一种基于点云特征描述推理的点云要素识别方法技术

一种基于点云特征描述推理的点云要素识别方法，涉及激光雷达点云要素自动识别方法，该方法包括以下步骤：步骤一、点云要素特征点提取；步骤二、点云要素特征描述；步骤三、点云要素案例库建立；步骤四、点云要素匹配与识别；步骤五、识别结果输出，通过此方法可以实现对实体的扫描，从而形成点云要素，能够形成三维空间点数据集，同时对实体的点数据集进行表达和描述，以便实现对目标的识别，不仅能够识别的更加准确，还能够达到一定的精确程度。还能够达到一定的精确程度。还能够达到一定的精确程度。

【技术实现步骤摘要】
一种基于点云特征描述推理的点云要素识别方法


[0001]本专利技术涉及一种激光雷达点云要素自动识别,尤其涉及一种基于点云特征描述推理的点云要素识别方法。

技术介绍

[0002]激光扫描系统获取的点云数据处理一般包括数据采集、数据处理、点云分割(或称滤波分类)、地物分类、对象识别与建模五个步骤，激光点云数据分割后，表示某一具体地物实体的激光扫描点集合称为点云要素，其本质仍然是散乱的三维空间点数据集，计算机尚不能识别其代表的实际地物。如何对表示某一地物的散乱点数据集进行表达和描述，以及进行地物的目标识别是本专利技术主要解决的问题，为了解决上述技术问题，特提出一种新的技术方案。

技术实现思路

[0003]本专利技术提供了一种基于点云特征描述推理的点云要素识别方法，以解决上述
技术介绍
中提出的问题。
[0004]本专利技术所解决的技术问题采用以下技术方案来实现：一种基于点云特征描述推理的点云要素识别方法，该方法包括以下步骤：
[0005]步骤一、点云要素特征点提取；
[0006]步骤二、点云要素特征描述；
[0007]步骤三、点云要素案例库建立；
[0008]步骤四、点云要素匹配与识别；
[0009]步骤五、识别结果输出。
[0010]所述的点云要素特征点提取是采用三维网格采样法进行特征点提取。
[0011]所述的三维网格采样法具体流程为，首先将三维点云数据根据点云密度划分为多个三维细小网格，然后在所有的网格里面的保留距离中心点最近的点，最后网格内其他的数据被忽略。
[0012]所述的点云要素特征描述以特征向量矩阵为基础的峰值统计直方图点云要素特征组织与表达方法，通过改进的PFH(Point Feature Histogram)或Fast PFH特征计算方法，使得该描述方法能够区分圆柱、平面和球体三种基本形状。
[0013]通过统计特征向量矩阵内各个维度的平均值，将特征向量矩阵压缩为一个特征向量，用该特征向量表示点云要素，避免了不同点云要素特征向量矩阵内特征向量个数不同的问题，使用各个维度的平均值而不使用各维度值的总和，减少了点的个数不同带来的影响。
[0014]通过PFH(Point Feature Histogram)或Fast PFH方法变换将点云数据集转换为特征向量矩阵，根据不同的地物的特征直方图中，峰值出现的个数、所在的维数均不同，以此为基础，将峰值、峰值个数、峰值所在维数作为组合，作为表示该类地物的特征描述。
[0015]通过峰值统计直方图计算实现了特征向量个数的压缩，最终将散乱的点云数据集转换为特征向量表示，通过点云要素表面曲率描述方法，建立要素级法向量，比较各个点的法向量与要素法向量的区别，从而能够对表面的曲率进行描述。
[0016]所述的要素法向量的确定方法是原点选择点云要素的中点p
m
，法向量方向选择原点至与其距离最远点的方向n
m
为点云要素的法向量。
[0017]所述的点云要素案例库建立是通过名称、类别、整体性描述、细节性描述四个部分对点云要素案例进行组织与表达，通过对点云要素进行峰值统计直方图的表达，实现了散乱点云数据集向特征向量的转换，使得点云要素的案例组织和案例表达成为可能。
[0018]所述的点云要素匹配与识别是指假定有一个已知的案例库，然后决定未知模式与哪个参考模式是最佳匹配，经过特征描述以后，要素的点云数据集转换为特征向量或特征矩阵，模板的匹配转换为特征向量之间相似度的度量。
[0019]本专利技术的有益效果为：通过此方法可以实现对实体的扫描，从而形成点云要素，能够形成三维空间点数据集，同时对实体的点数据集进行表达和描述，以便实现对目标的识别，不仅能够识别的更加准确，还能够达到一定的精确程度。
附图说明
[0020]图1是本专利技术的结构示意图；
[0021]图2是本专利技术分割后路灯点云数据集示意图；
[0022]图3是本专利技术路灯三维格网采样数据集示意图；
[0023]图4是本专利技术分割后单棵树木点云数据集示意图；
[0024]图5是本专利技术单棵树三维格网采样数据集示意图；
[0025]图6是本专利技术分割后建筑物立面点云数据集示意图；
[0026]图7是本专利技术建筑物立面三维格网采样数据集示意图；
[0027]图8是本专利技术点云要素的统计直方图；
[0028]图9是本专利技术点云要素中某一点Ps与点云要素中点Pm的法向量相似度计算图；
[0029]图10是本专利技术点云要素基本形状图；
[0030]图11是本专利技术点云要素基本形状PFH特征描述图；
[0031]图12是本专利技术改进后的点云要素基本形状PFH特征描述图；
[0032]图13是本专利技术部分单棵树木案例图；
[0033]图14是本专利技术部分路灯案例图；
[0034]图15是本专利技术部分建筑物立面案例图；
[0035]图16是本专利技术点云要素案例图；
[0036]图17是本专利技术统计直方图法路灯识别结果图；
[0037]图18是本专利技术统计直方图法单棵树木识别结果图。
具体实施方式
[0038]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本专利技术保护的范围。
[0039]参照各图一种基于点云特征描述推理的点云要素识别方法，该方法包括以下步骤：
[0040]步骤一、点云要素特征点提取；
[0041]步骤二、点云要素特征描述；
[0042]步骤三、点云要素案例库建立；
[0043]步骤四、点云要素匹配与识别；
[0044]步骤五、识别结果输出。
[0045]所述的点云要素特征点提取是采用三维网格采样法进行特征点提取。为减少计算量加快计算速度，需要对分割后的点云要素进行抽稀与特征点提取。三维点云简化中使用三维网格采样法,按照一定规则,从原始点云中抽取部分数据点作为简化结果,没有抽取到的数据将被忽略。本专利技术中采用三维网格采样法进行点云数据特征点提取，以便对点云要素进行数据抽稀，同时保留足够的细节特征，该方法没有采用该网格的中心点作为采样点，是为了使采样结果更加准确。
[0046]所述的三维网格采样法具体流程为，首先将三维点云数据根据点云密度划分为多个三维细小网格，然后在所有的网格里面的保留距离中心点最近的点，最后网格内其他的数据被忽略。
[0047]所述的点云要素特征描述以特征向量矩阵为基础的峰值统计直方图点云要素特征组织与表达方法，通过PFH(Point Feature Histogram)或Fast PFH特征计算方法，使得该描述方法能够区分圆柱、平面和球体三种基本形状。
[0048]通过统计特征向量矩阵内本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于点云特征描述推理的点云要素识别方法，其特征在于：该方法包括以下步骤：步骤一、点云要素特征点提取；步骤二、点云要素特征描述；步骤三、点云要素案例库建立；步骤四、点云要素匹配与识别；步骤五、识别结果输出。2.根据权利要求1所述的基于点云特征描述推理的点云要素识别方法，其特征在于：所述的点云要素特征点提取是采用三维网格采样法进行特征点提取。3.根据权利要求2所述的基于点云特征描述推理的点云要素识别方法，其特征在于：所述的三维网格采样法具体流程为，首先将三维点云数据根据点云密度划分为多个三维细小网格，然后在所有的网格里面的保留距离中心点最近的点，最后网格内其他的数据被忽略。4.根据权利要求1所述的基于点云特征描述推理的点云要素识别方法，其特征在于：所述的点云要素特征描述以特征向量矩阵为基础的峰值统计直方图点云要素特征组织与表达方法，通过改进的PFH(Point Feature Histogram)或Fast PFH特征计算方法，使得该描述方法能够区分圆柱、平面和球体三种基本形状。5.根据权利要求4所述的基于点云特征描述推理的点云要素识别方法，其特征在于：通过统计特征向量矩阵内各个维度的平均值，将特征向量矩阵压缩为一个特征向量，用该特征向量表示点云要素，避免了不同点云要素特征向量矩阵内特征向量个数不同的问题，使用各个维度的平均值而不使用各维度值的总和，减少了点的个数不同带来的影响。6.根据权利要求4所述的基于点云特征描述推理的点云要素识别方法，其特征在于：通过PFH(Point Feature Histog...

【专利技术属性】
技术研发人员：王春晓，季民，靳奉祥，王健，李婷，孙勇，
申请(专利权)人：王春晓，
类型：发明
国别省市：