[發明專利]融合多層級漸進策略和非監督學習的地面點云提取方法

有效

• 申請號: 201910023657.2
• 申請日: 2019-01-10
• 公開（公告）號: CN109754020B
• 公開（公告）日: 2020-08-04
• 發明（設計）人: 惠振陽;魯鐵定;王樂洋;聶運菊
• 申請（專利權）人: 東華理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T5/00;G06T7/50
• 代理公司: 武漢維創品智專利代理事務所(特殊普通合伙) 42239
• 代理人: 余麗霞

1.一種融合多層級漸進策略和非監督學習的地面點云提取方法，其特征在于，包括以下步驟：

S1，獲取點云數據并進行噪聲去除；

S2，采用高斯混合模型實現點云自動聚類方法；

S3，自動獲取并標記地面點、地物點訓練樣本；

S4，計算點云特征向量并采用SVM方法建立訓練模型，并利用訓練得到的SVM模型對LiDAR點云進行分類；

S5，采用置信區間估計理論自動識別并剔除非地面點；

S6，重復執行步驟S2至S5，直到點云中不存在地物點為止；

其中，所述步驟S3具體包括以下步驟：

S31，設定結構元素為方形，邊長尺寸應大于實驗區域內最大建筑物的尺寸；

S32，按照此結構元素對LiDAR點云進行虛擬格網組織；

S33，將結構元素在虛擬格網上進行四個方向的平移，并將落入平移后結構元素內的最低點都標記為地面種子點；

S34，將所有地面種子點所在類別的點云都標記為地面點；

S35，依次獲取所有地面點的邊緣點，然后，對這些邊緣點進行臨近搜索；

S36，計算臨近點與邊緣點的高差，將高差大于預設高度的點標記為地物種子點，并將該地物種子點所在類別的所有點都標記為地物點。

2.根據權利要求1所述的融合多層級漸進策略和非監督學習的地面點云提取方法，其特征在于，所述步驟S1具體包括以下步驟：

S11，將點云按照KD樹進行組織，并獲取每個點的K臨近；

S12，計算每個點K臨近的高程均值E_M和均方根誤差E_δ；

S13，依次遍歷點云中的各個點，如果其高程值不在該點臨近點高程均值和三倍中誤差的范圍之內，則將該點判定為噪聲點并進行剔除。

3.根據權利要求2所述的融合多層級漸進策略和非監督學習的地面點云提取方法，其特征在于，所述步驟S2具體包括以下步驟：

S21，采用主成分分析法估算點云的法向量；

S22，設定高斯混合分布的密度函數；

S23，采用經驗模態分解算法估算高斯混合模型的參數；

S24，將高斯混合分布參數中均值相近的點云進行合并，并重新運用期望最大算法進行參數估算；

S25，重復迭代進行步驟S23和S24，直到點云混合成分的數目不再發生變化。

4.根據權利要求3所述的融合多層級漸進策略和非監督學習的地面點云提取方法，其特征在于，所述步驟23具體包括以下步驟：

S231，初始化高斯混合分布參數，包括λ_k、μ_k和δ_k，k＝1,2,…,k max；

S232，E步：計算各混合成分的概率；

S233，M步：計算高斯混合分布參數；

S234，檢查是否收斂，如果收斂則停止迭代，輸出高斯混合模型參數；否則，更新混合分布參數繼續迭代。

5.根據權利要求4所述的融合多層級漸進策略和非監督學習的地面點云提取方法，其特征在于，所述步驟S4具體包括以下步驟：

S41，計算各樣本點的局部結構協方差張量Cov_p；

S42，計算該協方差張量的三個特征值(λ₀、λ₁、λ₂)以及對應的特征向量(e₀、e₁、e₂)；

S43，依據特征值和特征向量，計算各個點的特征向量：不變性、本征熵、各向異性、平面性、線性、點性、曲面變化性、垂直性；

S44，采用SVM對訓練樣本依據特征向量建立訓練模型；

S45，利用訓練得到的SVM模型對未標記樣本進行分類。