[发明专利]一种基于特征球的室外场景三维点云数据的分类方法

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。

主权项

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$\log P\left(l\right|f)=$${\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{k=1}^K(w_n^k\·f_i)l_i^k+{\mathrm{\Σ}}_{\left(\mathrm{ij}\right)\∈E}{\mathrm{\Σ}}_{k=1}^K(w_e^k\·f_{\mathrm{ij}})l_{\mathrm{ij}}^k+{\mathrm{\Σ}}_{c\∈S}{\mathrm{\Σ}}_{k=1}^K(w_c^k\·f_c)l_c^k-Z,$其中：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，f_i为第i个点的特征向量，为当某点属于第k类的权重，为第i个点属于第k类的值；表示每一条边的能量势函数之和，f_ij为第ij条边的特征向量，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，f_c为第c个团的特征向量，为当某团属于第k类的权重，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C_p、线性点C_l和面性点C_s，再由此构造三维点云的特征球S_f；所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＝{p_i＝(x_i，y_i，z_i)|1≤i≤k}，其中：p_i为邻点，i为邻点的序号，k为邻点的个数；步骤(b)、通过公式构建给定点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λ₁、λ₂、λ₃，且λ₁＜λ₂＜λ₃，以及相应的特征向量v₁、v₂、v₃，最小特征值λ₁对应的特征向量v₁即为给定点p的法向量n＝(x_n，y_n，z_n)，最大特征值λ₃对应的特征向量v₃即为给定点p的切向量t＝(x_t，y_t，z_t)；步骤(c)、若协方差矩阵M的特征值λ₁≈λ₂≈λ₃，即λ₃/λ₂≤8和λ₂/λ₁≤8，则给定点p与其邻点p_i呈散乱状分布，将给定点p分类为点性点C_p，若协方差矩阵M的特征值λ₁≈λ₂＜＜λ₃，即λ₃/λ₂＞8和λ₂/λ₁≤8，则给定点p与其邻点p_i呈直线状分布，将给定点p分类为线性点C_l，若协方差矩阵M的特征值λ₁＜＜λ₂≈λ₃，即λ₃/λ₂≤8和λ₂/λ₁＞8，则给定点p与其邻点p_i呈平面状分布，将给定点p分类为面性点C_s；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r₁，中层球半径为r₂，外层球半径为r₃，且r₁＜r₂＜r₃，将所有点性点C_p映射到内层球，将所有线性点C_l的切向量映射到中层球，将所有面性点C_s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S_f；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f_i；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f_i＝(f_i1，f_i2，...，f_i10)，其中，f_i1＝z_i为该点的高度；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f_i2＝λ₃，线性特征f_i3＝λ₃‑λ₂，面性特征f_i4＝λ₂‑λ₁，点的切向量特征f_i5＝x_t，f_i6＝y_t，f_i7＝z_t及点的法向量特征f_i8＝x_n，f_i9＝y_n，f_i10＝z_n；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f_ij；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f_i和f_j；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f_ij＝f_i‑f_j，f_ij＝(f_ij1，f_ij2，...，f_ij10)；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_c；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_c＝(f_c1，f_c2，...，f_c12)，其中，f_c1为该团的平均高度，f_c2为该团内点的个数，f_c3，...，f_c12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和步骤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。