[发明专利]一种融合多尺度特征的激光扫描数据物理平面自动化提取方法

摘要

本发明涉及一种融合多尺度特征的激光扫描数据物理平面自动化提取方法。本发明解决的现有问题主要包括1)发展了基于信息熵的最佳邻域自适应确定方法，克服了点密度变化、噪声、数据缺失等因素对三维点局部几何特征计算的影响；②综合利用基于点的特征（维数特征，法向量等）和基于区域的特征（粗糙度、紧凑度、尺度、长宽比等）进行物理平面区域提取，提高了物理平面提取的准确性；③扩展了现有平面分割方法的适用范围，本发明适用于机载、车载、固定站等多种类型激光扫描数据的物理平面提取。发明的整体技术流程图如下图。

主权项

一种融合多尺度特征的激光扫描数据物理平面自动化提取方法，其特征在于，包含以下步骤：一个激光扫描数据的步骤：利用机载、车载、固定站激光扫描仪获取原始点云数据，该数据包括道路及道路两侧地物的高精度的3维坐标信息；一个基于信息熵的最佳邻域确定和局部几何特征计算的步骤：针对激光扫描获取原始数据确定局部几何特征计算的最大邻域半径rmax，最小邻域半径，并计算该最佳邻域内每个点的几何特征，具体包括：步骤1.1、确定局部几何特征计算的最大邻域半径rmax，最小邻域半径rmin，半径的增量rΔ，强度差阈值IΔ，并初始化当前半径rC＝rmin；步骤1.2、逐步增大邻域半径rC，其中rC+＝rΔ，直到rC≥rmax；对邻域rC内与当前点反射强度差小于IΔ的数据进行主分量分析(PCA)得到点云数据分布的特征值λ1，λ2，λ3，其中，λ1≥λ2≥λ3，并定义维数特征：和熵函数Ef＝‑a1Dln(a1D)‑a2Dln(a2D)‑a3Dln(a3D)；步骤1.3、把函数Ef为最小值时的半径确定为最佳的邻域半径roptimal，并计算每个激光脚点的维数特征(a1D，a2D，a3D)和法向量(Nx,Ny,Nz)；一个基于支持向量机的逐点粗分类的步骤：根据计算的每个点的几何特征利用支持向量机(SVM)对每个激光脚点分类为线状分布点、面状分布点和球状分布点3类，具体方法是：将每一个激光脚点的维数特征(a1D，a2D，a3D)归一化到区间[‑1,1]，手工标记一部分点类别并将这些已知类别的点分为训练集和验证集；输入训练集进行训练，得到最优分类模型；用得到的模型对验证集和未知类别的点进行分类，分类为线状分布点、面状分布点和球状分布点3类；一个针对面状分布的点进行区域生长并提取初始平面的步骤：利用最小割方法合并相邻的相似平面，具体包括：步骤2.1、标记所有的面状分布的点为“未分割”，并从未分割的扫描点中随机选取一个点作为生长的初始种子点；步骤2.2、利用KD树搜索种子点的邻域点，如果邻域点法向量和种子点法向量的夹角小于阈值Ta并且邻域点到种子点所在平面的距离小于阈值Ts，则认为邻域点和种子点属于同一平面，并将该邻域点作为下次生长的种子点；步骤2.3、重复步骤2.1至步骤2.3，直到所有的点都已分割完毕，得到初始的分割区域；步骤2.4、把初始的分割区域作为结点，构建无向加权图G＝(V,E,W)，V表示图中所有的节点，E表示节点间的边，W＝[w(i,j)]n*n是权值矩阵，w(i,j)表示节点i和j之间的相似性；假设将图G分为两个不相交的部分A与B，移去连接A与B之间的边可以使该图一分为二，定义该图的一个割如下：cut(A,B)=Σi∈A,j∈Bw(i,j)]]>节点间的边反映了节点间的相似程度，权值越小，相似程度越低；每次选取图的“最小割值”对图G进行二分，直至满足迭代终止条件；一个基于语义知识的平面精细化提取的步骤，对提取的初始平面进行精化处理，进一步剔除虚假的平面，具体方法是：计算每个初始片面的尺寸，包括长、宽、高、面积、粗糙度其中和为对面片进行主分量分析(PCA)得到的点云数据分布的特征值，紧凑度其中，area和perimeter为区域的面积和周长，保留同时满足宽度大于阈值TS、高度大于阈值TH、面积大于阈值Tβ、粗糙度小于阈值Tr并且紧凑度大于阈值Tc的初始面片作为最终的平面提取结果。