[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

说明书

本发明公开了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，包括如下步骤：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；MICROSTATION CE平台对LAS格式的点云数据预处理；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；MICROSTATION CE平台对杆状物点云数据分类处理；MICROSTATION CE平台对杆状物点云数据的分类结果融合处理，本发明的目的在于提供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，全自动分割处理解决点云分割部分不同类别杆状物相连以及无法实时获取杆状物坐标的问题，且提高了完整性和准确性。

技术领域

本发明涉及测绘科技技术领域，尤其涉及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。

背景技术

目前杆状交通设施作为我国重要的基础道路设施，其信息的快速获取与更新对保障公路安全有重大意义。高精度的杆状交通设施信息如位置、倾角、朝向和属性等，在道路资产调查、自动驾驶和辅助驾驶等领域都有重要作用。

而道路杆状地物的提取和分类技术主要包括人工测量、基于车载影像判读和基于车载激光点云提取三大类。首先，由于杆状交通设施数量巨大且较为分散，人工测量方法不可取，它的安全性较低，质量难以保证，不适合信息的快速更新。车载影像的判读则严重依赖成像质量，相片质量差，判读效果就差，自动化程度也比较低。

车载点云的目标提取有基于机器学习、先分割后识别和深度学习三大类。先分割后识别的目标提取方法则更易于理解。采用先分割后识别时，在点云分割部分，现有方法着重实现杆状物和其它非杆状地物的分割，导致在实际场景中不同类型杆状物偶尔会重叠连接在一起，影响分类，同时在分割过程中并不能同时获取杆状物的位置信息。在目标提取方面，也有三种方法：基于语义规则、基于机器学习和基于模型匹配三类。基于机器学习的目标提取大都基于单一尺度下的形状特征，往往会忽略局部或全局特征，导致特征获取不全，损失精度；并且算法的性能比较依赖分割目标的准确性和完整性。

因此对于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，点云分割部分不同类别杆状物相连以及无法实时获取杆状物坐标、传统基于机器学习的目标提取过程中特征获取不全、尺度单一是我们要解决的问题。

发明内容

为克服上述缺点，本发明的目的在于提供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，全自动分割处理解决点云分割部分不同类别杆状物相连以及无法实时获取杆状物坐标的问题，并优化了分割方法，提高了分割效率和精度，结合逐点机器学习分类、超体素机器学习分类和完整杆状物机器学习分类，多尺度分类，综合考虑杆状物点云数据的局部、全局和上下文特征，高效准确，且提高了完整性和准确性。

为了达到以上目的，本发明采用的技术方案是：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，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，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。