[发明专利]基于车载激光扫描数据的路坎点自动提取及矢量化方法

摘要

本发明公开了一种基于车载激光扫描数据的路坎点自动提取及矢量化方法，包括步骤1，计算三维激光点云数据中各激光脚点的特征；步骤2，根据各激光脚点的特征，利用朴素贝叶斯分类器将激光脚点分类为路坎点和非路坎点，所得路坎点记为初始路坎点；步骤3，利用所有初始路坎点构建KD树，对各初始路坎点分别计算其方向特征；步骤4，根据初始路坎点的方向特征，采用KD树对初始路坎点进行聚类；步骤5，计算各聚类区域的特征，剔除特征不满足预设条件的聚类区域，获得路砍点提取结果。本发明提高了点云数据处理的自动化程度和生产效率，且方法简单、容易实现，具有很好的实用价值。

主权项

基于车载激光扫描数据的路坎点自动提取方法，其特征是，包括步骤：步骤1，计算三维激光点云数据中各激光脚点的特征，具体为：获取激光脚点pt的大尺度球形邻域点集NPlarge和小尺度球形邻域点集NPsmall，具体为：根据经验初始化小邻域半径rsmall和大邻域半径rlarge；以激光脚点pt为球心，分别以rsmall和rlarge为半径画小球和大球，落入小球和大球的激光脚点分别构成pt的邻域点集NPsmall和NPlarge；对NPsmall和NPlarge中各激光脚点分别进行主成分分析，获得NPsmall和NPlarge中激光脚点分布的法向量Normalsmall、Normallarge；计算法向量Normalsmall和Normallarge的夹角，即pt的多尺度方向差分特征；分别计算邻域点集NPsmall和NPlarge中激光脚点的高程分布方差以及最高激光脚点和最低激光脚点的高程差；夹角、高程分布方差及高程差即构成pt的特征；步骤2，根据各激光脚点的特征，利用朴素贝叶斯分类器将激光脚点分类为路坎点和非路坎点，所得路坎点记为初始路坎点；步骤3，利用所有初始路坎点构建KD树，对各初始路坎点pt'分别计算其方向特征，具体为：利用KD树搜索pt'的k邻域点，对pt'的邻域点进行主成分分析，得pt'的邻域点分布的主方向，即pt'的方向特征；步骤4，根据初始路坎点的方向特征，采用KD树对初始路坎点进行聚类；步骤4进一步包括：4.1初始化“未聚类”路坎点为所有初始路坎点，初始化种子点队列Queueseed为空；4.2利用所有初始路坎点构建KD树；4.3从当前“未聚类”路坎点中随机选一路坎点作为初始的种子点Ps，并将该路坎点从当前“未聚类”路坎点中剔除；4.4利用KD树搜索Ps的邻域点集，将邻域点集中满足聚类规则的邻域点p'j和Ps合并为同一区域，并将p'j压入种子点队列Queueseed；所述的聚类规则为：p'j和Ps的欧式距离小于距离阈值，且p'j和Ps的方向夹角小于方向夹角阈值，且p'j和Ps的高程差小于高程差阈值；距离阈值、方向夹角阈值和高程差阈值为经过验证的经验值；4.5判断Queueseed是否为空，若非空，从Queueseed队首弹出一点作为种子点Ps，重新执行步骤4.4；否则，返回步骤4.3；4.6重复子步骤4.3～4.5，直至所有初始路坎点均被聚类；步骤5，计算各聚类区域的特征，包括维数(a1D,a2D,a3D)、长度L和点数Nc，剔除不满足{a1D＞δ1&a2D＜δ2&a3D＜δ3&L＞l&Nc＞n}的聚类区域，所剩聚类区域即路坎点提取结果；其中，δ1、δ2、δ3为维度阈值，n为聚类区域的最小点数，l为聚类区域的最小长度，δ1、δ2、δ3、n、l均根据经验取值；步骤5中，维数(a1D,a2D,a3D)的计算如下：利用聚类区域中各路坎点的坐标构建路坎点坐标的协方差矩阵，分解协方差矩阵获得协方差矩阵的特征值，根据特征值计算聚类区域的维数；所述的维数中，λ1、λ2、λ3为协方差矩阵的特征值，λ1≥λ2≥λ3；步骤5中，长度L的计算如下：求取聚类区域的外包长方体，求外包长方体的三边长，其中最长的一边即聚类区域的长度。