[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN107292276B - 一种车载点云聚类方法及系统 - Google Patents

一种车载点云聚类方法及系统 Download PDF

Info

Publication number
CN107292276B
CN107292276B CN201710510689.6A CN201710510689A CN107292276B CN 107292276 B CN107292276 B CN 107292276B CN 201710510689 A CN201710510689 A CN 201710510689A CN 107292276 B CN107292276 B CN 107292276B
Authority
CN
China
Prior art keywords
hyper
point cloud
voxel
point
ground
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710510689.6A
Other languages
English (en)
Other versions
CN107292276A (zh
Inventor
刘亚文
张颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201710510689.6A priority Critical patent/CN107292276B/zh
Publication of CN107292276A publication Critical patent/CN107292276A/zh
Application granted granted Critical
Publication of CN107292276B publication Critical patent/CN107292276B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种车载点云聚类方法及系统，包括点云去噪及滤波，包括对点云去除零散的噪声点，并进行点云滤波处理，区分出地面点和非地面点；对点云进行分割生成超体素，包括对非地面点，采用基于密度的空间聚类算法进行分割，生成超体素，确保不同地物不存在粘连；空间上下文关联的点云聚类，包括分析超体素的特征及空间上下文关联，综合多因素权值进行超体素的区域增长，完成点云聚类。本发明改善了车载点云聚类的过分割或分割不足的问题，满足快速获取三维空间信息的需求，具有重要的市场价值。

Description

一种车载点云聚类方法及系统
技术领域
本发明涉及车载激光扫描数据处理技术领域，尤其是涉及一种结合空间上下文关联的车载点云聚类方法及系统。
背景技术
车载激光扫描系统(Vehicle-borne Laser Scanning,VLS)获取的点云数据具有密度大、精度高、采集快速等特点，是当今前沿的快速获取三维空间信息的技术手段。目前，国内外学者在点云数据应用方面进行了大量研究，其中车载点云聚类是VLS数据处理和信息提取的重要组成部分，是实现地物自动识别的前提和关键环节。
目前常见的点云聚类方法可以分为划分聚类、层次聚类、网格聚类和密度聚类等方法。划分聚类方法依赖初始聚类个数的确定，层次聚类方法中邻近度矩阵计算复杂，VLS点云数据量大，会导致运算慢，网格聚类算法适合于形状相对规则而且方向性较强的数据聚类，对于呈现出类内团聚状的点云数据并不适用。而密度聚类方法是通过对象的密度来识别簇，将具有足够高密度的区域划分为簇，并能在具有噪声的空间数据集中发现任意形状的簇，许多研究表明该类方法非常适合点云聚类。但是，城市街景的地物密集，且垂直方向分布的地物丰富，地物间粘连较严重，对于这种情况，仅考虑点间空间距离的密度聚类会造成较为严重的分割不足或过分割情况。
发明内容
本发明主要解决现有技术所存在的技术问题，提供了一种以超体素为对象，结合空间上下文关联的车载点云聚类技术方案。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种车载点云聚类方法，包括以下步骤，
步骤1，点云去噪及滤波，包括对点云去除零散的噪声点，并进行点云滤波处理，区分出地面点和非地面点；
步骤2，对点云进行分割生成超体素，包括对非地面点，采用基于密度的空间聚类算法进行分割，生成超体素，确保不同地物不存在粘连；
步骤3，空间上下文关联的点云聚类，包括分析超体素的特征及空间上下文关联，综合多因素权值进行超体素的区域增长，完成点云聚类，包括以下步骤，
步骤3.1，计算各超体素特征，包括超体素的维数信息VD，中心点的三维坐标V(X,Y,Z)及包围盒信息(Vmax,Vmin)；
超体素的维数信息VD计算方式为，计算超体素内各点维数，统计三维、二维以及一维点数，将点数最多的维数赋给超体素；
中心点的三维坐标V(X,Y,Z)由超体素中所有点的三维坐标求均值得到；
包围盒信息(Vmax,Vmin)根据超体素的长方体包围盒得到；
步骤3.2，根据预设的搜索半径初值Rs，计算超体素的空间关联特征，包括超体素维数一致性、超体素中心点间的平面距离Dc、超体素中心点间的高差Hc以及超体素包围盒在垂直地面方向相交或相接；
步骤3.3，结合超体素空间上下文关联进行区域增长聚类，增长条件W为超体素间综合多因素的权值，计算如下
Figure GDA0002107466590000021
其中，Cu为超体素空间上下文关联因子，wu为每项因子对聚类的贡献度，u＝1,2,3,4；
C1为维数关联因子，描述同种地物维数相同性质，当两个超体素维数信息一样，C1取值为1，否则为0；
C2为平面位置关联因子，描述地物空间平面分布几何约束，当两个超体素平面距离Dc小于预设阈值时，C2取值为1，否则为0；
C3为高度关联因子，描述地物高度分布几何约束，当两个超体素的高差Hc小于预设阈值时，C3取值为1，否则为0；
C4为垂直方向位置关联因子，描述地物空间垂直分布几何约束，当两个超体素在垂直地面方向相交或相接时，C4取值为1，否则为0。
而且，计算超体素内各点维数实现如下，
对于任一点p，设邻域点集为以点p为球心，圆球内包含的最近K个点qk的集合,集合重心
Figure GDA0002107466590000022
如下，
Figure GDA0002107466590000023
计算矩阵M和C如下，
Figure GDA0002107466590000031
Figure GDA0002107466590000032
对矩阵C进行特征分解，得到排序后特征值分别为λ1,λ2,λ3，
计算参数a1D,a2D和a3D如下，分别描述点p的一维、二维和三维信息，
Figure GDA0002107466590000033
其中，μ为正则化系数，定义μ＝σ1，
Figure GDA0002107466590000034
t＝1,2,3，如果adD最大，则点p维数为d。
而且，设坐标系O-XYZ的OZ方向为垂直地面方向，超体素包围盒在垂直地面方向相交或相接表示为超体素包围盒在XOY平面投影的矩形相互包含，且在XOZ平面投影的矩形相交或相接。
而且，Dc和Hc计算如下，
Figure GDA0002107466590000035
HC＝|Z-Z′|
其中，(X,Y,Z)和(X′,Y′,Z′)分别为相邻超体素中心点的三维坐标；
而且，wu的取值原则为，优先与地物空间位置有关的关联因子C2、C3和C4，其次是维数关联因子C1。
本发明还提供一种车载点云聚类系统，包括以下模块，
第一模块，用于点云去噪及滤波，包括对点云去除零散的噪声点，并进行点云滤波处理，区分出地面点和非地面点；
第二模块，用于对点云进行分割生成超体素，包括对非地面点，采用基于密度的空间聚类算法进行分割，生成超体素，确保不同地物不存在粘连；
第三模块，用于空间上下文关联的点云聚类，包括分析超体素的特征及空间上下文关联，综合多因素权值进行超体素的区域增长，完成点云聚类，包括以下单元，第一单元，用于计算各超体素特征，包括超体素的维数信息VD，中心点的三维坐标V(X,Y,Z)及包围盒信息(Vmax,Vmin)；
超体素的维数信息VD计算方式为，计算超体素内各点维数，统计三维、二维以及一维点数，将点数最多的维数赋给超体素；
中心点的三维坐标V(X,Y,Z)由超体素中所有点的三维坐标求均值得到；
包围盒信息(Vmax,Vmin)根据超体素的长方体包围盒得到；
第二单元，用于根据预设的搜索半径初值Rs，计算超体素的空间关联特征，包括超体素维数一致性、超体素中心点间的平面距离Dc、超体素中心点间的高差Hc以及超体素包围盒在垂直地面方向相交或相接；
第三单元，用于结合超体素空间上下文关联进行区域增长聚类，增长条件W为超体素间综合多因素的权值，计算如下
其中，Cu为超体素空间上下文关联因子，wu为每项因子对聚类的贡献度，u＝1,2,3,4；
C1为维数关联因子，描述同种地物维数相同性质，当两个超体素维数信息一样，C1取值为1，否则为0；
C2为平面位置关联因子，描述地物空间平面分布几何约束，当两个超体素平面距离Dc小于预设阈值时，C2取值为1，否则为0；
C3为高度关联因子，描述地物高度分布几何约束，当两个超体素的高差Hc小于预设阈值时，C3取值为1，否则为0；
C4为垂直方向位置关联因子，描述地物空间垂直分布几何约束，当两个超体素在垂直地面方向相交或相接时，C4取值为1，否则为0。
而且，计算超体素内各点维数实现如下，
对于任一点p，设邻域点集为以点p为球心，圆球内包含的最近K个点qk的集合,集合重心
Figure GDA0002107466590000042
如下，
Figure GDA0002107466590000051
计算矩阵M和C如下，
Figure GDA0002107466590000052
Figure GDA0002107466590000053
对矩阵C进行特征分解，得到排序后特征值分别为λ1,λ2,λ3，
计算参数a1D,a2D和a3D如下，分别描述点p的一维、二维和三维信息，
Figure GDA0002107466590000054
其中，μ为正则化系数，定义μ＝σ1，
Figure GDA0002107466590000055
t＝1,2,3，如果adD最大，则点p维数为d。
而且，设坐标系O-XYZ的OZ方向为垂直地面方向，超体素包围盒在垂直地面方向相交或相接表示为超体素包围盒在XOY平面投影的矩形相互包含，且在XOZ平面投影的矩形相交或相接。
而且，Dc和Hc计算如下，
Figure GDA0002107466590000056
HC＝|Z-Z′|
其中，(X,Y,Z)和(X′,Y′,Z′)分别为相邻超体素中心点的三维坐标；
而且，wu的取值原则为，优先与地物空间位置有关的关联因子C2、C3和C4，其次是维数关联因子C1。
本发明通过基于密度的空间聚类算法(DBSCAN算法)对车载点云进行分割并生成超体素，在此基础上，结合超体素空间上下文关联进行车载点云聚类。该技术方案有效改善了点云聚类结果，在保证点云聚类准确率的同时，极大的缩减了聚类簇的个数，为后续的非监督分类或监督分类提供了很好的基础数据，改善了车载点云聚类的过分割或分割不足的问题，满足快速获取三维空间信息的需求，具有重要的市场价值。
附图说明
图1是本发明实施例中超体素包围盒在垂直方向相交或相接示意图。
图2是本发明实施例中结合空间上下文关联进行区域增长聚类示意图。
具体实施方式
以下结合附图和实施例对本发明的技术方案作进一步具体的说明。
本发明提出了一种基于空间上下文关联的车载点云聚类方法。该法利用基于密度的空间聚类算法DBSCAN分割点云形成超体素，通过分析超体素的特征及其相互间的空间上下文关联，综合多因素权值进行车载点云聚类。在聚类过程中，不仅考虑了点的空间距离，同时结合了邻域点的空间上下文关联，极大改善了车载点云聚类的过分割或分割不足的问题。
实施例的数据为Reigle vux-1地面激光扫描仪获得的城市街景点云数据，点云点数为2180726。数据的采样间隔为0.01°，主要包含物体有建筑物面、电力线、电线杆、树木及路灯交通标志杆等。
实施例提供的一种结合空间上下文关联的车载点云聚类方法，包括以下步骤：
步骤1，点云去噪及滤波。对点云去除零散的噪声点，并进行点云滤波处理，区分出地面点和非地面点。
所述步骤1中点云去噪及滤波包括如下步骤：
步骤1.1，建立点云的KD-tree空间索引，计算任一点的密度，并根据点密度值去除孤立点及零散的噪声点；
步骤1.2，利用地面高程参考值对点云进行了滤波处理：对于步骤1.1所得去噪后的点云，计算法向量垂直地面，且高程值满足预设阈值的点的平均高程
Figure GDA0002107466590000061
和高差标准差ε，将平均高程设置为地面高程参考值，高差标准差作为容忍阈值，对去噪后的点云进行判断，分离出地面点和非地面点。具体实施时，高程阈值可取点云高程最小值加一个预设参数值，例如2米。
如式(1)所示，任一点pi与平均高程
Figure GDA0002107466590000062
的差值如果小于高差标准差ε，该点为地面点，否则为非地面点。
Figure GDA0002107466590000071
实施例中，步骤1实现如下：
逐点计算点密度时，取半径为1.5m，密度阈值为10，当点密度小于10时，该点标记为孤立噪声点。
计算去噪后各点的法向量，查找任一点的K＝100个邻近点，最小二乘拟合过邻近点的平面，得到该点的法向量。判断该点法向量是否垂直于地面(具体实施时，可以预设角度偏差范围，容许近似垂直)，且高程值小于13.03米(点云高程最小值11.03米加上2米)，若满足则保留，重复上述步骤至所有的点都完成判断。统计上步中判断出的地面点的平均高程
Figure GDA0002107466590000072
为11.76m以及高差标准差ε为0.4米，根据平均高程和高差标准差ε采用式(1)判断所有点，分割出非地面点和地面点。
步骤2，对点云进行分割，生成超体素。对非地面点，采用基于密度的空间聚类算法DBSCAN进行分割，生成超体素，确保不同地物不存在粘连，即不存在混合超体素。
所述步骤2中对点云进行分割，生成超体素包括如下步骤：
步骤2.1，分析点云密度，设定点邻域搜索范围Eps；根据高程值对点云分段，给定不同高程范围内点云对应的最小样本数Minpts；
步骤2.2，利用DBSCAN算法对点云进行分割：
(1)标记点云中所有点的初始状态为未标记，建立待处理点队列。
(2)取点云中任一未标记的点p，根据点p的高程值，得到其对应的最小样本数Minpts，在邻域搜索范围Eps下，计算点p的邻域密度值pValue。
如果pValue小于Minpts，标记点p为噪声点。
若pValue大于或等于Minpts，则标记点p及其邻域点为新的点簇C，并将p的所有邻域点加入到待处理点队列中。
(3)对于待处理点队列中未处理的任一点q，计算邻域密度值qValue，如果qValue大于或等于Minpts，则将q的邻域点中未标记的点标记为该点簇C，并加入到待处理点队列中。
(4)依次对待处理点队列中的点进行(3)操作，直至所有点均处理过，将待处理点队列清空。
(5)重复(2)-(4)，直到所有点均被标记，则完成分割。
步骤2.3，对分割得到的点簇进行点数约束，若点数过小，则标记该点簇中的点为噪声点，其余满足约束的点簇则成为超体素。具体实施时，可预设相应点数阈值，如果某点簇的点数小于阈值，则标记为噪声点。
实施例中，利用DBSCAN算法进行超体素分割，搜索邻域半径Eps为0.6m，当点的高程值位于14.34m至22.34m之间，MinPts为450，否则MinPts为50，分割后得到212个超体素。
步骤3，空间上下文关联的点云聚类。分析超体素的特征及空间上下文关联，综合多因素权值进行超体素的区域增长，完成点云聚类。
所述步骤3中结合空间上下文关联聚类包括如下步骤：
步骤3.1，计算各超体素特征，包括超体素的维数信息VD，中心点的三维坐标V(X,Y,Z)及包围盒信息(Vmax,Vmin)。
实施例利用PCA(principal component analysis)算法计算超体素内各点维数，统计三维、二维以及一维点数，将点数最多的维数赋给超体素。
对于任一点p，设其邻域点集为以点p为球心，圆球内包含的最近K个点qk的集合,集合重心
Figure GDA0002107466590000081
为：
Figure GDA0002107466590000082
计算矩阵M和C如式(3)和(4)所示：
Figure GDA0002107466590000084
对矩阵C进行特征分解，得到排序后特征值分别为λ1,λ2,λ3(0＜λ3≤λ2≤λ1)，
根据式(5)计算参数a1D,a2D和a3D，分别描述点p的一维、二维和三维信息。
Figure GDA0002107466590000091
其中，μ为正则化系数，定义μ＝σ1，
Figure GDA0002107466590000092
t＝1,2,3。如果adD最大，则点p维数为d，d＝1,2,3。
中心点的三维坐标V(X,Y,Z)由该超体素中所有点的三维坐标求均值得到。
其中，(Xn，Yn，Zn)为超体素内任一点坐标，N为超体素包含的点数。
包围盒信息(Vmax,Vmin)是超体素的长方体包围盒的最大最小X、Y与Z值，Vmax(X1，Y1，Z1)和Vmin(X2，Y2，Z2)为：
Figure GDA0002107466590000094
Figure GDA0002107466590000095
步骤3.2，根据预设的搜索半径初值Rs，计算超体素的空间关联特征，包括超体素维数一致性、超体素中心点间的平面距离Dc、超体素中心点间的高差Hc以及超体素包围盒在垂直地面方向(OZ方向)相交或相接。Dc和Hc按照式(8)计算
Figure GDA0002107466590000096
其中，(X,Y,Z)和(X′,Y′,Z′)分别为相邻超体素中心点的三维坐标。
超体素包围盒在垂直地面方向(设为坐标系O-XYZ的OZ方向)相交或相接表示为超体素包围盒在XOY平面投影的矩形相互包含，且在XOZ平面投影的矩形相交或相接，参见附图1。
本发明选择的各空间关联特征，分别用于描述城市街景地物空间分布存在的主要上下文关联。对于城市街景地物，同一或同种地物其维数信息相同，且其在空间关系上，满足一定的几何约束如位于同一高度、呈水平或垂直分布等。如电力线为线状分布且相邻点基本处于同一高度，电线杆为线状垂直分布，树木为三维点和二维点的结合，符合垂直分布特点。当街景的地物被过分割后，得到的多个超体素依然满足其所属地物的空间分布几何约束。其中超体素维数一致性描述超体素维数关联，超体素中心点间的平面距离Dc、超体素中心点间的高差Hc以及超体素包围盒在垂直地面方向(OZ方向)相交或相接描述超体素空间分布几何约束。
步骤3.3，结合超体素空间上下文关联进行区域增长聚类，增长条件W为超体素间综合多因素的权值，如式(9)所示：
Figure GDA0002107466590000101
其中，Cu为超体素空间上下文关联因子，wu为每项因子对聚类的贡献度，u＝1,2,3,4。
其中，C1为维数关联因子，描述同种地物维数相同性质，当两个超体素维数信息一样，C1取值为1，否则为0；C2为平面位置关联因子，描述地物空间平面分布几何约束，当两个超体素平面距离Dc小于预设阈值时，C2取值为1，否则为0；C3为高度关联因子，描述地物高度分布几何约束，当两个超体素的高差Hc小于预设阈值时，C3取值为1，否则为0；C4为垂直方向位置关联因子，描述地物空间垂直分布几何约束，当两个超体素在垂直地面方向相交或相接时，C4取值为1，否则为0。
Figure GDA0002107466590000102
Figure GDA0002107466590000103
Figure GDA0002107466590000104
Figure GDA0002107466590000105
wu的取值原则为，优先与地物空间位置有关的关联因子C2、C3和C4，其次是维数关联因子C1，故W2、W3和W4分别取值为0.3，W1取值为0.1。
当增长条件W满足阈值，超体素进行增长，直至聚类完成，见图2。
具体实施时，增长条件W的阈值、平面距离阈值D及高差阈值H取值可根据实际聚类地物分布密集度预设。实施例中，计算超体素的特征后，进行超体素聚类权值的计算。给定搜索半径初值Rs为2m，计算超体素间的空间关联特征，当超体素的增长条件W≥2，可以进行增长。超体素中心点间的平面距离阈值D，超体素中心点间的高差阈值H及超体素包围盒在垂直方向相交或相接的阈值均为0.1m。
为了更好的说明本发明的聚类效果，统计实验结果中主要四大类地物聚类簇数目，分别与DBSCAN算法及人工聚类进行了对比，结果如表一所示。对比表明，本发明方法的聚类结果更接近人工聚类结果，且聚类簇个数较DBSCAN算法极大减少。
表一聚类结果对比(单位：簇)
地物类型 地物1 地物2 地物3 地物4
DBSCAN 53 12 44 103
本发明方法 14 5 29 20
人工聚类 6 4 30 14
因此，本发明具有如下优点：在车载点云聚类中，不仅考虑了点间空间距离的相关性，而且以超体素组织数据，挖掘点的空间上下文关联，有效改善了车载点云聚类的效果。
具体实施时，本发明所提供方法可基于软件技术实现自动运行流程，也可采用模块化方式实现相应系统。
本发明实施例还提供一种车载点云聚类系统，包括以下模块，
第一模块，用于点云去噪及滤波，包括对点云去除零散的噪声点，并进行点云滤波处理，区分出地面点和非地面点；
第二模块，用于对点云进行分割生成超体素，包括对非地面点，采用基于密度的空间聚类算法进行分割，生成超体素，确保不同地物不存在粘连；
第三模块，用于空间上下文关联的点云聚类，包括分析超体素的特征及空间上下文关联，综合多因素权值进行超体素的区域增长，完成点云聚类，包括以下单元，第一单元，用于计算各超体素特征，包括超体素的维数信息VD，中心点的三维坐标V(X,Y,Z)及包围盒信息(Vmax,Vmin)；
超体素的维数信息VD计算方式为，计算超体素内各点维数，统计三维、二维以及一维点数，将点数最多的维数赋给超体素；
中心点的三维坐标V(X,Y,Z)由超体素中所有点的三维坐标求均值得到；
包围盒信息(Vmax,Vmin)根据超体素的长方体包围盒得到；
第二单元，用于根据预设的搜索半径初值Rs，计算超体素的空间关联特征，包括超体素维数一致性、超体素中心点间的平面距离Dc、超体素中心点间的高差Hc以及超体素包围盒在垂直地面方向相交或相接；
第三单元，用于结合超体素空间上下文关联进行区域增长聚类，增长条件W为超体素间综合多因素的权值，计算如下
Figure GDA0002107466590000121
其中，Cu为超体素空间上下文关联因子，wu为每项因子对聚类的贡献度，u＝1,2,3,4；
C1为维数关联因子，描述同种地物维数相同性质，当两个超体素维数信息一样，C1取值为1，否则为0；
C2为平面位置关联因子，描述地物空间平面分布几何约束，当两个超体素平面距离Dc小于预设阈值时，C2取值为1，否则为0；
C3为高度关联因子，描述地物高度分布几何约束，当两个超体素的高差Hc小于预设阈值时，C3取值为1，否则为0；
C4为垂直方向位置关联因子，描述地物空间垂直分布几何约束，当两个超体素在垂直地面方向相交或相接时，C4取值为1，否则为0。
各模块具体实现可参见相应步骤，本发明不予赘述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种车载点云聚类方法，其特征在于：包括以下步骤，
步骤1，点云去噪及滤波，包括对点云去除零散的噪声点，并进行点云滤波处理，区分出地面点和非地面点；
步骤2，对点云进行分割生成超体素，包括对非地面点，采用基于密度的空间聚类算法进行分割，生成超体素，确保不同地物不存在粘连；
步骤3，空间上下文关联的点云聚类，包括分析超体素的特征及空间上下文关联，综合多因素权值进行超体素的区域增长，完成点云聚类，包括以下步骤，
步骤3.1，计算各超体素特征，包括超体素的维数信息VD，中心点的三维坐标V(X,Y,Z)及包围盒信息(Vmax,Vmin)；
超体素的维数信息VD计算方式为，计算超体素内各点维数，统计三维、二维以及一维点数，将点数最多的维数赋给超体素；
中心点的三维坐标V(X,Y,Z)由超体素中所有点的三维坐标求均值得到；
包围盒信息(Vmax,Vmin)根据超体素的长方体包围盒得到；
步骤3.2，根据预设的搜索半径初值Rs，计算超体素的空间关联特征，包括超体素维数一致性、超体素中心点间的平面距离Dc、超体素中心点间的高差Hc以及超体素包围盒在垂直地面方向相交或相接；
步骤3.3，结合超体素空间上下文关联进行区域增长聚类，增长条件W为超体素间综合多因素的权值，计算如下
其中，Cu为超体素空间上下文关联因子，wu为每项因子对聚类的贡献度，u＝1,2,3,4；
C1为维数关联因子，描述同种地物维数相同性质，当两个超体素维数信息一样，C1取值为1，否则为0；
C2为平面位置关联因子，描述地物空间平面分布几何约束，当两个超体素平面距离Dc小于预设阈值时，C2取值为1，否则为0；
C3为高度关联因子，描述地物高度分布几何约束，当两个超体素的高差Hc小于预设阈值时，C3取值为1，否则为0；
C4为垂直方向位置关联因子，描述地物空间垂直分布几何约束，当两个超体素在垂直地面方向相交或相接时，C4取值为1，否则为0。
2.根据权利要求1所述车载点云聚类方法，其特征在于：计算超体素内各点维数实现如下，
对于任一点p，设邻域点集为以点p为球心，圆球内包含的最近K个点qk的集合,集合重心
Figure FDA0002118263920000021
如下，
Figure FDA0002118263920000022
计算矩阵M和C如下，
Figure FDA0002118263920000023
Figure FDA0002118263920000024
对矩阵C进行特征分解，得到排序后特征值分别为λ1,λ2,λ3，
计算参数a1D,a2D和a3D如下，分别描述点p的一维、二维和三维信息，
Figure FDA0002118263920000025
其中，μ为正则化系数，定义μ＝σ1，
Figure FDA0002118263920000026
t＝1,2,3，如果adD最大，则点p维数为d。
3.根据权利要求1所述车载点云聚类方法，其特征在于：设坐标系O-XYZ的OZ方向为垂直地面方向，超体素包围盒在垂直地面方向相交或相接表示为超体素包围盒在XOY平面投影的矩形相互包含，且在XOZ平面投影的矩形相交或相接。
4.根据权利要求1所述车载点云聚类方法，其特征在于：Dc和Hc计算如下，
Figure FDA0002118263920000027
HC＝|Z-Z′|
其中，(X,Y,Z)和(X′,Y′,Z′)分别为相邻超体素中心点的三维坐标。
5.根据权利要求1或2或3或4所述车载点云聚类方法，其特征在于：wu的取值原则为，W2、W3和W4的取值为0.3大于W1的取值。
6.一种车载点云聚类系统，其特征在于：包括以下模块，
第一模块，用于点云去噪及滤波，包括对点云去除零散的噪声点，并进行点云滤波处理，区分出地面点和非地面点；
第二模块，用于对点云进行分割生成超体素，包括对非地面点，采用基于密度的空间聚类算法进行分割，生成超体素，确保不同地物不存在粘连；
第三模块，用于空间上下文关联的点云聚类，包括分析超体素的特征及空间上下文关联，综合多因素权值进行超体素的区域增长，完成点云聚类，包括以下单元，
第一单元，用于计算各超体素特征，包括超体素的维数信息VD，中心点的三维坐标V(X,Y,Z)及包围盒信息(Vmax,Vmin)；
超体素的维数信息VD计算方式为，计算超体素内各点维数，统计三维、二维以及一维点数，将点数最多的维数赋给超体素；
中心点的三维坐标V(X,Y,Z)由超体素中所有点的三维坐标求均值得到；
包围盒信息(Vmax,Vmin)根据超体素的长方体包围盒得到；
第二单元，用于根据预设的搜索半径初值Rs，计算超体素的空间关联特征，包括超体素维数一致性、超体素中心点间的平面距离Dc、超体素中心点间的高差Hc以及超体素包围盒在垂直地面方向相交或相接；
第三单元，用于结合超体素空间上下文关联进行区域增长聚类，增长条件W为超体素间综合多因素的权值，计算如下
Figure FDA0002118263920000031
其中，Cu为超体素空间上下文关联因子，wu为每项因子对聚类的贡献度，u＝1,2,3,4；
C1为维数关联因子，描述同种地物维数相同性质，当两个超体素维数信息一样，C1取值为1，否则为0；
C2为平面位置关联因子，描述地物空间平面分布几何约束，当两个超体素平面距离Dc小于预设阈值时，C2取值为1，否则为0；
C3为高度关联因子，描述地物高度分布几何约束，当两个超体素的高差Hc小于预设阈值时，C3取值为1，否则为0；
C4为垂直方向位置关联因子，描述地物空间垂直分布几何约束，当两个超体素在垂直地面方向相交或相接时，C4取值为1，否则为0。
7.根据权利要求6所述车载点云聚类系统，其特征在于：计算超体素内各点维数实现如下，
对于任一点p，设邻域点集为以点p为球心，圆球内包含的最近K个点qk的集合,集合重心
Figure FDA0002118263920000041
如下，
Figure FDA0002118263920000042
计算矩阵M和C如下，
Figure FDA0002118263920000043
Figure FDA0002118263920000044
对矩阵C进行特征分解，得到排序后特征值分别为λ1,λ2,λ3，
计算参数a1D,a2D和a3D如下，分别描述点p的一维、二维和三维信息，
Figure FDA0002118263920000045
其中，μ为正则化系数，定义μ＝σ1，
Figure FDA0002118263920000046
t＝1,2,3，如果adD最大，则点p维数为d。
8.根据权利要求6所述车载点云聚类系统，其特征在于：设坐标系O-XYZ的OZ方向为垂直地面方向，超体素包围盒在垂直地面方向相交或相接表示为超体素包围盒在XOY平面投影的矩形相互包含，且在XOZ平面投影的矩形相交或相接。
9.根据权利要求6所述车载点云聚类系统，其特征在于：Dc和Hc计算如下，
Figure FDA0002118263920000047
HC＝|Z-Z′|
其中，(X,Y,Z)和(X′,Y′,Z′)分别为相邻超体素中心点的三维坐标。
10.根据权利要求6或7或8或9所述车载点云聚类系统，其特征在于：wu的取值原则为，W2、W3和W4的取值为0.3大于W1的取值。
CN201710510689.6A 2017-06-28 2017-06-28 一种车载点云聚类方法及系统 Expired - Fee Related CN107292276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710510689.6A CN107292276B (zh) 2017-06-28 2017-06-28 一种车载点云聚类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710510689.6A CN107292276B (zh) 2017-06-28 2017-06-28 一种车载点云聚类方法及系统

Publications (2)

Publication Number Publication Date
CN107292276A CN107292276A (zh) 2017-10-24
CN107292276B true CN107292276B (zh) 2020-01-07

Family

ID=60098877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710510689.6A Expired - Fee Related CN107292276B (zh) 2017-06-28 2017-06-28 一种车载点云聚类方法及系统

Country Status (1)

Country Link
CN (1) CN107292276B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349158A (zh) * 2018-04-04 2019-10-18 北京京东尚科信息技术有限公司 一种处理点云数据的方法和装置
WO2019237319A1 (en) * 2018-06-15 2019-12-19 Bayerische Motoren Werke Aktiengesellschaft Incremental segmentation of point cloud
CN109633686B (zh) * 2018-11-22 2021-01-19 浙江中车电车有限公司 一种基于激光雷达侦测地面障碍物的方法及系统
CN109934120B (zh) * 2019-02-20 2021-04-23 东华理工大学 一种基于空间密度和聚类的分步点云噪声去除方法
CN110060288A (zh) * 2019-03-15 2019-07-26 华为技术有限公司 点云特征图的生成方法、装置及存储介质
CN110046661A (zh) * 2019-04-10 2019-07-23 武汉大学 一种基于上下文特征和图割算法的车载点云聚类方法
CN110275153B (zh) * 2019-07-05 2021-04-27 上海大学 一种基于激光雷达的水面目标检测与跟踪方法
CN110673158B (zh) * 2019-08-28 2022-10-04 国网福建省电力有限公司 基于激光扫描点云的电力生产场景三维空间异常检测方法
CN112166457A (zh) * 2019-08-29 2021-01-01 深圳市大疆创新科技有限公司 点云分割方法、系统和可移动平台
CN111145182B (zh) * 2019-12-30 2022-05-27 芜湖哈特机器人产业技术研究院有限公司 一种视觉定位三维点云分割方法
CN113496160B (zh) * 2020-03-20 2023-07-11 百度在线网络技术（北京）有限公司 三维物体检测方法、装置、电子设备和存储介质
CN111723866A (zh) * 2020-06-19 2020-09-29 新石器慧通（北京）科技有限公司 点云聚类的方法及装置、无人车、可读存储介质
CN111860321B (zh) * 2020-07-20 2023-12-22 浙江光珀智能科技有限公司 一种障碍物识别方法及系统
CN112070769B (zh) * 2020-09-18 2022-06-03 福州大学 一种基于dbscan的分层点云分割方法
CN112529044B (zh) * 2020-11-20 2022-06-28 西南交通大学 基于车载LiDAR的铁路接触网提取分类的方法
CN112462347B (zh) * 2020-12-28 2023-08-15 长沙理工大学 基于密度聚类的激光雷达点云快速分类滤波算法
CN116071694B (zh) * 2023-03-07 2023-06-23 浙江华是科技股份有限公司 船舶检测方法、装置及计算机可读存储介质
CN116309566B (zh) * 2023-05-17 2023-09-12 深圳大学 基于点云的粘连人造杆状物单体化提取方法及相关设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702200A (zh) * 2009-11-03 2010-05-05 武汉大学 一种机载激光雷达点云数据的自动分类方法
CN105701448A (zh) * 2015-12-31 2016-06-22 湖南拓视觉信息技术有限公司 三维人脸点云鼻尖检测方法及应用其的数据处理装置
CN106599915A (zh) * 2016-12-08 2017-04-26 立得空间信息技术股份有限公司 一种车载激光点云分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2532948B (en) * 2014-12-02 2021-04-14 Vivo Mobile Communication Co Ltd Object Recognition in a 3D scene

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702200A (zh) * 2009-11-03 2010-05-05 武汉大学 一种机载激光雷达点云数据的自动分类方法
CN105701448A (zh) * 2015-12-31 2016-06-22 湖南拓视觉信息技术有限公司 三维人脸点云鼻尖检测方法及应用其的数据处理装置
CN106599915A (zh) * 2016-12-08 2017-04-26 立得空间信息技术股份有限公司 一种车载激光点云分类方法

Also Published As

Publication number Publication date
CN107292276A (zh) 2017-10-24

Similar Documents

Publication Publication Date Title
CN107292276B (zh) 一种车载点云聚类方法及系统
CN111932688B (zh) 一种基于三维点云的室内平面要素提取方法、系统及设备
Lu et al. Fast 3D line segment detection from unorganized point cloud
CN112070769B (zh) 一种基于dbscan的分层点云分割方法
Lu et al. Pairwise linkage for point cloud segmentation
CN106022381B (zh) 基于车载激光扫描点云的路灯杆自动提取方法
CN111915730A (zh) 一种顾及语义从点云自动生成室内三维模型的方法及系统
CN108510516A (zh) 一种散乱点云的三维线段提取方法及系统
CN110349260B (zh) 一种路面标线自动提取方法及装置
CN113920134B (zh) 一种基于多线激光雷达的斜坡地面点云分割方法及系统
CN106529431B (zh) 基于车载激光扫描数据的路坎点自动提取及矢量化方法
CN103258203A (zh) 遥感影像的道路中线自动提取方法
CN112200248B (zh) 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质
CN114359876B (zh) 一种车辆目标识别方法及存储介质
CN109215112B (zh) 一种单侧点云模型的标注方法
CN109493344A (zh) 一种大规模城市三维场景的语义分割方法
CN113920360A (zh) 一种道路点云杆状物提取与多尺度识别方法
CN116258857A (zh) 一种面向室外树木激光点云分割与提取方法
CN117761658A (zh) 基于激光雷达的园区运送机器人多目标检测方法与系统
CN111861946B (zh) 自适应多尺度车载激光雷达稠密点云数据滤波方法
Tian et al. Robust segmentation of building planar features from unorganized point cloud
CN115063698A (zh) 斜坡地表变形裂缝自动识别与信息提取方法及系统
CN114463396A (zh) 一种利用平面形状和拓扑图投票的点云配准方法
Sun et al. Automated segmentation of LiDAR point clouds for building rooftop extraction
CN114063107A (zh) 一种基于激光束的地面点云提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200107

Termination date: 20200628