適用于地面激光雷達(dá)點云分類的多層次點集特征的提取方法
【專利摘要】本發(fā)明涉及適用于地面激光雷達(dá)點云分類的多層次點集特征的提取方法?；邳c集特征實現(xiàn)了場景中行人、樹木、建筑和汽車等四類比較常見地物的高精度分類。首先，構(gòu)建點集，將點云重采樣成不同尺度的點云，聚類形成不同大小、具有層次結(jié)構(gòu)的點集，獲得點集中每一點的特征；接下去，采用LDA(Latent?Dirichlet?Allocation)方法把每個點集中所有點的基于點的特征綜合成點集的形狀特征；最后，基于點集的形狀特征，采用Adaboost分類器對不同層次的點集進(jìn)行訓(xùn)練，獲得整個點云的分類結(jié)果。本發(fā)明具有較高的分類精度，尤其在行人和車的分類精度方面，遠(yuǎn)高于基于點的特征、基于Bag-of-Word的特征和基于概率潛語義分析(PLSA)特征的分類精度。
【專利說明】適用于地面激光雷達(dá)點云分類的多層次點集特征的提取方 法 一、 【技術(shù)領(lǐng)域】
[〇〇〇1] 本發(fā)明涉及適用于地面激光雷達(dá)點云分類的多層次點集特征的提取方法，屬于空 間信息【技術(shù)領(lǐng)域】。 二、 【背景技術(shù)】
[0002] 只有有效的分類識別地面激光雷達(dá)點云，才能實現(xiàn)復(fù)雜場景的認(rèn)知。單站式地面 激光雷達(dá)點云一般隨距離掃描儀的遠(yuǎn)近不同密度由稀到密變化，如果場景范圍較大，近處 和遠(yuǎn)處地物的點密度會相差數(shù)倍，加上點密度不均一導(dǎo)致同一地物在相同尺寸窗口內(nèi)紋理 信息具有較大的差異。城市場景中除了建筑和植被，還存在人和汽車等，這些目標(biāo)往往個體 較小，形態(tài)各異，容易被其它物體所遮擋，造成點云不完整，用這部分點云判斷它們所屬的 類別是比較困難的，并且在掃描過程中這些小目標(biāo)可能處于運(yùn)動狀態(tài)，造成點云的拉升，t匕 較顯著的紋理特征因拉伸變的模糊而難以識別。
[0003] 機(jī)載激光雷達(dá)點云分布較為均一，所以機(jī)載激光雷達(dá)點云分類方法較少考慮點云 密度的變化，相應(yīng)的難以應(yīng)用到地面激光雷達(dá)點云分類中。近年來有許多相關(guān)研究集中在 地面激光雷達(dá)點云分類中，部分方法對已經(jīng)分割出來的點集或地物進(jìn)行分類，另外一部分 從上下文關(guān)系識別點云類別，但這些方法離不開對單點或點集特征的選取?；趩吸c的特 征易受到噪聲的影響，已有的點集特征使用點集的平均點數(shù)、平均法向量等特征，在復(fù)雜場 景中，這些特征的穩(wěn)定性較差。目前，仍缺乏對點集特征進(jìn)行有效描述的方法，基于此，本發(fā) 明研究一種魯棒的、具有較高區(qū)分度的特征來表達(dá)目標(biāo)或點集，能有效的描述每個點的特 征，以及點與點之間的聯(lián)系，很好的適應(yīng)地面激光雷達(dá)點云密度不均一、噪聲以及數(shù)據(jù)缺失 等問題。 三、
【發(fā)明內(nèi)容】

[0004] 1、目的：有效獲取激光雷達(dá)點云數(shù)據(jù)的特征是實現(xiàn)復(fù)雜場景地物識別和分類的基 礎(chǔ)。地物離掃描儀距離遠(yuǎn)近不同或者地物間相互遮擋會造成點云密度不均一、地物局部點 云的缺失，使得基于點的特征缺乏穩(wěn)定性，應(yīng)用這些特征對地物分類精度不高，尤其是造成 一些小地物分類精度過低。本發(fā)明提出了一種多層次多尺度點集特征的提取方法，基于點 集特征實現(xiàn)了場景中行人、樹木、建筑和汽車等四類比較常見地物的高精度分類。
[0005] 2、技術(shù)方案：
[0006] 適用于地面激光雷達(dá)點云分類的多層次點集特征的提取方法，其特征在于，包括 如下步驟（如圖1):
[0007] 步驟一：構(gòu)建多層次多尺度的點集
[0008] 為了從點集中提取魯棒的、具有較高區(qū)分度的形狀特征，重采樣點云成若干個尺 度，每個尺度的點云再分割成若干個層次，生成的最終點集稱作多尺度多層次點集。構(gòu)建多 尺度多層次點集的方法如下：
[0009] (1)去除點云中孤立點和地面點。在水平方向建立2mX2m的柵格圖像，把點云按 照其水平坐標(biāo)歸屬到對應(yīng)的柵格中，每個柵格中點云最低高度作為該柵格的值，每個柵格 分成地面點或非地面點。如果它周圍存在一個柵格值比它低〇. 5m，就把它作為非地面點； 如果一個柵格的周圍均是非地面點，該柵格也是非地面點。地面點的去除分為兩步：首先去 除地面點柵格中和該柵格最低點高差小于〇. lm的點；為了去除那些道路兩旁臺階上的點， 對周圍存在地面點的柵格，剔除該柵格中和周圍地面點柵格中最低點高差小于0. lm的點。 [〇〇1〇] (2)為了使獲得的特征有尺度不變性以及對點密度變化具有不敏感性，重采樣點 云成若干個尺度。假設(shè)存在第i個尺度的點云，對其重采樣獲得第i+ι個尺度的點云。遞 歸進(jìn)行直到該尺度的點云密度小于需要分類點云平均密度的50%為止。根據(jù)Shannon采 樣定理，如果點云米樣密度小于原來密度的50%，那么它就無法描述物體的表面信息，該點 云作為訓(xùn)練數(shù)據(jù)會降低分類結(jié)果。用點密度小的采樣尺度處理遠(yuǎn)處的物體表面點云，而點 密度大的采樣尺度有效的處理近處的物體表面。下面分割步驟是在每一個尺度上同時進(jìn)行 的。
[0011] (3)采用圖組織點云。將點云中每一點作為一個頂點，尋找每一個點最鄰近的ki 個點，連接這些點形成邊，獲得無向圖Gi (V，E)，每條邊的歐氏距離作為這條邊的權(quán)重。通過 判斷圖的連通性獲得所有連通分量。
[0012] (4)在比較復(fù)雜的區(qū)域有些物體是聚集在一起的，一個連通分量會包含多個物體， 需要對連通分量進(jìn)一步分割。區(qū)域內(nèi)一個局部最高點通常意味著該區(qū)域內(nèi)存在一個地物， 局部最高點作為地物標(biāo)識進(jìn)一步分割。用類似步驟一的過程形成一個lmX lm柵格圖像，柵 格中的最高點作為該柵格的值。用移動窗口法采用5X5的窗口在柵格上滑動，搜索局部最 高點，這些最高點作為地物存在的標(biāo)志；接下去，用圖割（Graph Cut)對包含多個地物標(biāo)志 的連通分量進(jìn)行分割。把最高點稱作為種子點，最后一個連通分量會分成幾個圍繞著這些 種子點的點集。
[0013] (5)弓丨入Normalized Cut分割點云。一個點集Normalized Cut二分，直到點集小 于預(yù)先定義的閾值Sm。為了保證點集包含足夠多的形狀特征信息，δ m由掃描儀設(shè)定的角 分辨率來決定的。在判斷點集屬于哪一類時，需要從多個層次對點集進(jìn)行聯(lián)合判別，即采用 不同的Sm獲得不同大小的點集，用這些點集進(jìn)行聯(lián)合判別。設(shè)定δπι為最小的那個閾值， 對應(yīng)最深的層次為第η層，那么第
【權(quán)利要求】
1.適用于地面激光雷達(dá)點云分類的多層次點集特征的提取方法，其特征在于，包括如 下步驟： 步驟一：構(gòu)建多層次多尺度的點集 (1) 去除點云中孤立點和地面點，在水平方向建立2mX2m的柵格圖像，把點云按照其 水平坐標(biāo)歸屬到對應(yīng)的柵格中，每個柵格中點云最低高度作為該柵格的值，如果它周圍存 在一個柵格值比它低〇. 5m，就把它作為非地面點；如果一個柵格的周圍均是非地面點，該 柵格也是非地面點，地面點的去除分為兩步：首先去除地面點柵格中和該柵格最低點高差 小于0. lm的點；為了去除那些道路兩旁臺階上的點，對周圍存在地面點的柵格，剔除該柵 格中和周圍地面點棚格中最低點商差小于0. lm的點； (2) 為了使獲得的特征有尺度不變性以及對點密度變化具有不敏感性，重采樣點云成 若干個尺度，假設(shè)存在第i個尺度的點云，對其重采樣獲得第i+Ι個尺度的點云，遞歸進(jìn)行 直到該尺度的點云密度小于需要分類點云平均密度的50%為止，用點密度小的采樣尺度處 理遠(yuǎn)處的物體表面點云，而點密度大的采樣尺度有效的處理近處的物體表面，下面分割步 驟是在每一個尺度上同時進(jìn)行的； (3) 采用圖組織點云，將點云中每一點作為一個頂點，尋找每一個點最鄰近的&個點， 連接這些點形成邊，獲得無向圖h (V，E)，每條邊的歐氏距離作為這條邊的權(quán)重，通過判斷 圖的連通性獲得所有連通分量； (4) 區(qū)域內(nèi)一個局部最高點通常意味著該區(qū)域內(nèi)存在一個地物，局部最高點作為地物 標(biāo)識進(jìn)一步分割，采用類似步驟一的過程形成一個lmX lm柵格圖像，柵格中的最高點作為 該柵格的值，用移動窗口法采用5X5的窗口在柵格上滑動，搜索局部最高點，這些最高點 作為地物存在的標(biāo)志；接下去，用圖割對包含多個地物標(biāo)志的連通分量進(jìn)行分割； 5)引入Normalized Cut分割點云，一個點集Normalized Cut二分，直到點集小于預(yù)先 定義的閾值Sm，為了保證點集包含足夠多的形狀特征信息，δ m由掃描儀設(shè)定的角分辨率 來決定的，在判斷點集屬于哪一類時，需要從多個層次對點集進(jìn)行聯(lián)合判別，即采用不同的 S m獲得不同大小的點集，用這些點集進(jìn)行聯(lián)合判別； 步驟二：提取多層次多尺度點集的特征 (1)基于點的特征的提取 首先，定義點云中每點的支撐區(qū)域，集合Np = {q|q是p的1^2個最鄰近點中的一個}作 為點P的支撐區(qū)域，定義了支撐區(qū)域后，用基于特征值的特征和spin圖對一個點的特征進(jìn) 行描述，特征值
是通過求解下面的協(xié)方差矩陣Cp獲得的，
(1) 上式⑴中，^是集合Np中所有點的中心， 不同協(xié)方差矩陣獲得的特征值的取值范圍是不同的，為了便于比較這些特征值，需要 對其進(jìn)行歸一化，
(2) 獲取了特征值以后，計算基于特征值的特征并構(gòu)建形成一個6維的向量Feigm， (3) 匕igm中基于特征值的特征依次代表結(jié)構(gòu)張量全方差、結(jié)構(gòu)張量的各向異性、結(jié)構(gòu)張量 的平面、球形結(jié)構(gòu)張量、結(jié)構(gòu)張量特征熵和線性結(jié)構(gòu)張量； spin圖用來求取場景中一點周圍區(qū)域的大量形狀特征，它通過2維直方圖分布表達(dá)三 維空間的信息，采用一個點的法向量作為spin圖的旋轉(zhuǎn)軸，接著，按照式（4)計算支撐區(qū)域 中點P在spin圖中的坐標(biāo)；獲得了每個三維點對應(yīng)到spin圖坐標(biāo)后，完成一個三維點到 spin圖上點的轉(zhuǎn)化，
(4) 式（4)中，X代表三維點在spin圖X軸的坐標(biāo)，y代表三維點在spin圖y軸的坐標(biāo)，q 代表q點的三維坐標(biāo)，P代表P點的三維坐標(biāo)，η表示p點的法向量； 生成每一點的3X4spin圖像，為了減少spin圖中0值的數(shù)量，計算所有投影在負(fù)y軸 上點所對應(yīng)該方向上的絕對值作為它們的y值，在spin圖中，X軸方向的柵格值是該點支 撐范圍內(nèi)距離該點最遠(yuǎn)點到該點距離的1/3,手工設(shè)定 7軸方向的柵格值，第一個刻度是從 0-0. 02m，第二個刻度是從0. 02-0. 04m，第三個刻度是從0. 04-0. 06m，第四個刻度是0. 06到 + ε?，一個點支撐區(qū)域中所有點落入到spin圖中后，計算spin圖中每個柵格中點的數(shù)量，這 些柵格形成了一個二維直方圖，用向量F spin來表示，12個柵格的值形成了一個12維的Fspin， 它和6維的F_n通過[F spin，F(xiàn)_n]的方式構(gòu)成了一個18維的向量F_t，F(xiàn)_t就是本發(fā)明 采用的基于點的特征，它具有F spin和Feigm的方向不變性的特點； (2)基于LDA(Latent Dirichlet Allocation)提取多層次多尺度點集的特征 采用K-means算法對多層次多尺度的點集中所有點的Fp()int進(jìn)行聚類，獲得K個中心向 量，這K個中心向量就是單詞，這些單詞的集合就是字典，獲得了單詞和字典以后，重新編 碼所有點的F p()int，每個Fp()int用離它最近的單詞代替，代替完Fp()int后，所有的特征壓縮到一 個由這些單詞構(gòu)成的空間內(nèi)，統(tǒng)計每一個點集中的詞頻，這樣每一集合就表示成一個詞頻 的向量，向量長度是單詞的數(shù)量，向量的值是對應(yīng)單詞在這個點集中的頻率，通過這些詞頻 向量學(xué)習(xí)到LDA模型， 獲得LDA模型后，提取每一點集的隱語義向量，構(gòu)成多尺度多層次點集的特征，計算每 點的F_t與每個單詞的距離，對整個F_t構(gòu)成的矩陣按列歸一化，本發(fā)明采用式（5)進(jìn)行 歸一化，
(5) 式（5)中，η代表歸一化后的值，f代表當(dāng)前值，max表示一列中最大值，min表示這一 列中最小值； 記錄歸一化的方法和參數(shù)用于計算未知點集對應(yīng)維數(shù)值，當(dāng)提取一個未知點集的多層 次多尺度特征時，計算該點集每點的Fp()int，按照訓(xùn)練過程中歸一化的方式，歸一化每點Fp()int 中每一維的值，用字典中單詞代替歸一化后的Fp()int，得到點集中每個單詞后，也就獲得了 該點集的詞頻向量，用學(xué)習(xí)得到的LDA模型識別詞頻向量獲得這個點集的多尺度多層次特 征；步驟三：基于多層次多尺度特征的分類 為了避免訓(xùn)練LDA模型受聚類形成的碎片影響，保持訓(xùn)練集對主要地物的純凈性，點 數(shù)小于20的點集不參與訓(xùn)練LDA模型，當(dāng)獲得所有多尺度多層次的點集特征后，訓(xùn)練得到 多個一對多的AdaBoost分類器，每一點集的集合訓(xùn)練4個AdaBoost分類器，分別對應(yīng)人、 樹、建筑、汽車4個類別，當(dāng)LDA模型和AdaBoost分類器學(xué)習(xí)完畢以后，結(jié)束訓(xùn)練過程，就對 未知的點云進(jìn)行分類； 遇到未標(biāo)識的點云時，首先將其分成多層次點集，采用LDA獲得這些點集的特征，通過 AdaBoost分類器對這些點集進(jìn)行分類，通過AdaBoost分類器分類以后，計算得到每一個點 集屬于某一類li的概率：
(6) 式（6)中，F(xiàn)是多層次多尺度的特征，num表示第num個層次（1彡num彡η), Ρη?Μ(1?， F)是這個點集在第num層標(biāo)識為h的概率，H^dF)是AdaBoost分類器對這一點集屬于 1類的輸出權(quán)重， 點集標(biāo)識為li的概率由式（7)決定：
(7) 點集歸屬類別是取這個點集所有類別中概率最大的那一類，至此完成整個點云分類。
【文檔編號】G06T7/00GK104091321SQ201410146272
【公開日】2014年10月8日 申請日期:2014年4月14日 優(yōu)先權(quán)日:2014年4月14日
【發(fā)明者】張立強(qiáng), 王臻 申請人:北京師范大學(xué)