[发明专利]一种车载点云聚类方法及系统

说明书

本发明提出一种车载点云聚类方法及系统，包括点云去噪及滤波，包括对点云去除零散的噪声点，并进行点云滤波处理，区分出地面点和非地面点；对点云进行分割生成超体素，包括对非地面点，采用基于密度的空间聚类算法进行分割，生成超体素，确保不同地物不存在粘连；空间上下文关联的点云聚类，包括分析超体素的特征及空间上下文关联，综合多因素权值进行超体素的区域增长，完成点云聚类。本发明改善了车载点云聚类的过分割或分割不足的问题，满足快速获取三维空间信息的需求，具有重要的市场价值。

技术领域

本发明涉及车载激光扫描数据处理技术领域，尤其是涉及一种结合空间上下文关联的车载点云聚类方法及系统。

背景技术

车载激光扫描系统(Vehicle-borne Laser Scanning,VLS)获取的点云数据具有密度大、精度高、采集快速等特点，是当今前沿的快速获取三维空间信息的技术手段。目前，国内外学者在点云数据应用方面进行了大量研究，其中车载点云聚类是VLS数据处理和信息提取的重要组成部分，是实现地物自动识别的前提和关键环节。

目前常见的点云聚类方法可以分为划分聚类、层次聚类、网格聚类和密度聚类等方法。划分聚类方法依赖初始聚类个数的确定，层次聚类方法中邻近度矩阵计算复杂，VLS点云数据量大，会导致运算慢，网格聚类算法适合于形状相对规则而且方向性较强的数据聚类，对于呈现出类内团聚状的点云数据并不适用。而密度聚类方法是通过对象的密度来识别簇，将具有足够高密度的区域划分为簇，并能在具有噪声的空间数据集中发现任意形状的簇，许多研究表明该类方法非常适合点云聚类。但是，城市街景的地物密集，且垂直方向分布的地物丰富，地物间粘连较严重，对于这种情况，仅考虑点间空间距离的密度聚类会造成较为严重的分割不足或过分割情况。

发明内容

本发明主要解决现有技术所存在的技术问题，提供了一种以超体素为对象，结合空间上下文关联的车载点云聚类技术方案。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种车载点云聚类方法，包括以下步骤，

步骤1，点云去噪及滤波，包括对点云去除零散的噪声点，并进行点云滤波处理，区分出地面点和非地面点；

步骤2，对点云进行分割生成超体素，包括对非地面点，采用基于密度的空间聚类算法进行分割，生成超体素，确保不同地物不存在粘连；

步骤3，空间上下文关联的点云聚类，包括分析超体素的特征及空间上下文关联，综合多因素权值进行超体素的区域增长，完成点云聚类，包括以下步骤，

步骤3.1，计算各超体素特征，包括超体素的维数信息VD，中心点的三维坐标V(X,Y,Z)及包围盒信息(Vmax,Vmin)；

超体素的维数信息VD计算方式为，计算超体素内各点维数，统计三维、二维以及一维点数，将点数最多的维数赋给超体素；

中心点的三维坐标V(X,Y,Z)由超体素中所有点的三维坐标求均值得到；

包围盒信息(Vmax,Vmin)根据超体素的长方体包围盒得到；

步骤3.2，根据预设的搜索半径初值Rs，计算超体素的空间关联特征，包括超体素维数一致性、超体素中心点间的平面距离D_c、超体素中心点间的高差H_c以及超体素包围盒在垂直地面方向相交或相接；

步骤3.3，结合超体素空间上下文关联进行区域增长聚类，增长条件W为超体素间综合多因素的权值，计算如下

其中，C_u为超体素空间上下文关联因子，w_u为每项因子对聚类的贡献度，u＝1,2,3,4；