一种顾及最优邻域的点云局部特征提取与分类方法技术

一种顾及最优邻域的点云局部特征提取与分类方法。涉及计算机视觉、激光扫描数据处理、模式识别等交叉领域，尤其涉及点云数据特征计算和分析内容，针对海量激光点云数据自动化处理研究的一种顾及最优邻域的点云局部特征提取与分类方法。提出了一种针对海量激光点云的特征提取和表达，具有高效、强鲁棒性、描述能力强的顾及最佳邻域选择的点云局部特征计算及分类方法。本发明专利技术首先融合信息熵原理和反射强度约束规则计算最佳的特征计算领域，然后在最佳计算领域范围内计算点云法向量、主方向、维度特征等，提高了点云局部特征计算对于噪声和点密度变化的鲁棒性和以及特征的表达能力。

【技术实现步骤摘要】
一种顾及最优邻域的点云局部特征提取与分类方法
本专利技术涉及计算机视觉、激光扫描数据处理、模式识别等交叉领域，尤其涉及点云数据特征计算和分析内容，针对海量激光点云数据自动化处理研究的一种顾及最优邻域的点云局部特征提取与分类方法。
技术介绍
三维点云特征提取与表达是计算机视觉、摄影测量、机器人等学科中非常活跃的研究方向，也是多平台点云数据融合、三维目标提取、三维模型重建、同步定位和制图(SLAM)等应用的基础和前提。三维点云具有数据量大、点密度不均、目标多样、场景复杂、目标间存在遮挡和重叠等特性，给三维点云特征提取与表达带来巨大的挑战。虽然近年来三维点云特征表达方法的研究取得了一定的进展，但存在(1)大多数现有的特征特征描述子只利用局部形状信息，导致特征表达能力不足；且对噪声、点密度变化、数据遮挡和重叠等干扰的鲁棒性差；(2)现有特征特征描述子维数通常很高，如SpinImage即自旋图像(225维)、3DShapeContext即形状上下文(1980维)、IntrinsicShapeSignature即形状签名(595维)，导致特征特征描述子的时间和内存效率低；(3)部分现有的局部特征特征描述子不能直接在无序点云上操作，需要首先对无序点云格网化或三角化，这些预处理步骤增加了特征描述子的计算复杂度、影响了特征描述子的鲁棒性和表达能力，三个方面的问题。因此，研发具有强鲁棒性、高时间效率、低内存占有率且特征区分能力强的点云特征特征描述子十分必要。一般而言，现有的三维点云特征描述子可以分为两类：整体特征描述子和局部特征描述子。整体特征描述子编码目标的全局特征，忽略了形状细节，并且需要对目标进行预先分割。因此，很难从目标交错、重叠的杂乱场景中识别部分可见或不完整的物体。与此相反，局部特征描述子编码一定邻域范围内的局部表面特征，对目标交错、遮挡、重叠等具有较强的鲁棒性，更适合部分可见或不完整物体的识别。三维点云具有高冗余、数据量大、密度分布不均、场景复杂多样、目标遮挡、目标间重叠等特点，如何突破三维点云局部特征描述的瓶颈，构建高效、鲁棒、描述能力强的特征描述子，是目前三维点云处理领域亟需解决的关键问题。
技术实现思路
本专利技术针对以上问题，提出了一种针对海量激光点云的特征提取和表达，具有高效、强鲁棒性、描述能力强的顾及最佳邻域选择的点云局部特征计算及分类方法。本专利技术的技术方案是：包括以下步骤：1)顾及反射强度约束的点云最佳邻域计算；2)基于特征值和特征向量的点云局部特征计算；3)基于局部特征的点云逐点分类。步骤1)具体包括以下步骤：1.1)为确定激光脚点的最佳邻域，首先需要确定最大邻域半径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；1.2)然后逐步增大邻域半径rc，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：(其中，1D、2D和3D代表一维、二维和三维)1.3)然后计算熵函数：Ef＝-a1Dln(a1D)-a2Dln(a2D)-a3Dln(a3D)(4)所述步骤2)具体包括：确定了每个激光脚点的最佳邻域后，需要在最佳邻域内计算每个激光脚点的特征用于支持向量机分类；选择的分类特征包括：每个激光脚点的维数特征(a1D，a2D，a3D)、主方向(Px，Py，Pz)、法向量(Nx，Ny，Nz)、法向量分布(Nvx，Nvy，Nvz)等。其中，每个激光脚点的特征计算公式和计算方法如下：2.1)利用最佳邻域构造协方差矩阵M3×3：其中，k为最佳邻域内的邻域点个数，2.2)把协方差矩阵特征值分解可以得到：其中，λ1,λ2,λ3为协方差矩阵M3×3的特征值，为对应的特征值的特征向量；2.3)维数特征(α1D,α2D,α3D)：维数特征表明了激光脚点属于杆状、面状、球状的程度，a1D越大表明邻域内的点越接近杆状分布，a2D越大表明邻域内的点越接近面状分布，a3D较大则表明邻域内的点为散乱的球状分布；2.4)法向量(nx,ny,nz)：协方差矩阵M3×3的最小的特征值λ3对应的特征向量为：(nx,ny,nz)；法向量表示了面状脚点的方向，水平面状脚点的法方向与z轴近似平行而竖直面状脚点的法方向与z轴近似垂直；2.5)主方向(px,py,pz)：协方差矩阵M3×3的最大的特征值λ1对应的特征向量为：(px,py,pz)；主方向表示了杆状脚点的方向，水平杆状点的主方向与z轴近似垂直而竖直杆状点的主方向与z轴近似平行；2.6)法向量分布(nvx,nvy,nvz)：上面通过协方差分析计算出了点的法向量，再次对所得的法向量进行协方差分析，可以得到局部邻域法向量分布的特征值(nvx,nvy,nvz)。法向量分布的特征值(nvx,nvy,nvz)反映了法向量的变化情况，法向量的变化情况可以直接反映出该点局部邻域内是否平滑。步骤3)具体包括以下步骤：3.1)对每一个激光脚点，计算(D1、D2、D3)，(Nx,Ny,Nz)，(Px,Py,Pz),(a1D、a2D、a3D)，(λ1,λ2,λ3)等特征，并分别归一化到区间[-1,1]；3.2)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；3.3)使用支持向量机开源库，输入训练样本进行训练，得到最优分类模型；3.4)用得到的模型对验证集进行分类，与已知类别的点比较，评价分类精度。在对海量激光点云的特征提取和表达中，为了克服点密度变化、点云噪声等干扰的影响，本专利技术首先融合信息熵原理和反射强度约束规则计算最佳的特征计算领域，然后在最佳计算领域范围内计算点云法向量、主方向、维度特征等，提高了点云局部特征计算对于噪声和点密度变化的鲁棒性和以及特征的表达能力。附图说明图1是本专利技术最佳邻域选取示意图；图2是本专利技术点云原始图；图3是本专利技术点云分类示意图。具体实施方式下面结合图1-3详细表述本专利技术，包括以下步骤：1)顾及反射强度约束的点云最佳邻域计算；2)基于特征值和特征向量的点云局部特征计算；3)基于局部特征的点云逐点分类。步骤1)具体包括以下步骤：1.1)为确定激光脚点的最佳邻域，首先需要确定最大邻域半径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；1.2)然后逐步增大邻域半径rc，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：1.3)然后计算熵函数：Ef＝-a1Dln(a1D)-a2Dln(a本文档来自技高网...

【技术保护点】
1.一种顾及最优邻域的点云局部特征提取与分类方法，其特征在于，包括以下步骤：/n1)顾及反射强度约束的点云最佳邻域计算；/n2)基于特征值和特征向量的点云局部特征计算；/n3)基于局部特征的点云逐点分类。/n

【技术特征摘要】
1.一种顾及最优邻域的点云局部特征提取与分类方法，其特征在于，包括以下步骤：
1)顾及反射强度约束的点云最佳邻域计算；
2)基于特征值和特征向量的点云局部特征计算；
3)基于局部特征的点云逐点分类。


2.根据权利要求1所述的一种顾及最优邻域的点云局部特征提取与分类方法，其特征在于，步骤1)具体包括以下步骤：
1.1)为确定激光脚点的最佳邻域，首先需要确定最大邻域半径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re＝rmin；
1.2)然后逐步增大邻域半径re，直到rc≥rmax；对邻域re内与当前点反射强度差小于IΔ的数据进行主分量分析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：









1.3)然后计算熵函数：
Ef＝-a1Dln(a1D)-a2Dln(a2D)-a3Dln(a3D)(4)


3.根据权利要求1所述的一种顾及最优邻域的点云局部特征提取与分类方法，其特征在于，步骤2)具体包括：
确定了每个激光脚点的最佳邻域后，需要在最佳邻域内计算每个激光脚点的特征用于支持向量机分类；选择的分类特征包括：每个激光脚点的维数特征(a1D，a2D，a3D)、主方向(Px，Py，Pz)、法向量(Nx，Ny，Nz)、法向量分布(Nvx，Nvy，Nvz)等。其中，每个激光脚点的特征计算公式和计算方法如下：
2.1)利用最佳邻域构造协方差矩阵M3×3：



其中，k为最佳邻域内的邻域点个数，
2.2)把协方差矩阵特征值分解可以得到：



其中，λ1,λ2,λ3为协方差矩阵M...

【专利技术属性】
技术研发人员：杨必胜，陈正富，李学锡，孙涛，赵志强，李涛，居飞，王一雷，
申请(专利权)人：江苏易图地理信息科技股份有限公司，
类型：发明
国别省市：江苏;32