[发明专利]基于高阶条件随机场的机载激光点云分类方法

说明书

本发明提出的是一种基于高阶条件随机场的机载激光点云分类方法，具体包括如下步骤：（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。优点：（1）提出多层聚类的点集结构构建方法，并引入类别标签约束的Meanshift点集聚类构建点集之间的连接关系，能够更加准确的对点集的类别进行分类；（2）能够自适应的构造非线性点云个数的多层次点集，更完整的表征点云目标的结构和形状等信息；（3）以点集为一阶项构造CRF模型，具有更高的效率和分类效果，从而整合更高的框架，得到更好的效果。

技术领域

本发明涉及的是一种基于高阶条件随机场的机载激光点云分类方法，属于建筑模型测量及构建技术领域。

背景技术

随着激光雷达传感器的快速发展，使得三维点云数据在众多领域有着广泛的应用，如自动驾驶、智慧城市以及测绘遥感等领域。然而三维点云分类是点云数据应用中的重要步骤，因此，对室外场景点分类具有重要的意义。目前点云分类可以分为两种方式：基于单点的点云分类和基于对象的点云分类。基于单点的点云分类主要是通过对点云的单点进行邻域选择、特征提取、特征选择和分类器分类，如Weinmann等提出了一种基于单点的点云分类框架，在涉及7个邻域定义、21个几何特征、7个特征选择方法和10个分类器的评估中，实现了最优特征的选择以及点云分类。然而基于单点的点云分类缺乏单点之间的结构与关联信息等，使得基于单点的分类精度并不理想。而为了解决上述问题，研究人员提出了基于对象的点云分类，该类方法是在点云分类前加入点云分割步骤，同时分类的基本单元是分割后的点集对象，然后再利用点集的特征和分类器基于对象进行分类。这种策略是根据先验知识将具有相同属性的点聚类到同一个点云簇中构成点集，提取每个点集的全局特征等，再利用机器学习方法对点集进行分类。

点云分割是很多上层应用的基础，尤其点云分类的结果与其息息相关。大部分的分割算法都是针对较为规则的场景，而过于散乱的场景分割则面临更多困难，主要是点与点之间的拓扑结构难以分析和如何选择有效的分割措施。目前，常见的点云分割算法有：基于区域生长的方法、基于模型的方法以及基于聚类的方法。

(1)基于区域生长的分割方法

该方法将三维点云中相邻且具有相似几何属性的点聚到同一区域。其主要思路是，先从点云中选择一个种子点，遍历周围邻域点，若邻域点与种子点之间的属性差异满足生长准则，则邻域点成为新的种子点并搜索本身邻域，反复迭代，直至终止。三维点云上的区域生长准则通常设为曲率与法向量夹角等。Tovari先求出每个点在点云中的K近邻，并以此计算近邻点的法向量，之后随机确定种子点，以种子点为初始位置，根据法向量差值是否符合预设阈值进行区域生长，最终利用区域生长实现了机载扫描点云数据的分割。Papon等将原始数据体素化并确定初始种子区域，在种子区域的近邻中，综合考虑RGB颜色信息、简单几何特征以及欧氏距离作为生长的判定准则，随着新的种子区域加入而不断迭代，最后此方法根据多属性特征确保了同一区域内的整体差异最小，而不同区域间的整体差异最大。这类分割算法受种子点的选取和边界判定条件影响较大，由于生长判定准则是依据各个点之间的相关特征，而低层次的特征的选取对于分割结果影响较大，造成算法鲁棒性较差。此外，由于需要不断的对点进行遍历，而且需要提取每个点的相关特征来判别区域边界，使得算法速度相对较慢。

(2)基于预定义模型的方法