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)θS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)