基于多层次聚合特征提取与融合的点云分类方法技术

本发明专利技术提出的是一种基于多层次聚合特征提取与融合的点云分类方法，包括如下步骤：(一)多层次点集的构建；(二)基于LLC‑LDA的点集特征提取；(三)基于多尺度最大池化(LLC‑MP)的点集特征提取；(四)基于多层次点集特征融合的点云分类。本发明专利技术提出一种基于多尺度最大池化和latent Dirichlet allocation(LDA)的多层次点集聚合特征提取与融合方法，并基于融合的聚合特征实现点云分类。本发明专利技术算法通过多层次聚类，自适应获取多层次多尺度目标点集，通过局部线性约束稀疏编码(Locality‑constrained Linear Coding，LLC)表达点云单点特征，利用点坐标构建尺度金字塔，并基于最大池化方法构造能够表征点集局部分布的特征，然后融合该特征与LLC‑LDA模型提取点集全局特征，最终利用融合的点集多层次聚合特征实现点云分类。

Point cloud classification method based on multi-level aggregation feature extraction and fusion

【技术实现步骤摘要】
基于多层次聚合特征提取与融合的点云分类方法
本专利技术涉及的是一种基于多层次聚合特征提取与融合的点云分类方法，属于激光雷达遥感数据智能处理领域。
技术介绍
近年来激光雷达传感器在众多领域的应用越来越广泛。对激光点云数据进行处理是自动驾驶、智慧城市以及测绘遥感等领域应用的重要步骤。点云的语义分割是点云数据处理以及数据得到广泛应用的重要基础。由于点云中包含着大小和几何结构不同的多种复杂地物目标，使得每个点的准确有效分类变得非常具有挑战性。因此，对点云语义分割的研究具有重要的意义。目前研究者们提出了大量点云语义分割算法，这些算法可以主要分为两类：基于单点的方法和基于点集的方法。基于单点的方法主要是通过对点云的单点进行邻域选择、特征提取和分类器分类。其中，邻域选择主要有：基于半径、柱形区域和K近邻等邻域选择方式。特征提取包括：底层特征提取和基于底层特征的更高层次特征提取与选择。底层特征提取主要有：法向量和高程特征、SpinImage、协方差特征值特征、全局特征视点特征直方图(ViewFeatureHistogram，VFH)和聚类视点特征直方图(ClusteredViewFeatureHistogram，CVFH)等特征，而更高层次特征提取方法主要有：流行学习、低秩表示和稀疏表达等。分类器主要有：线性分类器、随机森林、AdaBoost和SVM(SupportVectorMachine)等。例如，Mei等人利用半径邻域内的近邻点提取每个点的颜色信息、法向量、SpinImage和高程特征，然后利用边界、合作图和标签约束进行特征学习与选择，最后利用线性分类器对每个点进行分类。然而这种基于单点的方法提取的特征并不够稳定，缺乏局部区域点之间的结构与关联信息等，使得基于单点分类方法的精度和鲁棒性并不理想。为了解决上述问题，研究人员提出了基于点集的点云分类方法，这类方法是根据先验知识将具有相同属性的点构造成点集，并构造点集特征进而提高特征表达的鲁棒性。以点集为点云分类单元，能够降低噪点的影响，提升点云分类的精度。其中，点集的构造方法有：基于聚类的方法、基于区域生长的方法、基于模型的方法、基于图割和归一化分割、基于内容敏感和归一化分割、基于体素的方法和基于近邻点的方法等。点集的特征构造主要有：基于点集的低层特征构造的方法、基于Bow(词袋)和LDA(LatentDirichletAllocation)的方法、基于稀疏编码和LDA的方法和基于卷积神经网络的方法等。例如，Xu等人将点云向地面投影成光栅图像，然后利用内容敏感约束子对光栅图像进行超像素分割，进而利用基于指数函数的归一化分割方法获取不同层次的点集，接着对每个点的低层特征进行稀疏编码，并基于LDA模型构造多层次点集的特征，最后，利用AdaBoost分类器对点集进行分类。这些方法取得了较好的分类效果，同时也说明了基于点集分类的有效性以及基于点集的更高层次特征对于分类的鲁棒性。然而，点集的构造依赖于点云的分割和聚类算法。大部分的分割算法对复杂场景的分割并不理想，尤其是对于点云分布散乱的场景分割则面临更多困难。例如，点与点之间的拓扑结构难以分析以及有效分割措施的选择等。例如，基于区域生长的分割算法受种子点的选取和边界判定条件影响较大，由于生长判定准则是依据各个点之间的相关特征，而低层次的特征的选取对于分割结果影响较大，造成算法鲁棒性较差。基于模型的分割方法只能应用到特定的模型种类。基于图割和归一化分割以及基于内容敏感和归一化分割的方法都需要将点云投影到二维栅格图像，增加了计算难度，并且不能保证每个层次分割的点集具有差异性。若构造的层次数较少，则会造成较多的目标物体无法充分分割，不利于不同层次的稳定、显著特征提取。虽然基于聚类的方法具有一定的自适应性，但也有一定局限性。例如，通常过于依赖点与点之间的距离，在一些复杂场景，不同物体相邻过近导致聚类算法难以分割。此外，通常基于一种聚类算法并不能将点云不同尺度的目标分割出来。为了获取更具表征性的不同目标不同层次的点集，本专利技术提出了一种基于点云密度和点集最大点数控制的多层次点集构建方法。该方法首先利用基于密度聚类的DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise)算法对点云进行粗分割，然后，利用K-means算法对每个粗分割后的大尺度点集进行迭代分割，使得每个点集内的点数少于一个阈值T，从而生成小尺度的点集。结合两种聚类算法，能够有效的构建多个层次不同大小的点集。此外，对于多层次点集特征的构建，众多学者基于字典学习的方法对单点特征进行稀疏表示，然后基于稀疏表示的结果对点集利用LDA等方法提取更高层次特征。由于点云特征的局部区域具有一定的关联性，而上述方法在稀疏表达时并未考虑到点云特征的局部特性。上述方法中通常只利用了基于LDA模型构造的点集特征，而基于LDA的点集特征表征的点集的全局特征，缺乏点集内的局部结构等特征。
技术实现思路
本专利技术的目的在于解决现有激光雷达点云语义标注技术中存在的上述缺陷，基于机载激光雷达三维点云数据，提出一种基于多层次聚合特征提取与融合的点云分类方法，提高点云语义标注的精度，具体采用局部线性约束的稀疏编码(Locality-constrainedLinearCoding，LLC)对点云的单点特征进行稀疏表达。为了获取点集的局部特征，本专利技术提出了一种基于点集的多尺度最大池化特征构造方法。然后，基于提取的不同层次点集的LDA特征(命名为LLC-LDA特征)和多尺度最大池化特征(命名为LLC-MP特征)进行点集多层次特征聚合。实现了点集的全局特征和局部特征的描述，提高了点集特征的稳定性和判别性。本专利技术的技术解决方案：基于多层次聚合特征提取与融合的点云分类方法，包括如下步骤：(一)多层次点集的构建；(二)基于LLC-LDA的点集特征提取；(三)基于多尺度最大池化(LLC-MP)的点集特征提取；(四)基于多层次点集特征融合的点云分类。本专利技术的优点：(1)提出了一种基于点云密度和点集最大点数控制的多层次点集构建方法，能够有效的构建多个层次不同大小的点集。点集的生成不需要对点集投影到二维栅格，且可以自适应的构建不同大小的目标物体点集。通过控制点集最大点数的方式能够使得精细层次的点集得到充分的分割。基于不同层次的点集能够有效的构建比单点特征更鲁棒的点集特征；(2)提出了一种基于引入局部线性约束的稀疏编码和LDA模型的点集全局特征提取方法，即LLC-LDA。基于LLC的稀疏编码考虑了单点特征之间的局部关系，比直接稀疏编码的方法能够获得更显著的稀疏表示。进而使得基于LDA模型构造的点集特征更稳定、具有判别性；(3)提出了一种基于点集的多层次LLC-LDA和LLC-MP聚合特征提取与融合的方法。由于点集的LLC-LDA只表征了点集的全局特征，而LLC-MP特征利用点集内点的空间位置信息，构造了不同尺度空间融合的点集特征，即该特征能够反映点集内的局部特性。将不同层次的点集特征聚合到最精细层的点本文档来自技高网...

【技术保护点】
1.基于多层次聚合特征提取与融合的点云分类方法，其特征是包括如下步骤：/n(一)多层次点集的构建；/n(二)基于LLC-LDA的点集特征提取；/n(三)基于多尺度最大池化(LLC-MP)的点集特征提取；/n(四)基于多层次点集特征融合的点云分类。/n

【技术特征摘要】
1.基于多层次聚合特征提取与融合的点云分类方法，其特征是包括如下步骤：
(一)多层次点集的构建；
(二)基于LLC-LDA的点集特征提取；
(三)基于多尺度最大池化(LLC-MP)的点集特征提取；
(四)基于多层次点集特征融合的点云分类。


2.根据权利要求1所述的基于多层次聚合特征提取与融合的点云分类方法，其特征是所述步骤(一)多层次点集的构建具体包括如下步骤：
(1)基于点云密度的大尺度点集构造
点云场景中的目标具有多种形态，基于点云目标大小或点个数的固定阈值直接分割的方法并不适用于各类目标的分割，室外场景的环境通常比较复杂，存在的物体种类较多，且形状不固定，又由于采集设备精度等原因，存在一定的噪声，在无法提前知道类别数的前提下，为了使得各类目标得到合理的分割单元数量，本发明采用DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise)进行初始的点云聚类，DBSCAN算法不需要提前设置聚类数量，可以直接根据点云数据的分布情况，聚类出最符合的实验场景的不同类别；
(2)基于K-means的自适应多层次小尺度点集构造
经过DBSCAN算法完成点云的初始聚类，但聚类后的点云簇面积和体积大，未能顾及目标的细节及局部走势，信息的表达有所缺失，并且不容易保证每个点云簇中的点均属于同一类别，本发明在DBSCAN聚类的基础上，迭代使用K-means过分割点云，快速地将点云分成大量点数小于T的点集，并且确保点集内部点的标签属于同一类别，其中，T为控制小尺度点集大小的参数，基于K-means的自适应多层次小尺度点集构造算法如下：






(3)多层次点集生成
本发明对于小尺度点集的构造，可以通过控制点集最大点数阈值T来生成不同层次的点集，为了获得具有邻接关系且更多层次的点集，可以通过调下阈值T，然后获得过分割的点集，再将过分割的点集利用Meanshift聚类算法，通过改变不同的聚类半径，来获得更多尺度的点集。


3.根据权利要求1所述的基于多层次聚合特征提取与融合的点云分类方法，其特征是所述步骤(二)基于LLC-LDA的点集特征提取，包括如下步骤：
(1)基于LLC的单点特征字典学习与稀疏编码
本发明采用局部线性约束的稀疏编码(LLC)对点云特征进行稀疏表达，具体步骤如下：设点云特征归一化后为其中，N为点云特征个数，D为每个点云特征的维度，点云特征的字典为M为字典中单词的个数，点云特征X的LLC稀疏编码为LLC稀疏编码模型如下：



其中，⊙为元素的内积，λ是约束条件正则项系数，是局部约束条件，其求解方法如下：



其中，dist(xi，B)＝[dist(x1，b1)，...，dist(xi，bM)]T，dist(xi，bj)为xi和bj的欧式距离，σ为控制局部区域范围的参数，为了保证C具有稀疏性的同时，并且具有局部平滑性，需令|ci|＜ε的元素为0；
(2)LLC-LDA的点集特征提取
首先，利用基于LLC稀疏表达的矩阵C统计每个点集中各个单词出现的频率，根据公式(3)计算任一点集中第i个单词的频率：



其中，代表点集中第j个点...

【专利技术属性】
技术研发人员：陈动，曹伟，向桂丘，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：江苏;32