[發明專利]一種基于DBSCAN聚類的城市道路環境下的點云語義分割方法、系統及存儲介質

有效

• 申請號: 202011089191.5
• 申請日: 2020-10-13
• 公開（公告）號: CN112200248B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 曹杰;郝群;蘇云征;閆雷;唐鳴元
• 申請（專利權）人: 北京理工大學
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/762;G06V10/764;G06V20/13;G06V20/10
• 代理公司: 鄭州明華專利代理事務所(普通合伙) 41162
• 代理人: 文生明

本發明公開了一種基于DBSCAN聚類的城市道路環境下的點云語義分割方法、系統及存儲介質，對點云數據使用基于迭代的方法進行地面分割，利用DBSCAN對去除地面后的點云數據進行聚類，并對聚類后的cluster進行篩選，對感興趣的cluster計算其重心在水平面上的投影分布，并根據其分布對cluster進行合并，通過計算合并后cluster的特征進行分類，以實現對原始數據進行逐點的語義分割。本發明具有所需計算資源小、計算效率高、可解釋性強、分割精度高的特點，適用于具有城市道路環境下的點云語義分割。

技術領域

本發明涉及城市道路環境分析領域，尤其涉及一種基于DBSCAN聚類的城市道路環境下的點云語義分割方法及系統。

背景技術

隨著立體匹配算法和3D傳感器的發展，點云數據變得越來越容易獲取。高質量的點云數據是連接虛擬世界和現實世界之間的橋梁。通過對點云數據的處理，可以更好的感知環境信息。其中語義更是可以豐富通過點云傳達的信息。這對于智慧城市、無人駕駛、機器人等研究方向都有著重大意義。

目前的點云語義分割方法主要可以分為兩大類：基于非監督學習的方法和基于監督學習的方法。基于非監督學習的語義分割方法原理是先分割，再對分割塊進行標注。分割方法包含基于模型的分割、基于邊緣的分割和基于生長的分割。然而，基于分割的方案容易受分割參數的影響，造成過分割和欠分割問題，對后續的點云標注帶來困難?；诜潜O督學習的語義分割方案計算簡單，不需要昂貴的計算資源，但是其依賴于初始的點云分割質量，對于欠分割和過分割現象會影響最終的語義分割效果。

隨著計算機計算能力的不斷提高和深度學習技術快速發展，基于監督學習的方法逐漸從傳統機器學習過渡到深度神經網絡學習方法。已經發展出了包含MVCNN、3DCNN和DGCNN(Dynamic?Graph?CNN)等具有代表性的網絡模型，并取得了較好的分割效果?；诒O督學習的語義分割方案，計算復雜，所需計算資源龐大，需要大量的數據進行訓練，模型的可解釋性差。

公開號CN?110827398A公開了一種基于深度神經網絡的室內三維點云自動語義分割算法，主要基于待處理室內場景點云數據建立室內三維點云數據集，將室內三維點云數據集輸入深度神經網絡，獲取局部特征和全局特征，融合并輸出，得到語義分割點云，有效增加深度神經網絡對局部特征的學習提取能力，提高分割精度。公開號CN?108256424?A本發明公開一種基于深度學習的高分辨率遙感圖像道路提取方法，通過衛星或航拍器獲取遙感圖像，建立深度學習模型，標注部分遙感圖像并得到矢量路網，在遙感圖像以及矢量路網上采集道路以及背景樣本，采用深度學習模型對所述道路以及背景樣本進行訓練，用訓練得到的深度學習網絡對所述遙感圖像中像素進行分類并得到二值圖像，將二值圖像中識別出的像素值進行標識，能夠提高分類精度，從而識別地物信息。

發明內容

本發明公開的一種基于DBSCAN聚類的城市道路環境下的點云語義分割方法、系統，要解決的技術問題是提供一種三維點云的語義分割方法，基于對DBSCAN聚類后的cluster進行合并、特征提取實現對城市道路環境下的點云語義分割。且所述的語義分割方法具有計算效率高、計算資源占用少、可解釋性高、分割精度高等優點。

本發明的目的是通過下述技術方案實現的：

一種基于DBSCAN聚類的城市道路環境下的點云語義分割方法，包括如下步驟：

S1、對輸入的點云數據進行地面分割；

S2、對地物點聚類；

S3、對聚類后的點云數據進行點云語義分割；

S4、對語義分割結果進行插值優化。

本發明還提供一種基于DBSCAN聚類的城市道路環境下的點云語義分割系統，包括以下模塊：

第一模塊，對點云數據使用基于迭代的方法進行地面分割，包括以下單元：