[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

1.一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，其特征在于：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，所述分類處理包括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。

2.根據權利要求1所述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，其特征在于：在所述步驟2中，所述預處理包括以下步驟：s21、在MICROSTATION CE平臺中剔除道路之外的冗余數據；s22、MICROSTATION CE平臺并對較長路段進行分段。

3.根據權利要求1所述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，其特征在于：在所述步驟3中，所述全自動分割處理包括a、判斷高程連續和b、垂直道路延伸方向裁切兩個步驟。

4.根據權利要求3所述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，其特征在于：所述a、判斷高程連續包括以下步驟：a1、將道路點云的外包圍盒劃分為一個個0.5m*0.5m*0.5m的立方盒；a2、在每個立方盒內尋找所有含有點云的立方塊，并記錄每個立方塊的XYZ坐標和序號；a3、判斷是否有XY坐標一致、Z坐標垂直地面連續的立方塊群；a4、當Z坐標的差值超過設定的閾值，則初步判斷此處有桿狀物，并記錄下該桿狀物最低點所在立方體的XYZ坐標和序號。

5.根據權利要求3所述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,其特征在于：所述b、垂直道路延伸方向裁切包括以下步驟：b1、基于獲取的任一潛在桿狀物點P，獲取距離該點最近的同側另一桿狀物點Q，計算桿狀物點P和桿狀物點Q兩點連線的第一直線方程，并以第一直線方程作為模擬的道路延伸方向；b2、計算XY平面上與第一直線方程垂直且過桿狀物點P的第二直線方程，并將第二直線方程向兩側各拓寬一定距離，得到矩形框；b3、獲取所有XY坐標在矩形框內的點云，即為初步分割得到的桿狀物點云數據。

6.根據權利要求1所述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,其特征在于：所述c、逐點機器學習分類包括以下步驟：c1、逐點計算桿狀物點云數據特征；c2、獲取所有點云數據特征后，制作第一訓練數據集，再添加其各自對應的第一標簽，并輸出得到包含第一標簽和點云數據特征的第一訓練數據集；c3、對第一訓練數據集的多個特征進行重要性排序；c4、設置第一隨機森林分類器進行訓練，得到訓練好的模型；c5、使用該模型測試待分類桿狀物點云數據，輸出第一預測標簽；c6、最后對標記進行平滑，通過比較各類別點占整個桿狀物點云數據的比重確定最終桿狀物的分類結果。

7.根據權利要求1所述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,其特征在于：所述d、超體素機器學習分類包括以下步驟：d1、基于歐式距離和反射強度迭代生計算桿狀物點云數據得到超體素；d2、逐點計算超體素特征，得到超體素中心的點云數據特征；d3、獲取所有超體素的點云數據特征后，制作第二訓練數據集，再添加其各自對應的第二標簽，并輸出得到包含第二標簽和點云數據特征的第二訓練數據集；d4、對第二訓練數據集的多個特征進行重要性排序；d5、設置隨機第二森林分類器進行訓練，得到訓練好的模型；d6、使用該模型測試待分類桿狀物點云數據，輸出第二預測標簽；d7、最后對標記進行平滑，通過比較各類別超體素占整個桿狀物點云數據的比重確定最終桿狀物的分類結果。