[发明专利]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

权利要求书

1.一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法，其特征在于，包括如下步骤：

S1、对输入的点云数据进行地面分割；

S2、对地物点聚类；

S3、对聚类后的点云数据进行点云语义分割；

S4、对语义分割结果进行插值优化；

其中，S2中，对去除地面后的点云数据进行DBSCAN聚类，具体包括如下步骤：

S21、对经过S1地面分割后的非地面点，使用DBSCAN进行聚类分割，将满足聚类条件的点分为同一类，对点云中的任一点P_i，在一个固定的半径r＝0.5内检索其邻域点的集合P_i^r，记邻域点的数量为如果一个点的半径为r的邻域点数量满足：

其中，Th_NearDensity＝5，那么将其记为核心点，且将其邻域点集合P_i^r中的点加入种子点集合，遍历所有种子点，直到种子点集合为空；对于DBSCAN聚类后的点云数据，因为一些点邻域点的密度低于密度阈值，会将这些点归类为Noise，对非Noise点构建kd-tree，对每一个Noise点进行KNN插值优化，将其邻域内数量最多的类别作为当前Noise点的类别；

其中，S3中，对聚类后的点云数据进行语义分割，具体包括如下步骤：

S31、对聚类后的点云数据进行特征提取，实现cluster的合并，对于聚类后的cluster，首先统计每一个cluster的点的数量clsuterⁱ.Num，通过设置cluster的点数阈值Th_Num，提取出除去建筑物之外的地物：

其中，Th_LNum＝5000，Th_SNum＝50；对于上述筛选出的Interest的点云cluster，通过计算cluster在x方向、y方向上，z方向上的跨度d_x,d_y,d_z，cluster的重心P_gravity，通过阈值将Interest的cluster分类为树冠和行道树、树干和杆、车、其它：

其中，Th₁＝19.5，Th₂＝25，其中，trees，crowns表示树冠和行道树，poles表示杆，cars表示车，trunks表示树干，others表示其它；将所有的cluster重心投影到水平面上，对除掉杆和树干后剩余的cluster的重心投影点构建kd-tree，对杆和树干cluster重心点在二维平面上进行K近邻检索，对检索到的最近的重心投影点，如果满足下式：

||P_querry-P_nearst||₂＜Th_nearst|P_querry.x-P_nearst.x|＜Th_{nearst_x}               (25)

其中，Th_nearst＝2，Th_{nearst_x}＝1.5，则将查询点对应的cluster和邻域点对应的cluster进行合并；

S32、对合并后的cluster进行特征提取，对cluster进行分类；合并后的cluster主要为道路一侧的杆状物和行道树的组合；计算杆和树的上下点云在水平面上投影的最大面积，分别记为Area_above、Area_below；通过下式将杆和行道树区分开来：

其中，上下部分的面积差阈值Th_AreaDiff＝1.5；

其中，S4中，对初步的语义分割结果使用KNN进行插值优化，对上述分类好的点在三维空间构建kd-tree，对根据数量阈值设置为Noise的点在kd-tree中检索K个最近邻域点，将K＝20个邻域点中点数量最多的类别赋值给Noise点。