[发明专利]基于密度聚类的激光雷达点云快速分类滤波算法

说明书

本发明公开一种基于激光雷达点云密度聚类的快速分类滤波算法，属于三维点云数据提取与分类的范畴。其技术特点是以激光雷达点云的空间密度、地物类点云和地形类点云的特征属性为依据，首先根据点云的高程值进行聚类，再进行平面点云的筛选，从而达到降低数据样本数量和特征维度的目的，最后通过DBSCAN聚类，将原始点云分为噪音类、地物类、及地形类点云。

技术领域

本发明涉及一种基于激光雷达点云数据分类的方法，特别是一种应用于不连续地形的点云数据密度聚类滤波，适用于城市、乡村等不连续地形激光雷达点云数据处理技术领域。

背景技术

激光雷达技术能非接触、主动、快速获取物体表面具有三维坐标和一定属性的密集点云，为采集人工难以到达地区的高程信息提供了帮助。机载激光雷达系统是目前最先进、能实时获取地形表面三维信息和影像的航空遥感系统，其中航空激光扫描系统获得的是离散点，地面三维信息来自各种地面目标，因而需要分离在地形表面上与非地形表面上的点。

从点云数据中剔除非地面点，获取真实数字高程模型的过程常称为“非地面点云滤波”。基于聚类或分割的滤波方法假设的合理性在于，若聚类的任一点高于其邻域，则聚类的任一点都应属于地物点类，反之则属于裸露的地面点类 。通过点云分割为仍包含高度不连续性的平滑段，通过比较与相邻段的拓扑和几何关系将所得段分类。利用K-means算法对点云进行分层过滤，再用局部坡度图完善地面点的过滤。

当前点云数据分类所面临的挑战主要是：（1）点云数据一般是高维的且数据量特别巨大，这将导致直接聚类不可实施，滤波误差过大。（2）目前现有的滤波算法不适合不连续地形分类。

发明内容

针对点云数据一般是高维的且数据量特别巨大，这将导致直接聚类不可实施，滤波误差过大，许多滤波算法不适合不连续地形分类，本专利提出一种基于密度聚类的快速分类滤波算法，原始三维点云信息降维，初聚类时只利用点云一个平面的信息，大大降低了计算的复杂度，充分考虑点云邻域间的高差关系，多次聚类后将点云分类为地物类和地面类，达到从原始点云中剔除地物点的目的。适用于城市、乡村等不连续地形激光雷达点云数据处理技术领域。

本发明解决其技术问题采取的技术方案是：以激光雷达点云的空间密度、地物类点云和地形类点云的特征属性为依据，首先根据点云的高程值进行聚类，再进行平面点云的筛选，从而达到降低数据样本数量和特征维度的目的，最后通过DBSCAN聚类，将原始点云分为噪音类、地物类、及地形类点云。具体步骤如下:

(1)划分网格：将测区点云按平面坐标划分到不同的网格，由于一个大测区内地形高低起伏，而地物裹挟其中，点云大量堆砌的情况下，直接对大测区按高程聚类将导致聚类结果差，而先将大测区划分成长度为D的若干小测区可以充分保留地物特征；

(2)DBSCAN第一次聚类：逐网格对点云进行DBSCAN第一次聚类，以点的高程为特征属性，按(Epsilon1, MinPts)将点云分为若干个无属性类，MinPts一般认为应大于数据的维度。因噪声具有无核心点、低密度的特征，聚类会将噪声分为单独的noise类，达到去噪的效果；

(3)选择初始地形类：一般认为测区中的最低类是地形类，汇总所有初始聚类结果形成初始地形类。由于地形和地物在高度上没有绝对的区别，高度只是作为判断的依据之一，此时的初始地形中仍可能包含地物点；

(4)计算最邻近点高差：搜索水平面最邻近点对并计算高差，一般地物与地形点云的一个共点是：在类内，水平距离短时高度变化小。一个区别是：地物类的边界点在较短水平距离内会有较大高度变化。以(range1, range2)为阈值，若存在一对点，在range1水平距离内的高差不小于range2，即认为较高的一点为地物边界点。只要找到一地物类的任一边界点，通过聚类就能找到整个地物；

(5)DBSCAN第二次聚类：用突变点进行DBSCAN第二次聚类，找到的地物边界点称为突变点，以突变点为初始点按(Epsilon2, MinPts)在初始地形类中聚类；