[发明专利]一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法、系统及存储介质

说明书

本发明公开了一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法、系统及存储介质，对点云数据使用基于迭代的方法进行地面分割，利用DBSCAN对去除地面后的点云数据进行聚类，并对聚类后的cluster进行筛选，对感兴趣的cluster计算其重心在水平面上的投影分布，并根据其分布对cluster进行合并，通过计算合并后cluster的特征进行分类，以实现对原始数据进行逐点的语义分割。本发明具有所需计算资源小、计算效率高、可解释性强、分割精度高的特点，适用于具有城市道路环境下的点云语义分割。

技术领域

本发明涉及城市道路环境分析领域，尤其涉及一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法及系统。

背景技术

随着立体匹配算法和3D传感器的发展，点云数据变得越来越容易获取。高质量的点云数据是连接虚拟世界和现实世界之间的桥梁。通过对点云数据的处理，可以更好的感知环境信息。其中语义更是可以丰富通过点云传达的信息。这对于智慧城市、无人驾驶、机器人等研究方向都有着重大意义。

目前的点云语义分割方法主要可以分为两大类：基于非监督学习的方法和基于监督学习的方法。基于非监督学习的语义分割方法原理是先分割，再对分割块进行标注。分割方法包含基于模型的分割、基于边缘的分割和基于生长的分割。然而，基于分割的方案容易受分割参数的影响，造成过分割和欠分割问题，对后续的点云标注带来困难。基于非监督学习的语义分割方案计算简单，不需要昂贵的计算资源，但是其依赖于初始的点云分割质量，对于欠分割和过分割现象会影响最终的语义分割效果。

随着计算机计算能力的不断提高和深度学习技术快速发展，基于监督学习的方法逐渐从传统机器学习过渡到深度神经网络学习方法。已经发展出了包含MVCNN、3DCNN和DGCNN(Dynamic Graph CNN)等具有代表性的网络模型，并取得了较好的分割效果。基于监督学习的语义分割方案，计算复杂，所需计算资源庞大，需要大量的数据进行训练，模型的可解释性差。

公开号CN 110827398A公开了一种基于深度神经网络的室内三维点云自动语义分割算法，主要基于待处理室内场景点云数据建立室内三维点云数据集，将室内三维点云数据集输入深度神经网络，获取局部特征和全局特征，融合并输出，得到语义分割点云，有效增加深度神经网络对局部特征的学习提取能力，提高分割精度。公开号CN 108256424 A本发明公开一种基于深度学习的高分辨率遥感图像道路提取方法，通过卫星或航拍器获取遥感图像，建立深度学习模型，标注部分遥感图像并得到矢量路网，在遥感图像以及矢量路网上采集道路以及背景样本，采用深度学习模型对所述道路以及背景样本进行训练，用训练得到的深度学习网络对所述遥感图像中像素进行分类并得到二值图像，将二值图像中识别出的像素值进行标识，能够提高分类精度，从而识别地物信息。

发明内容

本发明公开的一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法、系统，要解决的技术问题是提供一种三维点云的语义分割方法，基于对DBSCAN聚类后的cluster进行合并、特征提取实现对城市道路环境下的点云语义分割。且所述的语义分割方法具有计算效率高、计算资源占用少、可解释性高、分割精度高等优点。

本发明的目的是通过下述技术方案实现的：

一种基于DBSCAN聚类的城市道路环境下的点云语义分割方法，包括如下步骤：

S1、对输入的点云数据进行地面分割；

S2、对地物点聚类；

S3、对聚类后的点云数据进行点云语义分割；

S4、对语义分割结果进行插值优化。

本发明还提供一种基于DBSCAN聚类的城市道路环境下的点云语义分割系统，包括以下模块：

第一模块，对点云数据使用基于迭代的方法进行地面分割，包括以下单元：