[发明专利]基于多层次聚合特征提取与融合的点云分类方法

权利要求书

1.基于多层次聚合特征提取与融合的点云分类方法，其特征是包括如下步骤：

(一)多层次点集的构建；

(二)基于LLC-LDA的点集特征提取；

(三)基于多尺度最大池化(LLC-MP)的点集特征提取；

(四)基于多层次点集特征融合的点云分类。

2.根据权利要求1所述的基于多层次聚合特征提取与融合的点云分类方法，其特征是所述步骤(一)多层次点集的构建具体包括如下步骤：

(1)基于点云密度的大尺度点集构造

点云场景中的目标具有多种形态，基于点云目标大小或点个数的固定阈值直接分割的方法并不适用于各类目标的分割，室外场景的环境通常比较复杂，存在的物体种类较多，且形状不固定，又由于采集设备精度等原因，存在一定的噪声，在无法提前知道类别数的前提下，为了使得各类目标得到合理的分割单元数量，本发明采用DBSCAN(Density-BasedSpatial Clustering of Applications with Noise)进行初始的点云聚类，DBSCAN算法不需要提前设置聚类数量，可以直接根据点云数据的分布情况，聚类出最符合的实验场景的不同类别；

(2)基于K-means的自适应多层次小尺度点集构造

经过DBSCAN算法完成点云的初始聚类，但聚类后的点云簇面积和体积大，未能顾及目标的细节及局部走势，信息的表达有所缺失，并且不容易保证每个点云簇中的点均属于同一类别，本发明在DBSCAN聚类的基础上，迭代使用K-means过分割点云，快速地将点云分成大量点数小于T的点集，并且确保点集内部点的标签属于同一类别，其中，T为控制小尺度点集大小的参数，基于K-means的自适应多层次小尺度点集构造算法如下：

(3)多层次点集生成

本发明对于小尺度点集的构造，可以通过控制点集最大点数阈值T来生成不同层次的点集，为了获得具有邻接关系且更多层次的点集，可以通过调下阈值T，然后获得过分割的点集，再将过分割的点集利用Meanshift聚类算法，通过改变不同的聚类半径，来获得更多尺度的点集。

3.根据权利要求1所述的基于多层次聚合特征提取与融合的点云分类方法，其特征是所述步骤(二)基于LLC-LDA的点集特征提取，包括如下步骤：

(1)基于LLC的单点特征字典学习与稀疏编码

本发明采用局部线性约束的稀疏编码(LLC)对点云特征进行稀疏表达，具体步骤如下：设点云特征归一化后为其中，N为点云特征个数，D为每个点云特征的维度，点云特征的字典为M为字典中单词的个数，点云特征X的LLC稀疏编码为LLC稀疏编码模型如下：

其中，⊙为元素的内积，λ是约束条件正则项系数，是局部约束条件，其求解方法如下：

其中，dist(x_i，B)＝[dist(x₁，b₁)，...，dist(x_i，b_M)]^T，dist(x_i，b_j)为x_i和b_j的欧式距离，σ为控制局部区域范围的参数，为了保证C具有稀疏性的同时，并且具有局部平滑性，需令|c_i|＜ε的元素为0；

(2)LLC-LDA的点集特征提取

首先，利用基于LLC稀疏表达的矩阵C统计每个点集中各个单词出现的频率，根据公式(3)计算任一点集中第i个单词的频率：

其中，代表点集中第j个点的特征稀疏表达的第i个单词的频率，N_r为点集中点云的个数，β是一个T×M矩阵，T为主题模型的潜主题数，θ为T维的狄利克雷随机变量，即θ＝[θ₁，...，θ_T]，θ_i为第i个潜主题的概率，进而构建如下的LDA模型：

其中，α为狄利克雷参数，潜主题集合为：w＝[w₁，...，w_m]；

对用于训练的点集数据，基于公式(3)和公式(4)，利用最大期望算法优化求解α和β，基于优化的这两个参数可以求得点集每个潜主题的概率，进而基于所有潜主题的概率构造点集的特征，第L层次的第l个点集的LLC-LDA特征可以表示为：