[发明专利]一种车载激光点云分类方法

权利要求书

1.一种车载激光点云分类方法，其特征在于，包括以下步骤：

步骤1：输入三维激光点云数据；

步骤2：利用GPS时间和行车轨迹，对三维激光点云数据分块处理；

步骤3：对步骤2中的数据块进行预处理；

步骤4：对预处理后的数据块进行初分类；

具体实现包括以下子步骤：

步骤4.1：采用超体聚类分割方法对数据块中点云进行聚类操作，将点云化成若干小块，记为聚类块；

步骤4.2：计算聚类块的特征及与邻近聚类块的关系特征；具体实现包括以下子步骤：

步骤4.2.1：搜索点的邻域，组成小集合；

步骤4.2.2：采用主成分分析方法计算小集合的特征值与特征向量，记为pevals与pevectors；

步骤4.2.3：计算点的特征，记为pfeat={pevals(2),pevals(1)-pevals(2),pevals(0)-pevals(1)，pevectors(0,2),pevectors(2,2)},其中pevals(0)、pevals(1)、pevals(2)为特征值分量，pevectors(0,2)、pevectors(2,2)为特征向量分量；

步骤4.2.4：采用主成分分析方法计算聚类块的特征值与特征向量，记为bevals与bevectors；

步骤4.2.5：计算聚类块的特征记为bfeat={bevals(2),bevals(1)-bevals(2),bevals(0)-bevals(1)，bevectors(0,2),bevectors(2,2)},其中bevals(0)、bevals(1)、bevals(2)为特征值分量，bevectors(0,2)、bevectors(2,2)为特征向量分量；

步骤4.3：利用马尔科夫随机场模型，输入点特征pfeat与块特征bfeat，对数据块中点云进行预测，并且将点分成地面、建筑物、护栏、植物、杆状物、架空线六类；

步骤5：对初分类后的数据块进行二次分类；

具体实现包括以下子步骤：

步骤5.1：对杆状物进行欧式聚类，将杆状物点云聚类成单独的杆状物目标；

步骤5.2：对杆状物目标进行生长，查找连接在一起的点云，使杆状物生长成一个完整的目标，同时计算完整目标的形状描述集合特征；

步骤5.3：利用支持向量机分类器，输入完整杆状物的形状描述集合特征，将杆状物细分成路灯、交通灯、行道树、电信杆、标志牌五类；

步骤6：输出分类后激光点云数据。

2.根据权利要求1所述的车载激光点云分类方法，其特征在于，步骤2的具体实现包括以下子步骤：

步骤2.1：输入GPS时间和行车轨迹；

步骤2.2：根据轨迹坐标值，从轨迹起始点开始累计欧氏距离和；

步骤2.3：判段欧式距离和，若欧式距离和大于阈值，则将当前轨迹点和起始轨迹点之间的空间和GPS时间记为一个块；

步骤2.4：令当前轨迹点的下一个轨迹点为轨迹起始点，回转执行步骤2，直到轨迹结束；

步骤2.5：根据海量三维点云数据中点的坐标和GPS时间，将点归属到对应的块，循环判断所有点，直到海量三维激光点云数据分块结束。

3.根据权利要求1所述的车载激光点云分类方法，其特征在于，步骤3的具体实现包括以下子步骤：

步骤3.1：采用体素化网格方法实现下采样；

步骤3.2：去除数据块中孤立噪声点；

对每个点，计算它到它的所有临近点的平均距离，假设得到的结果是一个高斯分布，其形状由均值和标准差决定，平均距离在标准范围之外的点，定义为离群点并从数据块中去除掉；

步骤3.3：去除地面以下的低点；

统计数据块中所有点的高程直方图，假设地面数据对应最大直方图分量所在的高程，在此高程之下的点，定义为低点并从数据块中去除掉。