[发明专利]一种车载激光点云分类方法

摘要

本发明公开了一种车载激光点云分类方法，包括输入三维激光点云数据；利用GPS时间和行车轨迹，对三维激光点云数据分块处理；然后进行预处理；对预处理后的数据块进行初分类；对初分类后的数据块进行二次分类和输出分类后激光点云数据等步骤；本发明分类精度高、易于并行处理、处理速度快。

主权项

一种车载激光点云分类方法，其特征在于，包括以下步骤：步骤1：输入三维激光点云数据；步骤2：利用GPS时间和行车轨迹，对三维激光点云数据分块处理；步骤3：对步骤2中的数据块进行预处理；步骤4：对预处理后的数据块进行初分类；具体实现包括以下子步骤：步骤4.1：采用超体聚类分割方法对数据块中点云进行聚类操作，将点云化成若干小块，记为聚类块；步骤4.2：计算聚类块的特征及与邻近聚类块的关系特征；具体实现包括以下子步骤：步骤4.2.1：搜索点的邻域，组成小集合；步骤4.2.2：采用主成分分析方法计算小集合的特征值与特征向量，记为pevals与pevectors；步骤4.2.3：计算点的特征，记为pfeat={pevals(2),pevals(1)‑pevals(2),pevals(0)‑pevals(1)，pevectors(0,2),pevectors(2,2)},其中pevals(0)、pevals(1)、pevals(2)为特征值分量，pevectors(0,2)、pevectors(2,2)为特征向量分量；步骤4.2.4：采用主成分分析方法计算聚类块的特征值与特征向量，记为bevals与bevectors；步骤4.2.5：计算聚类块的特征记为bfeat={bevals(2),bevals(1)‑bevals(2),bevals(0)‑bevals(1)，bevectors(0,2),bevectors(2,2)},其中bevals(0)、bevals(1)、bevals(2)为特征值分量，bevectors(0,2)、bevectors(2,2)为特征向量分量；步骤4.3：利用马尔科夫随机场模型，输入点特征pfeat与块特征bfeat，对数据块中点云进行预测，并且将点分成地面、建筑物、护栏、植物、杆状物、架空线六类；步骤5：对初分类后的数据块进行二次分类；具体实现包括以下子步骤：步骤5.1：对杆状物进行欧式聚类，将杆状物点云聚类成单独的杆状物目标；步骤5.2：对杆状物目标进行生长，查找连接在一起的点云，使杆状物生长成一个完整的目标，同时计算完整目标的形状描述集合特征；步骤5.3：利用支持向量机分类器，输入完整杆状物的形状描述集合特征，将杆状物细分成路灯、交通灯、行道树、电信杆、标志牌五类；步骤6：输出分类后激光点云数据。