[发明专利]基于激光点云图模型的云分割方法及设备

说明书

本发明提供了一种基于激光点云图模型的云分割方法及设备，该方法包括：提取激光点云中各个点之间的关联特征；根据激光点云中各个点之间的关联特征为激光点云构建图模型；根据图模型为激光点云中缺失颜色特征的点进行特征补充；基于特征补充后的激光点云进行点云分割。本发明不仅避免了不同类别的相近点对彼此识别分割的干扰，还能为点云中的每个点提供额外的信息，进而克服缺失点云颜色信息为云分割带来的阻碍，实现更好的点云分割效果。

技术领域

本发明涉及激光点云处理技术领域，尤其涉及一种基于激光点云图模型的云分割方法及设备。

背景技术

为了准确获得对外界场景的理解，许多技术被应用到激光点云这个邻域，其中机载激光雷达（Airborne Lidar，简称 ALR）由于其探测范围广，无时间地形限制，多回波特性等特点，是现在最主流的广域场景理解手段之一。通过结合由机载激光雷达获得的点云数据和一起采集的光学影像数据，可以得到某个广域区域较为全面的地形地貌特征，从而实现对于该区域的场景理解。

由于在使用 ALR 采集激光点云时，由于激光点云本身的分布不规律，密度差距大以及噪声的影响，采集到的激光点云数据通常十分复杂。在实际工程中，这些数据会由专业的测绘工程师来抽取特征，但是在探测范围大、数据多的时候，人工数据特征抽取耗费的成本将大幅增加。现有的 ALR 点云语义分割的方法主要分为四类：基于边的语义分割方法，基于区域增长的语义分割方法，基于参数的语义分割方法以及基于深度学习的语义分割方法。其中，基于边的语义分割方法分割精度并不理想；基于区域增长的语义分割方法受限于种子点的选取；基于参数的语义分割方法依赖于人根据对场景的预先理解所设计的特征；而深度学习的语义分割方法的瓶颈在于对训练的数据量和时间有着较高的要求。在现有的激光点云分割方法中，大都依赖于点与点之间的物理位置关系，但是这种物理位置关系很容易被干扰。例如，虽然有些建筑物激光点与其临近的植被激光点距离很近，但是他们所属类别，所具有的特性都不尽相同，直接将两者联系起来会干扰分割的效果。

此外，通过对由 ALR 采集的点云数据和光学遥感影像中的颜色数据进行数据融合，可以得到某个广域区域较为全面的地形地貌特征，从而实现对于该区域的场景理解。但是由于光学遥感影像无法穿透植被的遮挡，导致点云中采集到的植被下方的数据点无法获取光学遥感影像中的颜色数据，这一现象导致了缺失数据问题，即部分点云中的点无法获取到颜色信息，为点云数据与影像数据的数据融合带来了挑战。

发明内容

本发明提出了一种基于激光点云图模型的云分割方法及设备，能够解决现有云分割技术中不同类别的相近点对彼此识别分割的干扰问题，以及由于缺失点云颜色信息为云分割带来的阻碍问题。

本发明的一个方面，提供了一种基于激光点云图模型的云分割方法，所述方法包括：

提取激光点云中各个点之间的关联特征；

根据激光点云中各个点之间的关联特征为激光点云构建图模型；

根据图模型为激光点云中缺失颜色特征的点进行特征补充；

基于特征补充后的激光点云进行点云分割。

进一步地，提取激光点云中各个点之间的关联特征包括：

为激光点云中的每个具有颜色属性的点赋予特征参数；

计算任意两个点的特征参数差值；

根据任意两个点的特征参数差值采用预设的映射矩阵计算所述两个点之间的距离，计算公式如下：

其中，表示点和点在新的度量空间所计算得到的距离，表示点和点在原来的特征空间中的特征参数差值，表示映射矩阵W的转置。

进一步地，所述特征参数包括点在空间中的x、y、z坐标信息，r、g、b颜色信息，以及反射强度信息。