[发明专利]基于车载LiDAR点云的路边地上物多阶段聚类分割算法

说明书

本发明公开基于车载LiDAR点云的路边地上物多阶段聚类分割算法：步骤(1)、车载LiDAR点云数据预处理，得到路边地上物点云数据；步骤(2)、对路边地上物点云数据依次进行三维格网化和广度优先搜索，实现路边地上物点云数据的粗聚类分割；粗聚类分割得到单独地物点云和相连地物点云，单独地物点云作为路边地上物聚类结果输出；步骤(3)、将相连地物点云进行欧氏聚类，分割为边界完整的粗聚类点云集；步骤(4)、利用多段式近邻搜索聚合粗聚类点云集的所有聚类对象；自适应调整聚类阈值，至所有聚类对象的点云聚合速度相近，输出相连地物聚类结果。本发明解决了车载LiDAR点云分割存在人工干预多、分割效果不稳定等问题。

技术领域

本发明涉及地上物聚类分割技术领域。具体地说是基于车载LiDAR点云的路边地上物多阶段聚类分割算法。

背景技术

车载LiDAR技术作为当今前沿空间信息获取技术，在车辆行驶过程中能快速获取道路两侧地物详尽的三维空间信息。行道树、路灯、指示牌等路边地上物作为该数据源中的常见要素，为构建智慧城市、数字道路及自动驾驶技术等提供数据支持。由于车载LiDAR无差别地记录了建筑物、汽车、行人、路面、路边地上物等空间信息，从海量点云中获取地物时，点云聚类分割是其重要步骤，分割结果对三维重建、目标识别、特征提取等后续处理有直接影响。

当前针对路边地上物点云的聚类算法主要分为以下4类：

1)基于几何距离，如K-Means聚类、欧氏聚类等。该类算法的聚类结果与初始簇心位置、距离阈值有关，因道路场景中常有多种路边地上物，需频繁调整这些值以达到理想效果，其算法的参数复用性较差且易出现过分割/欠分割现象。

2)基于点云密度，如DBSCAN聚类、OPTICS聚类。该类方法以点云分布的紧密程度作为聚类依据，聚类时随机选择一个核心对象作为种子，输出这个核心对象密度可达的所有样本集合，重复该操作直到所有核心对象聚类完成。同类地物因点云密度相近而具有较好的提取效果，但近邻的地物易被提取为单个聚类，且车载LiDAR数据存在随扫描距离增大而点云密度下降的问题，需考虑局部密度变化对聚类效果的影响。

3)区域生长聚类，如自适应区域增长准则算法。该类算法先根据曲率值对点云排序并选择初始种子点，比较种子点与邻域点间的法向量夹角，将属性相似的点归为一类并继续向外生长，直至没有满足条件的点为止。算法适合已确定种子点数量及位置的聚类情况，但在处理相连点云时，单一的生长判定准则和停止条件易产生过分割/欠分割现象。

4)基于模型拟合，有Hough变换、RANSAC分割等。该类方法根据地物的形态骨架特征预设模型参数，通过计算全局点到模型的距离，输出满足置信度及距离阈值的点作为聚类结果。对噪声和异常值的鲁棒性较高，但难以提取非预设模型的地物，在处理大场景点云时，还需对数据做精确的分块处理。

综上，当前基于车载LiDAR的路边地上物聚类算法主要有以下问题：1)需预设多种参数以提高聚类精度，人工干预多且参数复用性差；2)单一算法对相连地物的聚类分割效果不稳定。

发明内容

为此，本发明所要解决的技术问题在于提供一种基于车载LiDAR点云的路边地上物多阶段聚类分割算法，以解决车载LiDAR点云分割存在人工干预多、分割效果不稳定等问题。

为解决上述技术问题，本发明提供如下技术方案：

基于车载LiDAR点云的路边地上物多阶段聚类分割算法，包括如下步骤：

步骤(1)、对车载LiDAR点云数据进行数据预处理，得到路边地上物点云数据；

步骤(2)、对路边地上物点云数据依次进行三维格网化和广度优先搜索，实现路边地上物点云数据的粗聚类分割；粗聚类分割得到单独地物点云和相连地物点云，单独地物点云直接作为路边地上物聚类结果输出；

步骤(3)、将相连地物点云进行欧氏聚类，分割为边界完整的粗聚类点云集；