[發明專利]一種融合多尺度特征的車載點云道路桿狀物機器學習自動提取方法

在審

• 申請號: 202011416852.0
• 申請日: 2020-12-07
• 公開（公告）號: CN112446343A
• 公開（公告）日: 2021-03-05
• 發明（設計）人: 沈姜威;蔡東健;岳順;邢萬里
• 申請（專利權）人: 蘇州工業園區測繪地理信息有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/00
• 代理公司: 無錫市匯誠永信專利代理事務所(普通合伙) 32260
• 代理人: 顧品熒

本發明公開了一種融合多尺度特征的車載點云道路桿狀物機器學習自動提取方法，包括如下步驟：由車載激光掃描儀獲取道路以及路側地物的點云，并解算后輸出LAS格式的點云數據傳輸至MICROSTATION CE平臺；MICROSTATION CE平臺對LAS格式的點云數據預處理；MICROSTATION CE平臺對LAS格式的點云數據全自動分割處理,得到桿狀物點云數據；MICROSTATION CE平臺對桿狀物點云數據分類處理；MICROSTATION CE平臺對桿狀物點云數據的分類結果融合處理，本發明的目的在于提供一種融合多尺度特征的車載點云道路桿狀物機器學習自動提取方法，全自動分割處理解決點云分割部分不同類別桿狀物相連以及無法實時獲取桿狀物坐標的問題，且提高了完整性和準確性。

技術領域

本發明涉及測繪科技技術領域，尤其涉及一種融合多尺度特征的車載點云道路桿狀物機器學習自動提取方法。

背景技術

目前桿狀交通設施作為我國重要的基礎道路設施，其信息的快速獲取與更新對保障公路安全有重大意義。高精度的桿狀交通設施信息如位置、傾角、朝向和屬性等，在道路資產調查、自動駕駛和輔助駕駛等領域都有重要作用。

而道路桿狀地物的提取和分類技術主要包括人工測量、基于車載影像判讀和基于車載激光點云提取三大類。首先，由于桿狀交通設施數量巨大且較為分散，人工測量方法不可取，它的安全性較低，質量難以保證，不適合信息的快速更新。車載影像的判讀則嚴重依賴成像質量，相片質量差，判讀效果就差，自動化程度也比較低。

車載點云的目標提取有基于機器學習、先分割后識別和深度學習三大類。先分割后識別的目標提取方法則更易于理解。采用先分割后識別時，在點云分割部分，現有方法著重實現桿狀物和其它非桿狀地物的分割，導致在實際場景中不同類型桿狀物偶爾會重疊連接在一起，影響分類，同時在分割過程中并不能同時獲取桿狀物的位置信息。在目標提取方面，也有三種方法：基于語義規則、基于機器學習和基于模型匹配三類。基于機器學習的目標提取大都基于單一尺度下的形狀特征，往往會忽略局部或全局特征，導致特征獲取不全，損失精度；并且算法的性能比較依賴分割目標的準確性和完整性。

因此對于一種融合多尺度特征的車載點云道路桿狀物機器學習自動提取方法，點云分割部分不同類別桿狀物相連以及無法實時獲取桿狀物坐標、傳統基于機器學習的目標提取過程中特征獲取不全、尺度單一是我們要解決的問題。

發明內容

為克服上述缺點，本發明的目的在于提供一種融合多尺度特征的車載點云道路桿狀物機器學習自動提取方法，全自動分割處理解決點云分割部分不同類別桿狀物相連以及無法實時獲取桿狀物坐標的問題，并優化了分割方法，提高了分割效率和精度，結合逐點機器學習分類、超體素機器學習分類和完整桿狀物機器學習分類，多尺度分類，綜合考慮桿狀物點云數據的局部、全局和上下文特征，高效準確，且提高了完整性和準確性。

為了達到以上目的，本發明采用的技術方案是：一種融合多尺度特征的車載點云道路桿狀物機器學習自動提取方法，包括如下步驟：步驟1：由車載激光掃描儀獲取道路以及路側地物的點云，并解算后輸出LAS格式的點云數據傳輸至MICROSTATION CE平臺；步驟2：MICROSTATION CE平臺對LAS格式的點云數據預處理；步驟3：MICROSTATION CE平臺對LAS格式的點云數據全自動分割處理,得到桿狀物點云數據；步驟4：MICROSTATION CE平臺對桿狀物點云數據分類處理，分類處理包括c、逐點機器學習分類、d、超體素機器學習分類和e、完整桿狀物機器學習分類三個步驟；步驟5：MICROSTATION CE平臺對桿狀物點云數據的分類結果融合處理。