[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

说明书

本发明提出的是一种基于多层次聚合特征提取与融合的点云分类方法，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。本发明提出一种基于多尺度最大池化和latent Dirichlet allocation(LDA)的多层次点集聚合特征提取与融合方法，并基于融合的聚合特征实现点云分类。本发明算法通过多层次聚类，自适应获取多层次多尺度目标点集，通过局部线性约束稀疏编码(Locality‑constrained Linear Coding，LLC)表达点云单点特征，利用点坐标构建尺度金字塔，并基于最大池化方法构造能够表征点集局部分布的特征，然后融合该特征与LLC‑LDA模型提取点集全局特征，最终利用融合的点集多层次聚合特征实现点云分类。

技术领域

本发明涉及的是一种基于多层次聚合特征提取与融合的点云分类方法，属于激光雷达遥感数据智能处理领域。

背景技术

近年来激光雷达传感器在众多领域的应用越来越广泛。对激光点云数据进行处理是自动驾驶、智慧城市以及测绘遥感等领域应用的重要步骤。点云的语义分割是点云数据处理以及数据得到广泛应用的重要基础。由于点云中包含着大小和几何结构不同的多种复杂地物目标，使得每个点的准确有效分类变得非常具有挑战性。因此，对点云语义分割的研究具有重要的意义。

目前研究者们提出了大量点云语义分割算法，这些算法可以主要分为两类：基于单点的方法和基于点集的方法。基于单点的方法主要是通过对点云的单点进行邻域选择、特征提取和分类器分类。其中，邻域选择主要有：基于半径、柱形区域和K近邻等邻域选择方式。特征提取包括：底层特征提取和基于底层特征的更高层次特征提取与选择。底层特征提取主要有：法向量和高程特征、Spin Image、协方差特征值特征、全局特征视点特征直方图(View Feature Histogram，VFH)和聚类视点特征直方图(Clustered View FeatureHistogram，CVFH)等特征，而更高层次特征提取方法主要有：流行学习、低秩表示和稀疏表达等。分类器主要有：线性分类器、随机森林、AdaBoost和SVM(Support Vector Machine)等。例如，Mei等人利用半径邻域内的近邻点提取每个点的颜色信息、法向量、Spin Image和高程特征，然后利用边界、合作图和标签约束进行特征学习与选择，最后利用线性分类器对每个点进行分类。然而这种基于单点的方法提取的特征并不够稳定，缺乏局部区域点之间的结构与关联信息等，使得基于单点分类方法的精度和鲁棒性并不理想。

为了解决上述问题，研究人员提出了基于点集的点云分类方法，这类方法是根据先验知识将具有相同属性的点构造成点集，并构造点集特征进而提高特征表达的鲁棒性。以点集为点云分类单元，能够降低噪点的影响，提升点云分类的精度。其中，点集的构造方法有：基于聚类的方法、基于区域生长的方法、基于模型的方法、基于图割和归一化分割、基于内容敏感和归一化分割、基于体素的方法和基于近邻点的方法等。点集的特征构造主要有：基于点集的低层特征构造的方法、基于Bow(词袋)和LDA(Latent DirichletAllocation)的方法、基于稀疏编码和LDA的方法和基于卷积神经网络的方法等。例如，Xu等人将点云向地面投影成光栅图像，然后利用内容敏感约束子对光栅图像进行超像素分割，进而利用基于指数函数的归一化分割方法获取不同层次的点集，接着对每个点的低层特征进行稀疏编码，并基于LDA模型构造多层次点集的特征，最后，利用AdaBoost分类器对点集进行分类。这些方法取得了较好的分类效果，同时也说明了基于点集分类的有效性以及基于点集的更高层次特征对于分类的鲁棒性。