CN115797551B - 基于两步无监督聚类算法的激光点云数据自动建模方法 - Google Patents

Abstract

一种基于两步无监督聚类算法的激光点云数据自动建模方法，包括以下步骤：计算点云数据的边界多维数据集，将边界多维数据集分为子多维数据集，将点云分配到对应的子多维数据集，得到预处理后的点云数据；采用无监督聚类算法，基于对点的几何性质的分层统计分析依次对点云数据进行点聚类和面聚类，得到表面数据集；对表面数据集，计算每个聚类表面边界点的局部切线，进行局部切线建模，提取每个聚类表面边界方向，利用图形切割的快速能量最小化过程对每个聚类提取的边界进行细化，减少边界的数量；挤压每个聚类表面对应的边界形成一组不重叠的三维模型，将每个子多维数据集对应的三维模型进行合并形成完整的三维点云模型。适用于三维点云模型。

Description

基于两步无监督聚类算法的激光点云数据自动建模方法

技术领域

本发明涉及点云数据建模技术领域，具体是一种基于两步无监督聚类算法的激光点云数据自动建模方法。

背景技术

目前，三维激光扫描技术是几何信息采集最先进的测量技术之一，其通过高速激光扫描测量，快速获取被测建筑环境的详细3D点云数据，极大提高现场建筑信息采集的精度和效率。

然而，点云数据实际空间离散点的几何坐标信息，无法直接应用于工程实践中。现阶段点云数据生成模型通常需将点云导入建模软件中，建模人员手动完成，这需要软件交互和专业操作人员，且耗时、主观易出错。而且根据职业建模人员及相关人员的报告称，即使一个简单设施，超过三分之二的工作将点云数据手动转换为三维模型，这极大破坏了3D扫描技术带来的效益。

发明内容

本发明的目的在于提供一种基于两步无监督聚类算法的激光点云数据自动建模方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于两步无监督聚类算法的激光点云数据自动建模方法，包括以下步骤：

S1:计算点云数据的边界多维数据集，并将边界多维数据集分为子多维数据集，最后将点云分配到对应的子多维数据集，得到预处理后的点云数据；

S2:采用无监督聚类算法P2C，基于对点的几何性质的分层统计分析依次对预处理后的点云数据进行点聚类和面聚类，得到表面数据集；

S3:对得到的表面数据集，先使用高斯混合模型计算每个聚类表面边界点的局部切线，并进行局部切线建模，来提取每个聚类表面边界方向，再利用图形切割的快速能量最小化过程对每个聚类提取的边界进行细化，来减少边界的数量；

S4:挤压每个聚类表面对应的边界形成一组不重叠的三维模型，最后将每个子多维数据集对应的三维模型进行合并形成完整的三维点云模型。

优选地，步骤S1具体为：

首先计算整个点云数据的边界多维数据集，然后将边界多维数据集细分为内存可管理的子多维数据集，最后将点云分配到对应的子多维数据集，得到预处理后的点云数据。

优选地，步骤S2具体为：

采用两步无监督聚类算法P2C，在预处理后的点云数据上基于对数据几何性质分层统计分析依次进行点聚类和面聚类，得到表面数据集。

优选地，所述点聚类是利用相同结构对应的点具有相似几何特性的原理，将点云数据聚类成多个单独的几何要素面，每个点P由局部几何的六维特征向量f_p表示，并满足以下公式：

f_p＝<N_X，N_Y，N_Z，P_Z，h_var，n_var> (1)

其中，Nx、Ny和Nz是通过平均八个邻域法向量计算的每个点云的法向量分量，Pz是点的高度，H_var和n_var分别为点的八个邻域周围的局部高度方差和法向方差，通过捕捉每个点高度和法线在领域上的相对变化，来减少在点聚类过程中同心聚类产生，并且在点聚类过程中，判断P^j和P^1-n的相邻n个点是不是的一部分，采用似然检测方法λ(f_pσ)判断点p^k的特征向量/>是否添加到聚类面片，如果添加成功，则重新计算均值和协方差矩阵，λ(f_pσ)表达式如下：

式中和/>分别是均值和协方差矩阵，/>是协方差矩阵的对角向量，/>为六维高斯函数，κ是经验分配值；

重复上述迭代过程，直到所有候选点无法通过似然测试生成聚类面片，下一次聚类以被拒绝的候选点开始，直到所有点聚类成面片。

优选地，所述面聚类是将点聚集成的面片合并成为更高级别的几何元素，称为表面，对应于相同结构的相邻面片可能具有相似的几何特性，利用此特性采用两步无监督聚类算法，基于Bhattacharya距离d_bhat作为度量，通过比较相邻面片，测量可分性测度中两个正态分布和/>其中可分性d_bhat表达式如下：

其中和/>是均值不同导致的可分性，Σ₁和Σ₂是协方差矩阵差异测量的可分性；

当测量的可分性测度dbhat低于经验定义值时，两个相邻面片s₁和s₂合并，否则两步无监督聚类算法继续测量下一个相邻面片，重复上述迭代过程，直到所有相邻面片都聚类成表面，从而得到表面数据集。

优选地，步骤S3具体为：

对得到的表面数据集，使用高斯混合模型计算每个聚类表面边界点的局部切线/>并进行局部切线建模，来提取每个聚类表面边界方向，具体形式如下：

其中，是各组分的混合物均值，β_i是均值，∑_i是协方差矩阵，参数β_i使用期望最大化(EM)算法执行，满足最大化似然函数的对数：

式中，X＝{X₁，...，X_M}为数据样本，即局部切线；

根据图形切割能量最小化函数，在数据样本X＝{X₁，...，X_M}中找到成本最小局部切线来实现细化每个聚类表面的边界点，并且基于提取的聚类表面边界方向进行分类，同时确保只考虑主要方向，图形切割能量最小化函数E(f)满足：

E(f)＝E_data(f)+κ₁*E_smooth(f)+κ₂*E_label(f), (6)

式中，k₁是平滑项的权重，k₂是标签项的权重，E_data(f)是数据项能量，E_smooth(f)是平滑项能量，E_label(f)是标签项能量，

在图形切割能量最小化过程中，对于每次迭代，随机选择一个方向，然后在此方向上进行扩展移动寻找最佳配置，如果新的配置中总体能量E(f)减少了，则重复此过程，最终通过将所有3D点上的x和y分量投影到指定的方向来调整边界点。

优选地，步骤S4具体为：

挤压每个聚类表面对应的边界形成一组不重叠的、简化的、水密的、多边形的三维模型，最后将每个子多维数据集对应的三维模型进行合并形成完整的三维点云模型。

与现有技术相比，本发明的有益效果是：

1、通过预处理点云数据成可管理的点云数据集，根据对点的几何性质分层统计分析，使用一种新的两步无监督聚类算法将点云数据集分离成不同特征聚类簇，利用图形切割的快速能量最小化过程对每个聚类簇提取的边界进行细化，最后通过挤压曲面轮廓生成一组不重叠的、简化的、水密的、多边形的三维模型，该方法能够解决在大场景非结构化、有噪声点云中，边界数量多且不规则的情况下现有技术建模时间长、精度低的缺陷，实现三维模型自动生成，获取了模型精度参数，缩短了建模时间，提高了工作效率。

2、同时，本方法解决了计算机图形视觉领域大多依靠人工建模，耗时多、模型精度低的难题。

附图说明

图1为本发明的流程结构示意框图；

图2为本发明的两步无监督聚类算法P2C流程结构示意框图。

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。

请参阅图1和图2，本发明实施例中，一种基于两步无监督聚类算法的激光点云数据自动建模方法，所述方法包括以下步骤：

1)预处理由机载激光雷达扫描捕获的激光点云数据，构造细分为可被独立执行的子多维数据集，子多维数据集集聚产生内存可管理的点云数据集；

其中，步骤1)中，激光点云数据预处理首先需要通过计算整个点云数据的边界多维数据集，将点云数据组织成更有效的形式，如八叉树；其次是将边界多维数据集细分为内存可管理的子多维数据集；最后将点云分配到适当的子多维数据集。

对于显示的所有数据集，每个子多维数据集初始分辨率由用户定义为2K，并且内部表示为可存储的高动态范围图像的XYZ映射，能够保留每个点云的整个范围值，不会因量化而丢失信息。对于任意规模点云数据集，需要在核心之外将数据赋值给子数据集，每当一个点被赋值在子数据集(子多维数据集)时，就自动保存到磁盘。一旦所有点云都被分配到子多维数据集中，采用双边滤波和孔洞填充方法来去除噪声和孔洞，最后得到存储在磁盘上的一组包含0个或多个点云的子数据集(子多维数据集)。激光点云数据预处理整个过程复杂性为2N，其中N是数据集中的点总数，2表示需要遍历的次数：一次用于计算包围数据集，一次用于将每个点分配到适当的子数据集。

2)采用一种新型无监督聚类算法P2C，基于对点的几何性质的分层统计分析，得到一组小面积的斑块，然后根据相邻的补丁的相似性合并成更高层次的几何元素，称为表面，最后将其划分为不同特征面的聚类；

其中，步骤2)中，采用一种新型两步无监督聚类算法P2C在点云数据集上基于对数据几何性质分层统计分析依次进行点聚类和面聚类。

点聚类是利用相同结构对应的点具有相似几何特性的原理，将点云数据聚类成多个单独的几何要素面，每个点P由局部几何的六维特征向量f_p表示，并满足以下公式：

f_p＝<N_X，N_Y，N_Z，P_Z，h_var，n_var> (1)

其中Nx、Ny和Nz是通过平均八个邻域法向量计算的每个点云的法向量分量，Pz是点的高度。H_var和n_var分别为点的八个邻域周围的局部高度方差和法向方差，通过捕捉每个点高度和法线在领域上的相对变化，来减少在点聚类过程中同心聚类产生。并且在点聚类过程中，需要考虑P^j和P^1-n的相邻n个点是不是的一部分，采用似然检测方法λ(f_pσ)判断点p^k的特征向量/>是否添加到聚类面片，如果添加成功，则重新计算均值和协方差矩阵。λ(f_pσ)表达式如下：

式中和/>分别是均值和协方差矩阵，/>是协方差矩阵的对角向量，/>为六维高斯函数，κ是经验分配值，通常取1。

重复上述迭代过程，直到所有候选点无法通过似然测试生成聚类面片，下一次聚类以被拒绝的候选点开始，直到所有点聚类成面片。

面聚类是将点聚集成的面片合并成为更高级别的几何元素，称为表面。对应于相同结构的相邻面片可能具有相似的几何特性，利用此特性采用一种新的两步无监督聚类算法，基于Bhattacharya距离d_bhat作为度量，通过比较相邻面片，测量可分性测度中两个正态分布和/>其中可分性d_bhat表达式如下：

其中和/>是均值不同导致的可分性，Σ₁和Σ₂是协方差矩阵差异测量的可分性。

当测量的可分性测度dbhat低于经验定义值时，两个相邻面片s₁和s₂合并，否则两步无监督聚类算法继续测量下一个相邻面片，重复上述迭代过程，直到所有相邻面片都聚类成表面。

3)利用图形切割的快速能量最小化过程对每个聚类提取的边界进行细化，来减少边界的数量；

其中，步骤3)中，对激光点云数据经步骤2)中确定的方式进行聚类后得到一个表面数据集，使用高斯混合模型(GMMs)计算每个聚类表面边界点的局部切线并进行局部切线建模，来提取每个聚类表面边界方向，具体形式如下：

其中是各组分的混合物均值，β_i是均值，∑_i是协方差矩阵。参数β_i使用期望最大化(EM)算法执行，应该满足最大化似然函数的对数：

式X＝{X₁，...，X_M}为数据样本，既局部切线。

根据图形切割能量最小化函数，在数据样本X＝{X₁，...，X_M}中找到成本最小局部切线来实现细化每个聚类表面的边界点，并且基于提取的聚类表面边界方向进行分类，同时确保只考虑主要方向，图形切割能量最小化函数E(f)应该满足：

E(f)＝E_data(f)+κ₁*E_smooth(f)+κ₂*E_label(f), (6)

式中k₁是平滑项的权重，k₂是标签项的权重，E_data(f)是数据项能量，E_smooth(f)是平滑项能量，E_label(f)是标签项能量。

在图形切割能量最小化过程中，对于每次迭代，随机选择一个方向，然后在此方向上进行扩展移动寻找最佳配置，如果新的配置中总体能量E(f)减少了，则重复此过程，最终通过将所有3D点上的x和y分量投影到指定的方向来调整边界点。

4)挤压曲面对应的边界，形成一组不重叠的，大大简化的，水密的，多边形的三维模型，从而实现的三维模型自动重建。

其中，步骤4)中，挤压每个聚类表面对应的边界形成一组不重叠的、简化的、水密的、多边形的三维模型，最后将每个子多维数据集对应的三维模型进行合并形成完整三维点云模型。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于两步无监督聚类算法的激光点云数据自动建模方法，其特征在于，包括以下步骤：

S1:计算点云数据的边界多维数据集，并将边界多维数据集分为子多维数据集，最后将点云分配到对应的子多维数据集，得到预处理后的点云数据；

S2:采用无监督聚类算法P2C，基于对点的几何性质的分层统计分析依次对预处理后的点云数据进行点聚类和面聚类，得到表面数据集；

S3:对得到的表面数据集，先使用高斯混合模型计算每个聚类表面边界点的局部切线，并进行局部切线建模，来提取每个聚类表面边界方向，再利用图形切割的快速能量最小化过程，在数据样本X＝{X₁，...，X_M}即局部切线中找到成本最小局部切线，以实现对每个聚类提取的边界进行细化，来减少边界的数量；

S4:挤压每个聚类表面对应的边界形成一组不重叠的三维模型，最后将每个子多维数据集对应的三维模型进行合并形成完整的三维点云模型；

所述点聚类是利用相同结构对应的点具有相似几何特性的原理，将点云数据聚类成多个单独的几何要素面，每个点P由局部几何的六维特征向量f_p表示，并满足以下公式：

f_p＝<N_X,N_Y,N_Z,P_Zh_var，n_var〉 (1)

其中，N_X、N_Y和N_Z是通过平均八个邻域法向量计算的每个点云的法向量分量，P_Z是点的高度，h_var和n_var分别为点的八个邻域周围的局部高度方差和法向方差，通过捕捉每个点高度和法线在领域上的相对变化，来减少在点聚类过程中同心聚类产生，并且在点聚类过程中，通过采用似然检测方法来判断每个子多维数据集中初始起点P¹和终点P^k之间相邻k个点是不是特征向量/>的一部分，从而实现将相似几何结构的点添加到聚类面片，如果添加成功，则重新计算均值和协方差矩阵，/>表达式如下：

式中和/>分别是均值和协方差矩阵，/>是协方差矩阵的对角向量，/>为六维高斯函数，κ是经验分配值；

重复上述迭代过程，直到所有候选点无法通过似然测试生成聚类面片，下一次聚类以被拒绝的候选点开始，直到所有点聚类成面片；

所述面聚类是将点聚集成的面片合并成为更高级别的几何元素，称为表面，对应于相同结构的相邻面片可能具有相似的几何特性，利用此特性采用两步无监督聚类算法，基于Bhattacharyya距离d_bhat作为度量，通过比较相邻面片，测量可分性测度中两个正态分布和/>其中可分性d_bhat表达式如下：

其中和/>是均值不同导致的可分性；Σ₁和Σ₂是协方差矩阵差异测量的可分性；

当测量的可分性测度d_bhat低于经验定义值时，两个相邻面片s₁和s₂合并，否则两步无监督聚类算法继续测量下一个相邻面片，重复上述迭代过程，直到所有相邻面片都聚类成表面，从而得到表面数据集。

2.根据权利要求1所述的基于两步无监督聚类算法的激光点云数据自动建模方法，其特征在于，步骤S1具体为：

首先计算整个点云数据的边界多维数据集，然后将边界多维数据集细分为内存可管理的子多维数据集，最后将点云分配到对应的子多维数据集，得到预处理后的点云数据。

3.根据权利要求1所述的基于两步无监督聚类算法的激光点云数据自动建模方法，其特征在于，步骤S3具体为：

对得到的表面数据集，使用高斯混合模型计算每个聚类表面边界点的局部切线并进行局部切线建模，来提取每个聚类表面边界方向，具体形式如下：

其中，∑_i为点的协方差矩阵，通过使用期望最大化EM算法执行获取，其满足最大化似然函数的对数：

式中，X＝{X₁，...,X_M}为数据样本，即局部切线；

根据图形切割能量最小化函数，在数据样本X＝{X₁，...,X_M}中找到成本最小局部切线来实现细化每个聚类表面的边界点，并且基于提取的聚类表面边界方向进行分类，同时确保只考虑主要方向，图形切割能量最小化函数E(f)满足：

E(f)＝E_data(f)+κ₁*E_smooth(f)+κ₂*E_label(f), (6)

式中，k₁是平滑项的权重，k₂是标签项的权重，E_data(f)是数据项能量，E_smooth(f)是平滑项能量，E_label(f)是标签项能量，

在图形切割能量最小化过程中，对于每次迭代，随机选择一个方向，然后在此方向上进行扩展移动寻找最佳配置，如果新的配置中总体能量E(f)减少了，则重复此过程，最终通过将所有3D点上的x和y分量投影到指定的方向来调整边界点。

4.根据权利要求1所述的基于两步无监督聚类算法的激光点云数据自动建模方法，其特征在于，步骤S4具体为：

挤压每个聚类表面对应的边界形成一组不重叠的、简化的、水密的、多边形的三维模型，最后将每个子多维数据集对应的三维模型进行合并形成完整的三维点云模型。