[发明专利]一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法

权利要求书

1.一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法，其特征在于：包括如下步骤：步骤1：由车载激光扫描仪获取道路以及路侧地物的点云，并解算后输出LAS格式的点云数据传输至MICROSTATION CE平台；步骤2：MICROSTATION CE平台对LAS格式的点云数据预处理；步骤3：MICROSTATION CE平台对LAS格式的点云数据全自动分割处理,得到杆状物点云数据；步骤4：MICROSTATION CE平台对杆状物点云数据分类处理，所述分类处理包括c、逐点机器学习分类、d、超体素机器学习分类和e、完整杆状物机器学习分类三个步骤；步骤5：MICROSTATION CE平台对杆状物点云数据的分类结果融合处理。

2.根据权利要求1所述一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法，其特征在于：在所述步骤2中，所述预处理包括以下步骤：s21、在MICROSTATION CE平台中剔除道路之外的冗余数据；s22、MICROSTATION CE平台并对较长路段进行分段。

3.根据权利要求1所述一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法，其特征在于：在所述步骤3中，所述全自动分割处理包括a、判断高程连续和b、垂直道路延伸方向裁切两个步骤。

4.根据权利要求3所述一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法，其特征在于：所述a、判断高程连续包括以下步骤：a1、将道路点云的外包围盒划分为一个个0.5m*0.5m*0.5m的立方盒；a2、在每个立方盒内寻找所有含有点云的立方块，并记录每个立方块的XYZ坐标和序号；a3、判断是否有XY坐标一致、Z坐标垂直地面连续的立方块群；a4、当Z坐标的差值超过设定的阈值，则初步判断此处有杆状物，并记录下该杆状物最低点所在立方体的XYZ坐标和序号。

5.根据权利要求3所述一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法,其特征在于：所述b、垂直道路延伸方向裁切包括以下步骤：b1、基于获取的任一潜在杆状物点P，获取距离该点最近的同侧另一杆状物点Q，计算杆状物点P和杆状物点Q两点连线的第一直线方程，并以第一直线方程作为模拟的道路延伸方向；b2、计算XY平面上与第一直线方程垂直且过杆状物点P的第二直线方程，并将第二直线方程向两侧各拓宽一定距离，得到矩形框；b3、获取所有XY坐标在矩形框内的点云，即为初步分割得到的杆状物点云数据。

6.根据权利要求1所述一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法,其特征在于：所述c、逐点机器学习分类包括以下步骤：c1、逐点计算杆状物点云数据特征；c2、获取所有点云数据特征后，制作第一训练数据集，再添加其各自对应的第一标签，并输出得到包含第一标签和点云数据特征的第一训练数据集；c3、对第一训练数据集的多个特征进行重要性排序；c4、设置第一随机森林分类器进行训练，得到训练好的模型；c5、使用该模型测试待分类杆状物点云数据，输出第一预测标签；c6、最后对标记进行平滑，通过比较各类别点占整个杆状物点云数据的比重确定最终杆状物的分类结果。

7.根据权利要求1所述一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法,其特征在于：所述d、超体素机器学习分类包括以下步骤：d1、基于欧式距离和反射强度迭代生计算杆状物点云数据得到超体素；d2、逐点计算超体素特征，得到超体素中心的点云数据特征；d3、获取所有超体素的点云数据特征后，制作第二训练数据集，再添加其各自对应的第二标签，并输出得到包含第二标签和点云数据特征的第二训练数据集；d4、对第二训练数据集的多个特征进行重要性排序；d5、设置随机第二森林分类器进行训练，得到训练好的模型；d6、使用该模型测试待分类杆状物点云数据，输出第二预测标签；d7、最后对标记进行平滑，通过比较各类别超体素占整个杆状物点云数据的比重确定最终杆状物的分类结果。