中，K为车载激光点云中激光点的数量，
Figure 962163DEST_PATH_IMAGE002
为车载激光点云中第k个激光点，
Figure 528273DEST_PATH_IMAGE003
为车载激光点云中第k个激光点的反射强度信息，
Figure 502045DEST_PATH_IMAGE004
为车载激光点云中第k个激光点的空间直角坐标系X轴的坐标值，
Figure 862620DEST_PATH_IMAGE005
为车载激光点云中第k个激光点的空间直角坐标系Y轴的坐标值，
Figure 718580DEST_PATH_IMAGE006
为车载激光点云中第k个激光点的空间直角坐标系Z轴的坐标值，其中Z值竖直向上，X、Y、Z轴两两垂直；
步骤1所述在不同邻域半径下联合局部邻域内的强度约束进行主成分分析得到点对应的特征向量，具体为：
所述不同邻域半径，具体构建方法为：
每个激光点对应多个不同邻域半径，给定最大邻域半径
Figure 88382DEST_PATH_IMAGE007
，最小邻域半径
Figure 211933DEST_PATH_IMAGE008
，半径的增量
Figure 8988DEST_PATH_IMAGE009
；对于第k个激光点，初始化当前半径
Figure 617824DEST_PATH_IMAGE010
；
给定球形邻域半径
Figure 463420DEST_PATH_IMAGE011
，以车载点云中第k个激光点
Figure 474101DEST_PATH_IMAGE012
为球心，构建半径为
Figure 910899DEST_PATH_IMAGE011
的球形邻域
Figure 7031DEST_PATH_IMAGE013
； 给定强度阈值
Figure 453056DEST_PATH_IMAGE014
，若激光点
Figure 318243DEST_PATH_IMAGE012
的强度
Figure 925942DEST_PATH_IMAGE015
与其激光点
Figure 509370DEST_PATH_IMAGE012
的球形邻域内
Figure 759086DEST_PATH_IMAGE013
的第t个邻域点
Figure 416464DEST_PATH_IMAGE016
的强度信息
Figure 726222DEST_PATH_IMAGE017
满足
Figure 764323DEST_PATH_IMAGE018
，则将激光点
Figure 817730DEST_PATH_IMAGE016
加入第k个激光点半径为
Figure 391931DEST_PATH_IMAGE019
的球形邻域
Figure 872590DEST_PATH_IMAGE013
对应的点集
Figure 837135DEST_PATH_IMAGE020
中；利用点集
Figure 694233DEST_PATH_IMAGE020
中的激光点基于主成分分析方法计算第k个激光点在邻域半径为
Figure 388519DEST_PATH_IMAGE019
下的第一特征值
Figure 508922DEST_PATH_IMAGE021
、第二特征值
Figure 554239DEST_PATH_IMAGE022
、第三特征值
Figure 683869DEST_PATH_IMAGE023
，并定义第一维数特征
Figure 232662DEST_PATH_IMAGE024
、第二维数特征
Figure 789545DEST_PATH_IMAGE025
、第三维数特征
Figure 56578DEST_PATH_IMAGE026
，其计算方法如下：
Figure 255478DEST_PATH_IMAGE027
Figure 829417DEST_PATH_IMAGE028
Figure 88360DEST_PATH_IMAGE029
其中，
Figure 311531DEST_PATH_IMAGE021
为第k个激光点在邻域半径
Figure 48543DEST_PATH_IMAGE019
时对应的的第一特征值，
Figure 306349DEST_PATH_IMAGE022
为第k个激光点在邻域半径为
Figure 736193DEST_PATH_IMAGE019
时对应的的第二特征值，
Figure 181081DEST_PATH_IMAGE023
为第k个激光点在邻域半径为
Figure 721784DEST_PATH_IMAGE019
时对应的第三特征值；
步骤1所述构建车载激光点云的每个激光点在不同半径下的熵函数，具体为：
车载激光点云的第k个激光点
Figure 365255DEST_PATH_IMAGE012
在半径
Figure 372525DEST_PATH_IMAGE019
对应的熵函数为
Figure 101446DEST_PATH_IMAGE030
，具体定义为：
Figure 914682DEST_PATH_IMAGE031
其中，
Figure 412659DEST_PATH_IMAGE032
为第k个激光点在邻域半径为
Figure 387568DEST_PATH_IMAGE019
时对应的第一维数特征、
Figure 603786DEST_PATH_IMAGE033
为第k个激光点在邻域半径为
Figure 656930DEST_PATH_IMAGE019
时对应的第二维数特征、
Figure 9414DEST_PATH_IMAGE034
为第k个激光点在邻域半径为
Figure 951963DEST_PATH_IMAGE019
时对应的第三维数特征；
步骤1以车载激光点云的每个激光点对应的熵函数值最小为优化目标，依次优化求解得到车载激光点云的每个激光点的最佳邻域半径，具体方法为：
对车载点云中的每个激光点均取最大邻域半径
Figure 858739DEST_PATH_IMAGE007
，最小邻域半径
Figure 279356DEST_PATH_IMAGE008
，半径的增量
Figure 486346DEST_PATH_IMAGE009
，并初始化半径值为
Figure 334216DEST_PATH_IMAGE008
；对车载点云中第k个激光点，初始化其对应邻域半径
Figure 728289DEST_PATH_IMAGE035
，逐步以邻域增量
Figure 952597DEST_PATH_IMAGE009
增大邻域半径，直到满足
Figure 951777DEST_PATH_IMAGE036
；
并计算在不同邻域半径
Figure 236127DEST_PATH_IMAGE019
下的维数特征并构建熵函数，当熵函数值
Figure 648654DEST_PATH_IMAGE030
为最小值时的半径即为最佳的邻域半径
Figure 879915DEST_PATH_IMAGE037
。
3.根据权利要求1所述的基于车载激光点云的城市道路标牌提取方法，其特征在于，步骤2所述计算车载激光点云的每个激光点的最佳邻域半径的点云特征，具体方法为：
给最佳邻域半径
Figure 61498DEST_PATH_IMAGE038
，以车载点云中第k个激光点
Figure 749706DEST_PATH_IMAGE039
为球心，构建半径为
Figure 649529DEST_PATH_IMAGE038
的球形邻域
Figure 887743DEST_PATH_IMAGE040
，利用球形邻域
Figure 923833DEST_PATH_IMAGE040
的所有激光点构建第k个激光点的协方差矩阵
Figure 549986DEST_PATH_IMAGE041
,计算方式如下：
Figure 405947DEST_PATH_IMAGE042
其中，
Figure 510169DEST_PATH_IMAGE043
为第k个激光点对应的球形邻域
Figure 400764DEST_PATH_IMAGE040
内的邻域激光点个数，t为其球形邻域内的第t个邻域激光点，
Figure 197819DEST_PATH_IMAGE044
，
Figure 275497DEST_PATH_IMAGE045
邻域激光点由空间坐标组成的向量，
Figure 448989DEST_PATH_IMAGE046
为邻域激光点X轴对应的坐标值，
Figure 131774DEST_PATH_IMAGE047
为邻域激光点Y轴对应的坐标值，
Figure 99730DEST_PATH_IMAGE048
为邻域激光点Z轴对应的坐标值；
Figure 195862DEST_PATH_IMAGE049
，
Figure 609264DEST_PATH_IMAGE050
为第k个激光点球形邻域
Figure 740031DEST_PATH_IMAGE051
内所有激光点空间坐标平均值组成的向量，
Figure 613309DEST_PATH_IMAGE052
为第k个激光点球形邻域
Figure 196737DEST_PATH_IMAGE053
内所有激光点在X轴的坐标平均值，
Figure 118556DEST_PATH_IMAGE054
为第k个激光点球形邻域
Figure 103830DEST_PATH_IMAGE055
内所有激光点在Y轴的坐标平均值，
Figure 882430DEST_PATH_IMAGE056
为第k个激光点球形邻域
Figure 953154DEST_PATH_IMAGE057
内所有激光点在Z轴的坐标平均值；
将车载点中第k个激光点的协方差矩阵
Figure 740982DEST_PATH_IMAGE058
通过矩阵特征值分解得到车载点云中第k个激光点对应的第一特征值
Figure 580762DEST_PATH_IMAGE059
、车载点云中第i个激光点对应的第二特征值
Figure 61422DEST_PATH_IMAGE060
、车载点云中第i个激光点对应的第三特征值
Figure 822704DEST_PATH_IMAGE061
，且
Figure 679802DEST_PATH_IMAGE062
；
法向量
Figure 568165DEST_PATH_IMAGE063
为第k个激光点求得协方差矩阵
Figure 219726DEST_PATH_IMAGE064
的第三特征值
Figure 733884DEST_PATH_IMAGE065
对应的特征向量；
主方向
Figure 129093DEST_PATH_IMAGE066
为第k个激光点求得协方差矩阵
Figure 677886DEST_PATH_IMAGE064
的第一特征值
Figure 500349DEST_PATH_IMAGE067
对应的特征向量；
利用上述步骤计算车载点云中第k个激光点的维数特征
Figure 767382DEST_PATH_IMAGE068
、主方向
Figure 169545DEST_PATH_IMAGE066
、法向量
Figure 838423DEST_PATH_IMAGE069
支持向量机分类器对第k个激光点
Figure 769470DEST_PATH_IMAGE039
进行分类。
4.根据权利要求1所述的基于车载激光点云的城市道路标牌提取方法，其特征在于，步骤3所述设置每个竖直杆状生长激光点的生长规则，具体为：
计算空间上相邻的点
Figure 258220DEST_PATH_IMAGE070
与点
Figure 995232DEST_PATH_IMAGE071
主方向之间的夹角余弦
Figure 518618DEST_PATH_IMAGE072
，其中
Figure 682883DEST_PATH_IMAGE073
，
Figure 393350DEST_PATH_IMAGE074
，
Figure 934052DEST_PATH_IMAGE075
为车载激光点云中竖直杆状生长激光点的数量，若主方向之间的夹角余弦值
Figure 482583DEST_PATH_IMAGE072
与给定阈值
Figure 83329DEST_PATH_IMAGE076
满足
Figure 15513DEST_PATH_IMAGE077
，则点
Figure 359906DEST_PATH_IMAGE078
与点
Figure 592305DEST_PATH_IMAGE079
进行生长；
步骤3所述设置每个竖直面状生长激光点的生长规则，具体为：
计算空间上相邻的点
Figure 98372DEST_PATH_IMAGE080
与点
Figure 783432DEST_PATH_IMAGE081
法方向之间的夹角余弦值
Figure 665937DEST_PATH_IMAGE082
，其中
Figure 18421DEST_PATH_IMAGE083
，
Figure 367494DEST_PATH_IMAGE084
，
Figure 805428DEST_PATH_IMAGE085
为车载激光点云中竖直面状生长激光点的数量，若法方向之间的夹角余弦值
Figure 960466DEST_PATH_IMAGE082
与给定阈值
Figure 167457DEST_PATH_IMAGE086
满足
Figure 513862DEST_PATH_IMAGE087
，则点
Figure 439093DEST_PATH_IMAGE088
与点
Figure 335505DEST_PATH_IMAGE089
进行生长；
步骤3所述设置每个球状生长激光点的生长规则，具体为：空间上相邻。
CN202210659778.8A 2022-06-13 2022-06-13 一种基于车载激光点云的城市道路标牌提取方法 Pending CN114758323A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210659778.8A CN114758323A (zh) 2022-06-13 2022-06-13 一种基于车载激光点云的城市道路标牌提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210659778.8A CN114758323A (zh) 2022-06-13 2022-06-13 一种基于车载激光点云的城市道路标牌提取方法

Publications (1)

Publication Number Publication Date
CN114758323A true CN114758323A (zh) 2022-07-15

Family

ID=82336439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210659778.8A Pending CN114758323A (zh) 2022-06-13 2022-06-13 一种基于车载激光点云的城市道路标牌提取方法

Country Status (1)

Country Link
CN (1) CN114758323A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071530A (zh) * 2023-03-07 2023-05-05 青岛市勘察测绘研究院 一种基于机载激光点云的建筑物屋顶体素化分割方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260737A (zh) * 2015-11-25 2016-01-20 武汉大学 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法
CN106127153A (zh) * 2016-06-24 2016-11-16 南京林业大学 车载激光扫描点云数据的交通标牌识别方法
CN114022857A (zh) * 2021-11-16 2022-02-08 北京四维远见信息技术有限公司 一种杆状地物的提取分类方法、装置、设备和介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260737A (zh) * 2015-11-25 2016-01-20 武汉大学 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法
CN106127153A (zh) * 2016-06-24 2016-11-16 南京林业大学 车载激光扫描点云数据的交通标牌识别方法
CN114022857A (zh) * 2021-11-16 2022-02-08 北京四维远见信息技术有限公司 一种杆状地物的提取分类方法、装置、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨必胜 等: "《从车载激光扫描数据中提取复杂建筑物立面的方法》", 《测绘学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071530A (zh) * 2023-03-07 2023-05-05 青岛市勘察测绘研究院 一种基于机载激光点云的建筑物屋顶体素化分割方法

Similar Documents

Publication Publication Date Title
CN110570428B (zh) 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统
CN107292276B (zh) 一种车载点云聚类方法及系统
CN106204705B (zh) 一种基于多线激光雷达的3d点云分割方法
CN108171131B (zh) 基于改进MeanShift的Lidar点云数据道路标识线提取方法
Zai et al. 3-D road boundary extraction from mobile laser scanning data via supervoxels and graph cuts
CN106127153B (zh) 车载激光扫描点云数据的交通标牌识别方法
WO2018068653A1 (zh) 点云数据处理方法、装置及存储介质
CN111815776A (zh) 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法
CN110490888B (zh) 基于机载激光点云的高速公路几何特征矢量化提取方法
CN111626217A (zh) 一种基于二维图片和三维点云融合的目标检测和追踪方法
CN106780524A (zh) 一种三维点云道路边界自动提取方法
CN106199558A (zh) 障碍物快速检测方法
CN109256028B (zh) 一种用于无人驾驶的高精度路网自动生成的方法
CN114419152B (zh) 一种基于多维度点云特征的目标检测与跟踪方法及系统
CN112099046B (zh) 基于多值体素模型的机载lidar三维平面检测方法
CN112330661A (zh) 一种多期车载激光点云道路变化监测方法
CN110532963B (zh) 一种车载激光雷达点云驱动的道路标线精准提取方法
CN107944383A (zh) 基于三维Voronoi图的建筑物屋顶面片分割方法
CN112561944A (zh) 一种基于车载激光点云的车道线提取方法
WO2023060632A1 (zh) 基于点云数据的街景地物多维度提取方法和系统
CN114359876B (zh) 一种车辆目标识别方法及存储介质
Zheng et al. Background noise filtering and clustering with 3D LiDAR deployed in roadside of urban environments
CN114782729A (zh) 一种基于激光雷达与视觉融合的实时目标检测方法
CN116109601A (zh) 一种基于三维激光雷达点云的实时目标检测方法
CN115063555A (zh) 高斯分布区域生长的车载LiDAR点云行道树提取方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220715

RJ01 Rejection of invention patent application after publication