一种基于特征球的室外场景三维点云数据的分类方法

一种基于特征球的室外场景三维点云数据的分类方法
【专利摘要】本发明涉及一种三维点云数据的分类方法，一种基于特征球的室外场景三维点云数据的分类方法，包括以下步骤：步骤1.构建条件随机场模型；步骤2.构造三维点云特征球；步骤3.计算点特征向量；步骤4.计算边特征向量；步骤5.计算团特征向量；步骤6.学习条件随机场模型的参数；步骤7.对三维点云数据进行推断分类。本发明通过三维点云特征球的构造，准确全面地计算了三维点云各层次的特征向量，准确可靠地分割了室外场景的三维点云，形成了性质统一的点云团，从而有效地解决了由于室外场景几何拓扑结构较为复杂等因素而引起的点云特征向量构造不完善和点云分割不准确的问题，极大地提高了室外场景三维点云数据分类识别的效果。
【专利说明】一种基于特征球的室外场景三维点云数据的分类方法

【技术领域】
[0001] 本发明涉及一种三维点云数据的分类方法，更具体地说，涉及一种基于特征球的 室外场景三维点云数据的分类方法。

【背景技术】
[0002] 随着三维扫描测距技术的发展，三维点云数据在逆向工程、工业检测、自主导航等 领域的应用越来越为广泛。三维点云数据处理技术作为实现上述应用的基础，发挥了至关 重要的作用。在三维点云数据处理技术中，三维点云数据的分类识别是一个非常重要的技 术，尤其是针对室外场景的三维点云数据的分类识别，其对于移动机器人的目标识别、环境 探测和自主导航，以及各种智能机械的自主作业，都有着极其重要的作用。
[0003] 室外场景三维点云数据分类是指利用外部传感器来获取室外场景环境信息，并 通过对环境信息的学习和挖掘，将其分割和分类为各种自然物体（地面、建筑、树木、车辆 等），以实现对环境的深入理解和对目标的准确分类。目前，基于三维点云数据的物体分类、 目标分类和环境分析已经成为人工智能领域的前沿课题和研宄热点。
[0004] 目前，较为常见的室外场景三维点云数据分类方法主要是通过对离散点的分割以 及特征的提取来实现的，特别是基于条件随机场模型的分类方法，条件随机场主要引用先 验信息，将不确定性与先验知识相联系，通过利用观测到的变量，根据统计理论中的最优准 则确定分类问题的目标函数，进而求解得到满足这些条件的最大可能分布，基于条件随机 场模型的点云分类利用了点与点之间的邻域关系，并由这种邻域关系来构造"团"，依靠这 些团和这种邻域关系推导出的几何特性，来对整幅场景进行推断，实现了很不错的分类效 果，这是其他分类方法都没有的优势。然而基于条件随机场模型的分类方法在以下几个方 面仍存在一些不足之处：1、条件随机场实现点云分类的基础是点云的分割，即点云的团的 构造，但由于室外场景形状比较复杂，噪声比较大等，目前还没有较好的室外场景三维点云 的分割方法，即缺乏可靠的团构造方法；2、点云特征向量的构造和计算是条件随机场分类 的另一个重要组成部分，但目前在这一方面所提特征都相对简单，不能够准确描述室外场 景中离散点的几何形状和拓扑结构。


【发明内容】

[0005] 为了克服现有技术中存在的不足，本发明目的是提供一种基于特征球的室外场景 三维点云数据的分类方法，以提高室外场景分类的准确性和可靠性。该方法针对一个室外 场景，首先利用激光扫描测距仪获取室外场景的三维点云数据，其实质为三维空间中的一 个点集，然后通过一定的点云分类方法，从室外场景三维点云数据中，准确可靠地分类出建 筑、树木、汽车、地面等。该方法解决了由于室外场景几何拓扑结构较为复杂等因素而引起 的点云特征向量构造不完善和点云分割（即团构造）不准确的问题，极大地提高了基于条 件随机场模型的分类方法的分类效果。
[0006] 为了实现上述发明目的，解决现有技术中所存在的问题，本发明采取的技术方案 是：一种基于特征球的室外场景三维点云数据的分类方法，包括以下步骤：
[0007] 步骤1、构建条件随机场模型：所述条件随机场模型为log.P(〖|/)=

【权利要求】
1. 一种基于特征球的室外场景三维点云数据的分类方法，其特征在于包括以下步骤： 步骤1、构建条件随机场模型：所述条件随机场模型为l〇gP(/|/)= + S(/y)ee fij)^j + I,cesT.k=i(^c fc)^c ~ 2, 其中./Af表示每一个点的能量势函数之和，N为点的个数，K为 类的个数，fi为第i个点的特征向量，为当某点属于第k类的权重，丨f为第i个点 属于第k类的值；:?/〇?)/￡表示每一条边的能量势函数之和，fu为第 ij条边的特征向量，wg为当某边属于第k类的权重，$?为第ij条边属于第k类的值； 表示每一个团即三维点云中的某一部分的能量势函数之和，为 第c个团的特征向量，wt为当某团属于第k类的权重，/Jf为第c个团属于第k类的值，z为 归一化因子系数；通过对该模型的学习和推断，即可将室外场景三维点云数据分为建筑、树 木、汽车或地面类型； 步骤2、构造三维点云特征球：利用二叉搜索树算法构建每一个点的邻域，计算该邻域 的协方差矩阵，并根据协方差矩阵特征值之间的大小关系，将三维点云分为三大类，即点性 点cp、线性点C1和面性点cs，再由此构造三维点云的特征球sfj/f述构造三维点云特征球， 具体包括以下子步骤： 步骤（a)、利用二叉搜索树算法，来快速构建给定点P= (x，y，z)的邻域N= (Pi= (Xi，ypZi) 11彡i彡k}，其中：邻点，i为邻点的序号，k为邻点的个数； 步骤（b)、通过公式M=Ef=i(P;_ P)(Pi_P)T构建给定点P的邻域N的协方差矩 阵M，T为向量转置符号，其将列向量转置为行向量，并求取协方差矩阵M的特征值Xi、入2、 入3，且入:< 入入以及相应的特征向量vi、v2、v3,最小特征值入1对应的特征向量^ 即为给定点P的法向量n= (xn，yn，zn)，最大特征值A3对应的特征向量V3即为给定点p 的切向量t= (xt，yt，zt); 步骤（c)、若协方差矩阵M的特征值人产人产人3，即人3/入2彡8和人则 给定点P与其邻点Pi呈散乱状分布，将给定点P分类为点性点Cp，若协方差矩阵M的特征值 入产入2<<入3,即入 3/A2> 8和入8,则给定点p与其邻点PiM直线状分布， 将给定点P分类为线性点C1，若协方差矩阵M的特征值Ai<<AA3，即A3/A2S8 和A2/A8,则给定点p与其邻点pi呈平面状分布，将给定点p分类为面性点Cs; 步骤（d)、以空间原点为圆心，构造一个同心三层球，内层球半径为ri，中层球半径为r2，外层球半径为r3,且ri<r2<r3，将所有点性点Cp映射到内层球，将所有线性点C拍切 向量映射到中层球，将所有面性点Cs的法向量映射到外层球，此三层同心球称为三维点云 的特征球Sf; 步骤3、计算点特征向量：利用三维点云中每一个离散点的特征球和几何信息，来构造 并计算条件随机场模型中的点特征向量fi;所述计算点特征向量，具体包括以下子步骤： 步骤（a)、构造第i个点的特征向量A=(fn，fi2, . . .，fil(l)，其中，fn=z$该点的 高度； 步骤（b)、利用该点的特征球来获取其它特征，其中包括点性特征fi2=A3，线性特征fi3=人人2,面性特征fH=人人1，点的切向量特征fi5=Xt，fi6=yt，Zt及点的 法向量特征fi8=xn，fi9=yn，fil(l=Zn; 步骤4、计算边特征向量：利用三维点云中相邻两点之间边的端点的特征球和几何信 息，来构造并计算条件随机场模型中的边特征向量fij;所述计算边特征向量，具体包括以 下子步骤： 步骤（a)、利用步骤3分别计算第ij条边的两个端点的特征向量&和fj; 步骤（b)、将该边的两个端点的特征向量相减，即可得该边的特征向量Aj=fi-fj，Aj -(fijl，fij2，? ? ?，fijl〇); 步骤5、计算团特征向量：利用特征球对三维点云数据进行分割，以获取三维点云的 团，并利用其中心点的特征球和几何信息，来构造并计算条件随机场模型中的团特征向量 f。;所述计算团特征向量，具体包括以下子步骤： 步骤（a)、首先，用Mean-Shift聚类算法在外层球上，对所有面性点的法向量的顶点进 行聚类，进而可将面性点的法向量分为若干类，最终可将面性点初步分为若干个面性区域， 然后，用K-means聚类算法对这些面性区域在空间位置上进行进一步的细分，将它们分割 为一些空间位置独立的面性片段； 步骤（b)、首先，用Mean-Shift聚类算法在中层球上，对所有线性点的切向量的顶点进 行聚类，进而可将线性点的切向量分为若干类，最终可将线性点初步分为若干个线性区域， 然后，用K-means聚类算法对这些线性区域在空间位置上进行进一步的细分，将它们分割 为一些空间位置独立的线性片段； 步骤（c)、利用K-means聚类算法对所有的点性点进行聚类，将它们分割为一些空间位 置独立的点性片段； 步骤（d)、对于上述所获得的面性片段、线性片段和点性片段，每一个点云片段中点的 几何属性基本一致，因此，每一个点云片段都构成了条件随机场模型中的一个团，构造第c 个团的特征向量为f。=(f&f；2, . . .，〇，其中，I1为该团的平均高度，f。2为该团内点的 个数，f；3, . . .，f；12为该团的中心点按照步骤3所计算出的特征向量； 步骤6、学习条件随机场模型的参数：在得到所有点特征向量、边特征向量和团特征向 量后，通过训练点云样本，利用Max-margin方法对条件随机场模型进行学习，并获得模型 的所有参数wg和wh 步骤7、对三维点云数据进行推断分类：在获得条件随机场的准确模型后，按照步骤3 到步骤5的处理方法，计算三维点云测试数据的点特征向量、边特征向量和团特征向量，然 后利用Graph-cut算法对三维点云测试数据进行推断，即可得到测试数据的分类结果。
【文档编号】G06K9/62GK104504709SQ201410834450
【公开日】2015年4月8日 申请日期:2014年12月28日 优先权日:2014年12月28日
【发明者】安毅, 宋立鹏, 李卓函 申请人:大连理工大学