[發明專利]一種車載激光點云目標分類方法和系統

有效

• 申請號: 201611187597.0
• 申請日: 2016-12-20
• 公開（公告）號: CN106650809B
• 公開（公告）日: 2018-02-23
• 發明（設計）人: 方莉娜;羅海峰;陳崇成
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 福州市景弘專利代理事務所(普通合伙)35219
• 代理人: 林祥翔,徐劍兵

技術領域

本發明涉及深度學習技術領域，特別涉及一種車載激光點云目標分類方法和系統。

背景技術

車載激光掃描系統(Vehicle-Borne Laser Scanning System)作為今年來新興的測繪技術，能夠快速準確地獲取道路及道路兩側地物的三維空間信息，成為了城市街道空間數據快速獲取的重要手段之一，廣泛應用于基礎測繪、城市規劃與設計、智能交通等領域。相比較于車載激光掃描系統硬件的快速發展，車載激光掃描數據目標地物的識別分類技術相對滯后，提高車載激光掃描數據分類的高效化、智能化已經成為了現在點云數據處理面臨的重要問題，同時也是車載激光掃描系統應用推廣的主要瓶頸。

目前，車載激光掃描數據目標點云識別分類方法主要圍繞點云數據的空間分布特征和目標地物的幾何特征開展。這些方法雖在一定程度上能夠實現車載激光點云的目標識別與分類，但分類精度低，適用范圍存在一定的局限性，且自動化水平方面有待提高。例如，基于點云高程閾值分類法雖然該方法相對簡單，但其適用范圍非常有限，分類結果精度較低，且需人為設定閾值自動化程度低；基于點云掃描線信息的分類法，盡管該方法能夠快速實現不同目標地物點云分類，但是面對復雜的城市地物環境，其分類結果精度較低亦無法滿足實際應用的需求；基于點云法向量分類法，僅采用單一特征，難以實現復雜的城市街景環境中多類目標地物點云的識別分類；基于點云投影密度分類法中，該方法僅適用于簡單場景立面點云提取，而面對城市街景中復雜密集的地物環境，其立面提取結果不完整。針對車載激光點云數據量大、地理要素空間分布和局部幾何特征差異大等特點，目前國內外還沒有一個較為成熟的算法能夠實現大范圍城市復雜街道環境車載激光掃描數據中對不同地物(樹木、桿狀地物、車輛等)進行快速有效的識別分類。

發明內容

為此，需要提供一種車載激光點云目標分類方法和系統，用以解決無法對大范圍城市復雜街道環境車載激光掃描數據中對不同地物(樹木、桿狀地物、車輛等)進行快速有效的識別分類的問題。

為實現上述目的，發明人提供了一種車載激光點云目標分類方法，包括如下步驟：對車載激光點云數據進行預處理，生成待分類目標點云，所述待分類目標點云包括：面上地物點云；提取目標點云的訓練樣本，構建基本訓練樣本庫，所述目標點云的訓練樣本包括：樹木、車輛、桿狀地物和其它地物；構建所述訓練樣本基于多個方向的垂直投影二值圖像，并生成特征向量；使用所述特征向量作為輸入，構建深度信念網絡；使用逐層訓練的方式進行預訓練，并使用有監督的學習方式進行微調；構建所述待分類目標點云基于多個方向的垂直投影二值圖像，并生成特征向量，并使用所述特征向量作為訓練后深度信念網絡的輸入，完成所述車載激光點云目標分類。

進一步的，步驟“對車載激光點云數據進行預處理，生成待分類目標點云”，還包括步驟：使用局部高差閾值的地面點云濾波法剔除地面點云，并使用具有噪聲的基于密度的聚類方法對面上地物點云進行聚類；使用歸一化分割法對聚類后的面上地物點云中相鄰地物交錯重疊點云進行分割；通過剖面分析法剔除大型地物點云聚類簇，生成待分類目標點云。

進一步的，步驟“構建所述訓練樣本基于多個方向的垂直投影二值圖像，并生成特征向量”，還包括步驟：預設n個不同方向；所述目標點云的訓練樣本沿各方向分別垂直投影至n個平面，并劃分平面成p*p的規則格網，并根據格網內是否存在點云生成二值圖像；使所述二值圖像排列成長度為p*p二值向量，并將n個二值向量串聯排列成長度為n*p*p的深度信念網絡輸入特征向量；使所述目標點云的訓練樣本繞z軸順時針每旋轉θ角，重復步驟“構建所述訓練樣本基于多個方向的垂直投影二值圖像，并生成特征向量”，直至所述目標點云的訓練樣本繞z軸旋轉一周。通過所述目標點云的訓練樣本繞z軸順時針每旋轉θ角，重復步驟“構建所述訓練樣本基于多個方向的垂直投影二值圖像，并生成特征向量”，增加了訓練樣本數量，有效防止網絡過度擬合和克服目標地物在不同場景中姿態多樣性對分類結果的影響。

進一步的，步驟“使用所述特征向量作為輸入，構建深度信念網絡”，還包括步驟：使用受限波爾茲曼機構建深度信念網絡，分類層采用softmax回歸模型；指定深度信念網絡的輸入層節點數、隱含層層數、隱含層節點數和分類層輸出節點數。