一種基于特征球的室外場(chǎng)景三維點(diǎn)云數(shù)據(jù)的分類方法
【專利摘要】本發(fā)明涉及一種三維點(diǎn)云數(shù)據(jù)的分類方法，一種基于特征球的室外場(chǎng)景三維點(diǎn)云數(shù)據(jù)的分類方法，包括以下步驟：步驟1.構(gòu)建條件隨機(jī)場(chǎng)模型；步驟2.構(gòu)造三維點(diǎn)云特征球；步驟3.計(jì)算點(diǎn)特征向量；步驟4.計(jì)算邊特征向量；步驟5.計(jì)算團(tuán)特征向量；步驟6.學(xué)習(xí)條件隨機(jī)場(chǎng)模型的參數(shù)；步驟7.對(duì)三維點(diǎn)云數(shù)據(jù)進(jìn)行推斷分類。本發(fā)明通過三維點(diǎn)云特征球的構(gòu)造，準(zhǔn)確全面地計(jì)算了三維點(diǎn)云各層次的特征向量，準(zhǔn)確可靠地分割了室外場(chǎng)景的三維點(diǎn)云，形成了性質(zhì)統(tǒng)一的點(diǎn)云團(tuán)，從而有效地解決了由于室外場(chǎng)景幾何拓?fù)浣Y(jié)構(gòu)較為復(fù)雜等因素而引起的點(diǎn)云特征向量構(gòu)造不完善和點(diǎn)云分割不準(zhǔn)確的問題，極大地提高了室外場(chǎng)景三維點(diǎn)云數(shù)據(jù)分類識(shí)別的效果。
【專利說明】一種基于特征球的室外場(chǎng)景三維點(diǎn)云數(shù)據(jù)的分類方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種三維點(diǎn)云數(shù)據(jù)的分類方法，更具體地說，涉及一種基于特征球的 室外場(chǎng)景三維點(diǎn)云數(shù)據(jù)的分類方法。

【背景技術(shù)】
[0002] 隨著三維掃描測(cè)距技術(shù)的發(fā)展，三維點(diǎn)云數(shù)據(jù)在逆向工程、工業(yè)檢測(cè)、自主導(dǎo)航等 領(lǐng)域的應(yīng)用越來越為廣泛。三維點(diǎn)云數(shù)據(jù)處理技術(shù)作為實(shí)現(xiàn)上述應(yīng)用的基礎(chǔ)，發(fā)揮了至關(guān) 重要的作用。在三維點(diǎn)云數(shù)據(jù)處理技術(shù)中，三維點(diǎn)云數(shù)據(jù)的分類識(shí)別是一個(gè)非常重要的技 術(shù)，尤其是針對(duì)室外場(chǎng)景的三維點(diǎn)云數(shù)據(jù)的分類識(shí)別，其對(duì)于移動(dòng)機(jī)器人的目標(biāo)識(shí)別、環(huán)境 探測(cè)和自主導(dǎo)航，以及各種智能機(jī)械的自主作業(yè)，都有著極其重要的作用。
[0003] 室外場(chǎng)景三維點(diǎn)云數(shù)據(jù)分類是指利用外部傳感器來獲取室外場(chǎng)景環(huán)境信息，并 通過對(duì)環(huán)境信息的學(xué)習(xí)和挖掘，將其分割和分類為各種自然物體（地面、建筑、樹木、車輛 等），以實(shí)現(xiàn)對(duì)環(huán)境的深入理解和對(duì)目標(biāo)的準(zhǔn)確分類。目前，基于三維點(diǎn)云數(shù)據(jù)的物體分類、 目標(biāo)分類和環(huán)境分析已經(jīng)成為人工智能領(lǐng)域的前沿課題和研宄熱點(diǎn)。
[0004] 目前，較為常見的室外場(chǎng)景三維點(diǎn)云數(shù)據(jù)分類方法主要是通過對(duì)離散點(diǎn)的分割以 及特征的提取來實(shí)現(xiàn)的，特別是基于條件隨機(jī)場(chǎng)模型的分類方法，條件隨機(jī)場(chǎng)主要引用先 驗(yàn)信息，將不確定性與先驗(yàn)知識(shí)相聯(lián)系，通過利用觀測(cè)到的變量，根據(jù)統(tǒng)計(jì)理論中的最優(yōu)準(zhǔn) 則確定分類問題的目標(biāo)函數(shù)，進(jìn)而求解得到滿足這些條件的最大可能分布，基于條件隨機(jī) 場(chǎng)模型的點(diǎn)云分類利用了點(diǎn)與點(diǎn)之間的鄰域關(guān)系，并由這種鄰域關(guān)系來構(gòu)造"團(tuán)"，依靠這 些團(tuán)和這種鄰域關(guān)系推導(dǎo)出的幾何特性，來對(duì)整幅場(chǎng)景進(jìn)行推斷，實(shí)現(xiàn)了很不錯(cuò)的分類效 果，這是其他分類方法都沒有的優(yōu)勢(shì)。然而基于條件隨機(jī)場(chǎng)模型的分類方法在以下幾個(gè)方 面仍存在一些不足之處：1、條件隨機(jī)場(chǎng)實(shí)現(xiàn)點(diǎn)云分類的基礎(chǔ)是點(diǎn)云的分割，即點(diǎn)云的團(tuán)的 構(gòu)造，但由于室外場(chǎng)景形狀比較復(fù)雜，噪聲比較大等，目前還沒有較好的室外場(chǎng)景三維點(diǎn)云 的分割方法，即缺乏可靠的團(tuán)構(gòu)造方法；2、點(diǎn)云特征向量的構(gòu)造和計(jì)算是條件隨機(jī)場(chǎng)分類 的另一個(gè)重要組成部分，但目前在這一方面所提特征都相對(duì)簡(jiǎn)單，不能夠準(zhǔn)確描述室外場(chǎng) 景中離散點(diǎn)的幾何形狀和拓?fù)浣Y(jié)構(gòu)。


【發(fā)明內(nèi)容】

[0005] 為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明目的是提供一種基于特征球的室外場(chǎng)景 三維點(diǎn)云數(shù)據(jù)的分類方法，以提高室外場(chǎng)景分類的準(zhǔn)確性和可靠性。該方法針對(duì)一個(gè)室外 場(chǎng)景，首先利用激光掃描測(cè)距儀獲取室外場(chǎng)景的三維點(diǎn)云數(shù)據(jù)，其實(shí)質(zhì)為三維空間中的一 個(gè)點(diǎn)集，然后通過一定的點(diǎn)云分類方法，從室外場(chǎng)景三維點(diǎn)云數(shù)據(jù)中，準(zhǔn)確可靠地分類出建 筑、樹木、汽車、地面等。該方法解決了由于室外場(chǎng)景幾何拓?fù)浣Y(jié)構(gòu)較為復(fù)雜等因素而引起 的點(diǎn)云特征向量構(gòu)造不完善和點(diǎn)云分割（即團(tuán)構(gòu)造）不準(zhǔn)確的問題，極大地提高了基于條 件隨機(jī)場(chǎng)模型的分類方法的分類效果。
[0006] 為了實(shí)現(xiàn)上述發(fā)明目的，解決現(xiàn)有技術(shù)中所存在的問題，本發(fā)明采取的技術(shù)方案 是：一種基于特征球的室外場(chǎng)景三維點(diǎn)云數(shù)據(jù)的分類方法，包括以下步驟：
[0007] 步驟1、構(gòu)建條件隨機(jī)場(chǎng)模型：所述條件隨機(jī)場(chǎng)模型為log.P(〖|/)=

【權(quán)利要求】
1. 一種基于特征球的室外場(chǎng)景三維點(diǎn)云數(shù)據(jù)的分類方法，其特征在于包括以下步驟： 步驟1、構(gòu)建條件隨機(jī)場(chǎng)模型：所述條件隨機(jī)場(chǎng)模型為l〇gP(/|/)= + S(/y)ee fij)^j + I,cesT.k=i(^c fc)^c ~ 2, 其中./Af表示每一個(gè)點(diǎn)的能量勢(shì)函數(shù)之和，N為點(diǎn)的個(gè)數(shù)，K為 類的個(gè)數(shù)，fi為第i個(gè)點(diǎn)的特征向量，為當(dāng)某點(diǎn)屬于第k類的權(quán)重，丨f為第i個(gè)點(diǎn) 屬于第k類的值；:?/〇?)/￡表示每一條邊的能量勢(shì)函數(shù)之和，fu為第 ij條邊的特征向量，wg為當(dāng)某邊屬于第k類的權(quán)重，$?為第ij條邊屬于第k類的值； 表示每一個(gè)團(tuán)即三維點(diǎn)云中的某一部分的能量勢(shì)函數(shù)之和，為 第c個(gè)團(tuán)的特征向量，wt為當(dāng)某團(tuán)屬于第k類的權(quán)重，/Jf為第c個(gè)團(tuán)屬于第k類的值，z為 歸一化因子系數(shù)；通過對(duì)該模型的學(xué)習(xí)和推斷，即可將室外場(chǎng)景三維點(diǎn)云數(shù)據(jù)分為建筑、樹 木、汽車或地面類型； 步驟2、構(gòu)造三維點(diǎn)云特征球：利用二叉搜索樹算法構(gòu)建每一個(gè)點(diǎn)的鄰域，計(jì)算該鄰域 的協(xié)方差矩陣，并根據(jù)協(xié)方差矩陣特征值之間的大小關(guān)系，將三維點(diǎn)云分為三大類，即點(diǎn)性 點(diǎn)cp、線性點(diǎn)C1和面性點(diǎn)cs，再由此構(gòu)造三維點(diǎn)云的特征球sfj/f述構(gòu)造三維點(diǎn)云特征球， 具體包括以下子步驟： 步驟（a)、利用二叉搜索樹算法，來快速構(gòu)建給定點(diǎn)P= (x，y，z)的鄰域N= (Pi= (Xi，ypZi) 11彡i彡k}，其中：鄰點(diǎn)，i為鄰點(diǎn)的序號(hào)，k為鄰點(diǎn)的個(gè)數(shù)； 步驟（b)、通過公式M=Ef=i(P;_ P)(Pi_P)T構(gòu)建給定點(diǎn)P的鄰域N的協(xié)方差矩 陣M，T為向量轉(zhuǎn)置符號(hào)，其將列向量轉(zhuǎn)置為行向量，并求取協(xié)方差矩陣M的特征值Xi、入2、 入3，且入:< 入入以及相應(yīng)的特征向量vi、v2、v3,最小特征值入1對(duì)應(yīng)的特征向量^ 即為給定點(diǎn)P的法向量n= (xn，yn，zn)，最大特征值A(chǔ)3對(duì)應(yīng)的特征向量V3即為給定點(diǎn)p 的切向量t= (xt，yt，zt); 步驟（c)、若協(xié)方差矩陣M的特征值人產(chǎn)人產(chǎn)人3，即人3/入2彡8和人則 給定點(diǎn)P與其鄰點(diǎn)Pi呈散亂狀分布，將給定點(diǎn)P分類為點(diǎn)性點(diǎn)Cp，若協(xié)方差矩陣M的特征值 入產(chǎn)入2<<入3,即入 3/A2> 8和入8,則給定點(diǎn)p與其鄰點(diǎn)PiM直線狀分布， 將給定點(diǎn)P分類為線性點(diǎn)C1，若協(xié)方差矩陣M的特征值A(chǔ)i<<AA3，即A3/A2S8 和A2/A8,則給定點(diǎn)p與其鄰點(diǎn)pi呈平面狀分布，將給定點(diǎn)p分類為面性點(diǎn)Cs; 步驟（d)、以空間原點(diǎn)為圓心，構(gòu)造一個(gè)同心三層球，內(nèi)層球半徑為ri，中層球半徑為r2，外層球半徑為r3,且ri<r2<r3，將所有點(diǎn)性點(diǎn)Cp映射到內(nèi)層球，將所有線性點(diǎn)C拍切 向量映射到中層球，將所有面性點(diǎn)Cs的法向量映射到外層球，此三層同心球稱為三維點(diǎn)云 的特征球Sf; 步驟3、計(jì)算點(diǎn)特征向量：利用三維點(diǎn)云中每一個(gè)離散點(diǎn)的特征球和幾何信息，來構(gòu)造 并計(jì)算條件隨機(jī)場(chǎng)模型中的點(diǎn)特征向量fi;所述計(jì)算點(diǎn)特征向量，具體包括以下子步驟： 步驟（a)、構(gòu)造第i個(gè)點(diǎn)的特征向量A=(fn，fi2, . . .，fil(l)，其中，fn=z$該點(diǎn)的 高度； 步驟（b)、利用該點(diǎn)的特征球來獲取其它特征，其中包括點(diǎn)性特征fi2=A3，線性特征fi3=人人2,面性特征fH=人人1，點(diǎn)的切向量特征fi5=Xt，fi6=yt，Zt及點(diǎn)的 法向量特征fi8=xn，fi9=yn，fil(l=Zn; 步驟4、計(jì)算邊特征向量：利用三維點(diǎn)云中相鄰兩點(diǎn)之間邊的端點(diǎn)的特征球和幾何信 息，來構(gòu)造并計(jì)算條件隨機(jī)場(chǎng)模型中的邊特征向量fij;所述計(jì)算邊特征向量，具體包括以 下子步驟： 步驟（a)、利用步驟3分別計(jì)算第ij條邊的兩個(gè)端點(diǎn)的特征向量&和fj; 步驟（b)、將該邊的兩個(gè)端點(diǎn)的特征向量相減，即可得該邊的特征向量Aj=fi-fj，Aj -(fijl，fij2，? ? ?，fijl〇); 步驟5、計(jì)算團(tuán)特征向量：利用特征球?qū)θS點(diǎn)云數(shù)據(jù)進(jìn)行分割，以獲取三維點(diǎn)云的 團(tuán)，并利用其中心點(diǎn)的特征球和幾何信息，來構(gòu)造并計(jì)算條件隨機(jī)場(chǎng)模型中的團(tuán)特征向量 f。;所述計(jì)算團(tuán)特征向量，具體包括以下子步驟： 步驟（a)、首先，用Mean-Shift聚類算法在外層球上，對(duì)所有面性點(diǎn)的法向量的頂點(diǎn)進(jìn) 行聚類，進(jìn)而可將面性點(diǎn)的法向量分為若干類，最終可將面性點(diǎn)初步分為若干個(gè)面性區(qū)域， 然后，用K-means聚類算法對(duì)這些面性區(qū)域在空間位置上進(jìn)行進(jìn)一步的細(xì)分，將它們分割 為一些空間位置獨(dú)立的面性片段； 步驟（b)、首先，用Mean-Shift聚類算法在中層球上，對(duì)所有線性點(diǎn)的切向量的頂點(diǎn)進(jìn) 行聚類，進(jìn)而可將線性點(diǎn)的切向量分為若干類，最終可將線性點(diǎn)初步分為若干個(gè)線性區(qū)域， 然后，用K-means聚類算法對(duì)這些線性區(qū)域在空間位置上進(jìn)行進(jìn)一步的細(xì)分，將它們分割 為一些空間位置獨(dú)立的線性片段； 步驟（c)、利用K-means聚類算法對(duì)所有的點(diǎn)性點(diǎn)進(jìn)行聚類，將它們分割為一些空間位 置獨(dú)立的點(diǎn)性片段； 步驟（d)、對(duì)于上述所獲得的面性片段、線性片段和點(diǎn)性片段，每一個(gè)點(diǎn)云片段中點(diǎn)的 幾何屬性基本一致，因此，每一個(gè)點(diǎn)云片段都構(gòu)成了條件隨機(jī)場(chǎng)模型中的一個(gè)團(tuán)，構(gòu)造第c 個(gè)團(tuán)的特征向量為f。=(f&f；2, . . .，〇，其中，I1為該團(tuán)的平均高度，f。2為該團(tuán)內(nèi)點(diǎn)的 個(gè)數(shù)，f；3, . . .，f；12為該團(tuán)的中心點(diǎn)按照步驟3所計(jì)算出的特征向量； 步驟6、學(xué)習(xí)條件隨機(jī)場(chǎng)模型的參數(shù)：在得到所有點(diǎn)特征向量、邊特征向量和團(tuán)特征向 量后，通過訓(xùn)練點(diǎn)云樣本，利用Max-margin方法對(duì)條件隨機(jī)場(chǎng)模型進(jìn)行學(xué)習(xí)，并獲得模型 的所有參數(shù)wg和wh 步驟7、對(duì)三維點(diǎn)云數(shù)據(jù)進(jìn)行推斷分類：在獲得條件隨機(jī)場(chǎng)的準(zhǔn)確模型后，按照步驟3 到步驟5的處理方法，計(jì)算三維點(diǎn)云測(cè)試數(shù)據(jù)的點(diǎn)特征向量、邊特征向量和團(tuán)特征向量，然 后利用Graph-cut算法對(duì)三維點(diǎn)云測(cè)試數(shù)據(jù)進(jìn)行推斷，即可得到測(cè)試數(shù)據(jù)的分類結(jié)果。
【文檔編號(hào)】G06K9/62GK104504709SQ201410834450
【公開日】2015年4月8日 申請(qǐng)日期:2014年12月28日 優(yōu)先權(quán)日:2014年12月28日
【發(fā)明者】安毅, 宋立鵬, 李卓函 申請(qǐng)人:大連理工大學(xué)