[发明专利]基于高阶条件随机场的机载激光点云分类方法

权利要求书

1.基于高阶条件随机场的机载激光点云分类方法，其特征是包括如下步骤：

(1)基于DBSCAN聚类的点云分割；

(2)基于K-means聚类的点云过分割；

(3)基于Meanshift聚类的点集邻接关系构建；

(4)基于多层次点集构造高阶条件随机场的点云分类方法；

所述的步骤(3)基于Meanshift聚类的点集邻接关系构建通过引入点集类别标签约束，并利用Meanshift自适应的对点集进行聚类的方法，从而将点集之间拓扑关系的维护问题转化为在K-means过分割点集基础上的再次聚类问题：首先得到K-means过分割点集的初始标签作为后续再次聚类的约束条件，此后根据改进的Meanshift算法进行聚类，聚类结束后，即可得到聚类单元的拓扑关系；具体包括如下步骤：

a)基于过分割点集的初始标签确定

首先将过分割的点集作为处理对象，提取每个点集的特征，并使用支持向量机进行训练和分类，训练集中每个点集对应的真值标签通过统计该对象内所有点的真值标签来确定，即选择点标签的众数作为训练过程中该点集的标签真值，点集中每个点的标签是训练数据中人工标注的类别标签；

提取点云对象的协方差特征：首先提取对象中所有点的质心，再计算整个对象对应的协方差矩阵，进而求得特征值λ₂≥λ₁≥λ₀≥0和对应的特征向量v₂,v₁,v₀，由特征值之间的关系和特征向量作为特征描述子F_cov；选定点集中心点为球心，通过统计点集内的点在纬度方向的分布直方图，作为点集的纬度方向直方图特征F_lsh；另外也将点集的高程特征作为点集对象区分特征的描述子F_z；将上述特征融合作为点集特征F，然后采用高斯核函数的非线性SVM对所有的点集特征进行训练和测试，分类后的输出为每个对象所属类别的标签和属于每个类别的概率；

b)基于点集类别约束的Meanshift聚类

在MeanShift中引入关于类别信息的核函数，得到较为合理的聚类结果，为分割单元的合理拓扑构建奠定基础；对于K-means过分割后的点集质心表示为:X＝{x_q,q＝1,2,…,Q}，Q为点云过分割点集的个数；随机选取任意一点集x作为聚类中心，则对应的MeanShift向量为：

其中，K(x)为高斯核函数，K’(x)＝1{l＝l_i}；l和l_i为对应点集的质心x和x_i的初始类别标签，其中，Y＝{l_j,j＝1,2,…,Z},Z为点云分类的类别数；S_h为以x为中心、h为半径的球形区域，表示为：

S_h(x)＝{y|(y-x)^T(y-x)≤h²} (7)

改进后的Meanshift算法的具体步骤如下：

①在未被标记的点集质心X中随机选择一个对象作为初始聚类中心，同时设初始聚类中心的类别标签为当前聚类簇的类别l_j；

②标记S_h范围内所有点集质心，令这些点集质心属于当前聚类簇的概率加1；

③按公式(6)计算均值偏移并移动中心；

④重复②-③直到均值偏移小于阈值ε(即迭代到收敛)；

⑤判断当前聚类中心是否与已经存在的聚类中心足够近(即小于阈值σ)，若足够近，则两个聚类簇合并，否则，将当前聚类簇视为新的聚类；

⑥重复①至⑤，直到所有点集质心都被标记过；

⑦对于每个点集质心，访问频率最大的聚类簇即为其所属的聚类；

经过上述过程，可以输出具有Z种类别的M个聚类簇；每个聚类簇中的所有点集质心构成无向图，即点集之间的邻接关系。