[发明专利]一种融合多尺度特征的激光扫描数据物理平面自动化提取方法

权利要求书

1.一种融合多尺度特征的激光扫描数据物理平面自动化提取方法，其特征在于，包含以下步骤：

一个激光扫描数据的步骤：利用机载、车载、固定站激光扫描仪获取原始点云数据，该数据包括道路及道路两侧地物的高精度的3维坐标信息；

一个基于信息熵的最佳邻域确定和局部几何特征计算的步骤：针对激光扫描获取原始数据确定局部几何特征计算的最大邻域半径r_max，最小邻域半径，并计算该最佳邻域内每个点的几何特征，具体包括：

步骤1.1、确定局部几何特征计算的最大邻域半径r_max，最小邻域半径r_min，半径的增量r_Δ，强度差阈值I_Δ，并初始化当前半径r_C＝r_min；

步骤1.2、逐步增大邻域半径r_C(r_C+＝r_Δ)，直到r_C≥r_max；对邻域r_C内与当前点反射强度差小于I_Δ的数据进行主分量分析(PCA)得到点云数据分布的特征值λ₁，λ₂，λ₃，并定义维数特征：a1D=λ1-λ2λ1,a2D=λ2-λ3λ1,]]>和熵函数E_f＝-a_1Dln(a_1D)-a_2Dln(a_2D)-a_3Dln(a_3D)；

步骤1.3、把函数E_f为最小值时的半径确定为最佳的邻域半径r_optimal，并计算每个激光脚点的维数特征(a_1D，a_2D，a_3D)和法向量(N_x,N_y,N_z)；

一个基于支持向量机的逐点粗分类的步骤：根据计算的每个点的几何特征利用支持向量机(SVM)对每个激光脚点分类为线状分布点、面状分布点和球状分布点3类：具体方法是：

将每一个激光脚点的维数特征(a_1D，a_2D，a_3D)归一化到区间[-1,1]，手工标记一部分点类别(线状分布点、面状分布点和球状分布点)并将这些已知类别的点分为训练集和验证集；输入训练集进行训练(核函数采用高斯核函数)，得到最优分类模型；用得到的模型对验证集和未知类别的点进行分类，分类为线状分布点、面状分布点和球状分布点3类；

一个针对面状分布的点进行区域生长并提取初始平面的步骤：利用最小割方法合并相邻的相似平面，具体包括：

步骤2.1、标记所有的面状分布的点为“未分割”，并从未分割的扫描点中随机选取一个点作为生长的初始种子点；

步骤2.2、利用KD树搜索种子点的邻域点，如果邻域点法向量和种子点法向量的夹角小于阈值T_a并且邻域点到种子点所在平面的距离小于阈值T_s，则认为邻域点和种子点属于同一平面，并将该邻域点作为下次生长的种子点；

步骤2.3、重复步骤2.1至步骤2.3，直到所有的点都已分割完毕，得到初始的分割区域；

步骤2.4、把初始的分割区域作为结点，构建无向加权图G＝(V,E,W)，V表示图中所有的节点，E表示节点间的边，W＝[w(i,j)]_n*n是权值矩阵，w(i,j)表示节点i和j之间的相似性；假设将图G分为两个不相交的部分A与B，移去连接A与B之间的边可以使该图一分为二，定义该图的一个割如下：

cut(A,B)=Σi∈A,j∈Bw(i,j)]]>

节点间的边反映了节点间的相似程度，权值越小，相似程度越低；每次选取图的“最小割值”对图G进行二分，直至满足迭代终止条件；

一个基于语义知识的平面精细化提取的步骤，对提取的初始平面进行精化处理，进一步剔除虚假的平面，具体方法是：计算每个初始片面的尺寸，包括长、宽、高、面积、粗糙度其中l₁和l₃为对面片进行主分量分析(PCA)得到的点云数据分布的特征值，紧凑度其中，area和perimeter为区域的面积和周长，保留同时满足宽度大于阈值T_s、高度大于阈值T_H、面积大于阈值T_β、粗糙度小于阈值T_r并且紧凑度大于阈值T_c的初始面片作为最终的平面提取结果。