适用于地面激光雷达点云分类的多层次点集特征的提取方法
【专利摘要】本发明涉及适用于地面激光雷达点云分类的多层次点集特征的提取方法。基于点集特征实现了场景中行人、树木、建筑和汽车等四类比较常见地物的高精度分类。首先，构建点集，将点云重采样成不同尺度的点云，聚类形成不同大小、具有层次结构的点集，获得点集中每一点的特征；接下去，采用LDA(Latent?Dirichlet?Allocation)方法把每个点集中所有点的基于点的特征综合成点集的形状特征；最后，基于点集的形状特征，采用Adaboost分类器对不同层次的点集进行训练，获得整个点云的分类结果。本发明具有较高的分类精度，尤其在行人和车的分类精度方面，远高于基于点的特征、基于Bag-of-Word的特征和基于概率潜语义分析(PLSA)特征的分类精度。
【专利说明】适用于地面激光雷达点云分类的多层次点集特征的提取方 法 一、 【技术领域】
[〇〇〇1] 本发明涉及适用于地面激光雷达点云分类的多层次点集特征的提取方法，属于空 间信息【技术领域】。 二、 【背景技术】
[0002] 只有有效的分类识别地面激光雷达点云，才能实现复杂场景的认知。单站式地面 激光雷达点云一般随距离扫描仪的远近不同密度由稀到密变化，如果场景范围较大，近处 和远处地物的点密度会相差数倍，加上点密度不均一导致同一地物在相同尺寸窗口内纹理 信息具有较大的差异。城市场景中除了建筑和植被，还存在人和汽车等，这些目标往往个体 较小，形态各异，容易被其它物体所遮挡，造成点云不完整，用这部分点云判断它们所属的 类别是比较困难的，并且在扫描过程中这些小目标可能处于运动状态，造成点云的拉升，t匕 较显著的纹理特征因拉伸变的模糊而难以识别。
[0003] 机载激光雷达点云分布较为均一，所以机载激光雷达点云分类方法较少考虑点云 密度的变化，相应的难以应用到地面激光雷达点云分类中。近年来有许多相关研究集中在 地面激光雷达点云分类中，部分方法对已经分割出来的点集或地物进行分类，另外一部分 从上下文关系识别点云类别，但这些方法离不开对单点或点集特征的选取。基于单点的特 征易受到噪声的影响，已有的点集特征使用点集的平均点数、平均法向量等特征，在复杂场 景中，这些特征的稳定性较差。目前，仍缺乏对点集特征进行有效描述的方法，基于此，本发 明研究一种鲁棒的、具有较高区分度的特征来表达目标或点集，能有效的描述每个点的特 征，以及点与点之间的联系，很好的适应地面激光雷达点云密度不均一、噪声以及数据缺失 等问题。 三、
【发明内容】
[0004] 1、目的：有效获取激光雷达点云数据的特征是实现复杂场景地物识别和分类的基 础。地物离扫描仪距离远近不同或者地物间相互遮挡会造成点云密度不均一、地物局部点 云的缺失，使得基于点的特征缺乏稳定性，应用这些特征对地物分类精度不高，尤其是造成 一些小地物分类精度过低。本发明提出了一种多层次多尺度点集特征的提取方法，基于点 集特征实现了场景中行人、树木、建筑和汽车等四类比较常见地物的高精度分类。
[0005] 2、技术方案：
[0006] 适用于地面激光雷达点云分类的多层次点集特征的提取方法，其特征在于，包括 如下步骤（如图1):
[0007] 步骤一：构建多层次多尺度的点集
[0008] 为了从点集中提取鲁棒的、具有较高区分度的形状特征，重采样点云成若干个尺 度，每个尺度的点云再分割成若干个层次，生成的最终点集称作多尺度多层次点集。构建多 尺度多层次点集的方法如下：
[0009] (1)去除点云中孤立点和地面点。在水平方向建立2mX2m的栅格图像，把点云按 照其水平坐标归属到对应的栅格中，每个栅格中点云最低高度作为该栅格的值，每个栅格 分成地面点或非地面点。如果它周围存在一个栅格值比它低〇. 5m，就把它作为非地面点； 如果一个栅格的周围均是非地面点，该栅格也是非地面点。地面点的去除分为两步：首先去 除地面点栅格中和该栅格最低点高差小于〇. lm的点；为了去除那些道路两旁台阶上的点， 对周围存在地面点的栅格，剔除该栅格中和周围地面点栅格中最低点高差小于0. lm的点。 [〇〇1〇] (2)为了使获得的特征有尺度不变性以及对点密度变化具有不敏感性，重采样点 云成若干个尺度。假设存在第i个尺度的点云，对其重采样获得第i+ι个尺度的点云。递 归进行直到该尺度的点云密度小于需要分类点云平均密度的50%为止。根据Shannon采 样定理，如果点云米样密度小于原来密度的50%，那么它就无法描述物体的表面信息，该点 云作为训练数据会降低分类结果。用点密度小的采样尺度处理远处的物体表面点云，而点 密度大的采样尺度有效的处理近处的物体表面。下面分割步骤是在每一个尺度上同时进行 的。
[0011] (3)采用图组织点云。将点云中每一点作为一个顶点，寻找每一个点最邻近的ki 个点，连接这些点形成边，获得无向图Gi (V，E)，每条边的欧氏距离作为这条边的权重。通过 判断图的连通性获得所有连通分量。
[0012] (4)在比较复杂的区域有些物体是聚集在一起的，一个连通分量会包含多个物体， 需要对连通分量进一步分割。区域内一个局部最高点通常意味着该区域内存在一个地物， 局部最高点作为地物标识进一步分割。用类似步骤一的过程形成一个lmX lm栅格图像，栅 格中的最高点作为该栅格的值。用移动窗口法采用5X5的窗口在栅格上滑动，搜索局部最 高点，这些最高点作为地物存在的标志；接下去，用图割（Graph Cut)对包含多个地物标志 的连通分量进行分割。把最高点称作为种子点，最后一个连通分量会分成几个围绕着这些 种子点的点集。
[0013] (5)弓丨入Normalized Cut分割点云。一个点集Normalized Cut二分，直到点集小 于预先定义的阈值Sm。为了保证点集包含足够多的形状特征信息，δ m由扫描仪设定的角 分辨率来决定的。在判断点集属于哪一类时，需要从多个层次对点集进行联合判别，即采用 不同的Sm获得不同大小的点集，用这些点集进行联合判别。设定δπι为最小的那个阈值， 对应最深的层次为第η层，那么第
【权利要求】
1.适用于地面激光雷达点云分类的多层次点集特征的提取方法，其特征在于，包括如 下步骤： 步骤一：构建多层次多尺度的点集 (1) 去除点云中孤立点和地面点，在水平方向建立2mX2m的栅格图像，把点云按照其 水平坐标归属到对应的栅格中，每个栅格中点云最低高度作为该栅格的值，如果它周围存 在一个栅格值比它低〇. 5m，就把它作为非地面点；如果一个栅格的周围均是非地面点，该 栅格也是非地面点，地面点的去除分为两步：首先去除地面点栅格中和该栅格最低点高差 小于0. lm的点；为了去除那些道路两旁台阶上的点，对周围存在地面点的栅格，剔除该栅 格中和周围地面点棚格中最低点商差小于0. lm的点； (2) 为了使获得的特征有尺度不变性以及对点密度变化具有不敏感性，重采样点云成 若干个尺度，假设存在第i个尺度的点云，对其重采样获得第i+Ι个尺度的点云，递归进行 直到该尺度的点云密度小于需要分类点云平均密度的50%为止，用点密度小的采样尺度处 理远处的物体表面点云，而点密度大的采样尺度有效的处理近处的物体表面，下面分割步 骤是在每一个尺度上同时进行的； (3) 采用图组织点云，将点云中每一点作为一个顶点，寻找每一个点最邻近的&个点， 连接这些点形成边，获得无向图h (V，E)，每条边的欧氏距离作为这条边的权重，通过判断 图的连通性获得所有连通分量； (4) 区域内一个局部最高点通常意味着该区域内存在一个地物，局部最高点作为地物 标识进一步分割，采用类似步骤一的过程形成一个lmX lm栅格图像，栅格中的最高点作为 该栅格的值，用移动窗口法采用5X5的窗口在栅格上滑动，搜索局部最高点，这些最高点 作为地物存在的标志；接下去，用图割对包含多个地物标志的连通分量进行分割； 5)引入Normalized Cut分割点云，一个点集Normalized Cut二分，直到点集小于预先 定义的阈值Sm，为了保证点集包含足够多的形状特征信息，δ m由扫描仪设定的角分辨率 来决定的，在判断点集属于哪一类时，需要从多个层次对点集进行联合判别，即采用不同的 S m获得不同大小的点集，用这些点集进行联合判别； 步骤二：提取多层次多尺度点集的特征 (1)基于点的特征的提取 首先，定义点云中每点的支撑区域，集合Np = {q|q是p的1^2个最邻近点中的一个}作 为点P的支撑区域，定义了支撑区域后，用基于特征值的特征和spin图对一个点的特征进 行描述，特征值
是通过求解下面的协方差矩阵Cp获得的，
(1) 上式⑴中，^是集合Np中所有点的中心， 不同协方差矩阵获得的特征值的取值范围是不同的，为了便于比较这些特征值，需要 对其进行归一化，
(2) 获取了特征值以后，计算基于特征值的特征并构建形成一个6维的向量Feigm， (3) 匕igm中基于特征值的特征依次代表结构张量全方差、结构张量的各向异性、结构张量 的平面、球形结构张量、结构张量特征熵和线性结构张量； spin图用来求取场景中一点周围区域的大量形状特征，它通过2维直方图分布表达三 维空间的信息，采用一个点的法向量作为spin图的旋转轴，接着，按照式（4)计算支撑区域 中点P在spin图中的坐标；获得了每个三维点对应到spin图坐标后，完成一个三维点到 spin图上点的转化，
(4) 式（4)中，X代表三维点在spin图X轴的坐标，y代表三维点在spin图y轴的坐标，q 代表q点的三维坐标，P代表P点的三维坐标，η表示p点的法向量； 生成每一点的3X4spin图像，为了减少spin图中0值的数量，计算所有投影在负y轴 上点所对应该方向上的绝对值作为它们的y值，在spin图中，X轴方向的栅格值是该点支 撑范围内距离该点最远点到该点距离的1/3,手工设定 7轴方向的栅格值，第一个刻度是从 0-0. 02m，第二个刻度是从0. 02-0. 04m，第三个刻度是从0. 04-0. 06m，第四个刻度是0. 06到 + ε?，一个点支撑区域中所有点落入到spin图中后，计算spin图中每个栅格中点的数量，这 些栅格形成了一个二维直方图，用向量F spin来表示，12个栅格的值形成了一个12维的Fspin， 它和6维的F_n通过[F spin，F_n]的方式构成了一个18维的向量F_t，F_t就是本发明 采用的基于点的特征，它具有F spin和Feigm的方向不变性的特点； (2)基于LDA(Latent Dirichlet Allocation)提取多层次多尺度点集的特征 采用K-means算法对多层次多尺度的点集中所有点的Fp()int进行聚类，获得K个中心向 量，这K个中心向量就是单词，这些单词的集合就是字典，获得了单词和字典以后，重新编 码所有点的F p()int，每个Fp()int用离它最近的单词代替，代替完Fp()int后，所有的特征压缩到一 个由这些单词构成的空间内，统计每一个点集中的词频，这样每一集合就表示成一个词频 的向量，向量长度是单词的数量，向量的值是对应单词在这个点集中的频率，通过这些词频 向量学习到LDA模型， 获得LDA模型后，提取每一点集的隐语义向量，构成多尺度多层次点集的特征，计算每 点的F_t与每个单词的距离，对整个F_t构成的矩阵按列归一化，本发明采用式（5)进行 归一化，
(5) 式（5)中，η代表归一化后的值，f代表当前值，max表示一列中最大值，min表示这一 列中最小值； 记录归一化的方法和参数用于计算未知点集对应维数值，当提取一个未知点集的多层 次多尺度特征时，计算该点集每点的Fp()int，按照训练过程中归一化的方式，归一化每点Fp()int 中每一维的值，用字典中单词代替归一化后的Fp()int，得到点集中每个单词后，也就获得了 该点集的词频向量，用学习得到的LDA模型识别词频向量获得这个点集的多尺度多层次特 征；步骤三：基于多层次多尺度特征的分类 为了避免训练LDA模型受聚类形成的碎片影响，保持训练集对主要地物的纯净性，点 数小于20的点集不参与训练LDA模型，当获得所有多尺度多层次的点集特征后，训练得到 多个一对多的AdaBoost分类器，每一点集的集合训练4个AdaBoost分类器，分别对应人、 树、建筑、汽车4个类别，当LDA模型和AdaBoost分类器学习完毕以后，结束训练过程，就对 未知的点云进行分类； 遇到未标识的点云时，首先将其分成多层次点集，采用LDA获得这些点集的特征，通过 AdaBoost分类器对这些点集进行分类，通过AdaBoost分类器分类以后，计算得到每一个点 集属于某一类li的概率：
(6) 式（6)中，F是多层次多尺度的特征，num表示第num个层次（1彡num彡η), Ρη?Μ(1?， F)是这个点集在第num层标识为h的概率，H^dF)是AdaBoost分类器对这一点集属于 1类的输出权重， 点集标识为li的概率由式（7)决定：
(7) 点集归属类别是取这个点集所有类别中概率最大的那一类，至此完成整个点云分类。
【文档编号】G06T7/00GK104091321SQ201410146272
【公开日】2014年10月8日 申请日期:2014年4月14日 优先权日:2014年4月14日
【发明者】张立强, 王臻 申请人:北京师范大学