用于模型构建的激光点云数据聚类识别方法技术

本发明专利技术涉及数据识别技术领域，具体涉及一种用于模型构建的激光点云数据聚类识别方法，该方法通过对实时激光点云数据进行聚类得到多个激光点云数据类别，根据激光点云数据类别和标准点云数据的数据类型得到第一评价指标、第二评价指标、第三评价指标和第四评价指标，根据第一评价指标、第二评价指标、第三评价指标和第四评价指标表征不同初始聚类中心的聚类效果，根据不同聚类中心的聚类效果选取最终聚类结果实现对激光点云数据的分类识别。聚类结果实现对激光点云数据的分类识别。聚类结果实现对激光点云数据的分类识别。

【技术实现步骤摘要】
用于模型构建的激光点云数据聚类识别方法


[0001]本专利技术涉及数据识别
，具体涉及一种用于模型构建的激光点云数据聚类识别方法。

技术介绍

[0002]点云是通过测量仪器得到目标物体外观表面的点数据集合，在高精度传感器技术和计算机视觉
，相比于传统的从图像中获取2D信息来获取目标物体表面特征的方法，通过在三维视图中点云数据的语义信息和位置坐标来表征目标物体表面的特征能够更加完整全面的展示目标物体的表象；而现有技术中激光点云数据识别方法及装置采用深度学习的方法对点云数据进行分类标注。
[0003]专利技术人在实践中，发现上述现有技术存在以下缺陷：现有技术中激光点云数据识别方法及装置采用深度学习对点云数据进行分类标注，该方法根据目标物体的标注信息得到训练好的点云深度学习模型，将目标物体的激光点云数据输入到深度学习模型中得到目标物体的识别结果以实现激光点云数据识别；该方法引入深度学习模型的方式实现激光点云数据识别，考虑到深度学习模型进行分类需要大量的数据集成本较高，且数据集较少的情况下不能保证激光点云数据识别的准确度；所以采用深度学习对点云数据进行分类标注的方法成本高且不能保证准确性。

技术实现思路

[0004]为了解决现有技术中采用深度学习对点云数据进行分类标注的方法成本高且不能保证准确性技术问题，本专利技术的目的在于提供一种用于模型构建的激光点云数据聚类识别方法，所采用的技术方案具体如下：本专利技术提出了一种用于模型构建的激光点云数据聚类识别方法，所述方法包括：获取实时激光点云数据和标准点云数据，激光点云数据包括坐标、反射率、法向矢量；每个所述标准点云数据对应一种数据类型；随机选取初始聚类中心根据所述激光点云数据的坐标、反射率和法向矢量得到所述激光点云数据之间的聚类距离，根据所述聚类距离对所述实时激光点云数据和所述标准点云数据进行聚类，得到多个激光点云数据类别；所述激光点云数据类别数量与所述数据类型的数量相等；根据每个所述激光点云数据类别中的类内数据离散度得到第一评价指标，根据所述激光点云数据类别之间的类间数据离散度得到第二评价指标，根据各个所述激光点云数据类别中的所述标准点云数据的数量和对应的所述数据类型的数量得到第三评价指标，根据所述实时激光点云数据的点云分布特征得到第四评价指标；根据所述第一评价指标、所述第二评价指标、所述第三评价指标和所述第四评价指标综合评价聚类效果；改变所述初始聚类中心点，根据对应的所述聚类效果选取最终聚类结果对激光点云数据进行分类识别。
[0005]进一步地，所述第三评价指标的获取方法包括：根据各个所述激光点云数据类别中的所述标准点云数据的数量和对应的所述数据类型的数量通过数据类型模型得到第三评价指标，所述数据类型模型包括：其中，为所述第三评价指标，表示所述激光点云数据类别数量，表示所述激光点云数据类别的序号，表示所述标准点云数据对应所述数据类型的序号，表示第个数据类别中包含的所述标准点云数据的所述数据类型数量，表示第种所述标准点云数据的所述数据类型在第个数据类别中的数量，表示以自然常数为底的指数函数。
[0006]进一步地，所述实时激光点云数据的点云分布特征包括：根据坐标获取所述激光点云数据类别中所述实时激光点云数据的类内坐标离散性，根据所述实时激光点云数据在预设三维空间邻域中与其它所述实时激光点云数据的反射率差异获取边界点云可能性；将激光点云数据类别中的所述实时激光点云数据的所述类内坐标离散性和所述边界点云可能性作为所述实时激光点云数据的点云分布特征。
[0007]进一步地，所述实时激光点云数据在激光点云数据类别中的离散性获取方法包括：计算每个所述实时激光点云数据与所述激光点云数据类别中所述聚类中心元素之间的坐标距离，将所述坐标距离归一化得到所述实时激光点云数据在激光点云数据类别中的离散性。
[0008]进一步地，所述实时激光点云数据是否为边界点云的可能性包括：计算每个所述实时激光点云数据与所述实时激光点云数据预设邻域范围内其他所述激光点云数据反射值的差值绝对值之和，将所述差值绝对值之和归一化得到所述实时激光点云数据是否为边界点云的可能性。
[0009]进一步地，所述第四评价指标的获取方法包括：计算每个所述实时激光点云数据在所述激光点云数据类别中的离散性与所述是否为边界点云的可能性的差值绝对值，将所述差值绝对值作为所述第四评价指标。
[0010]进一步地，所述第一评价指标的获取方法包括：计算目标激光点云数据类别中所有元素与所述目标激光点云数据类别中初始聚类中心的所述聚类距离，将所有所述聚类距离之和记为所述目标激光点云数据类别的类内数据距离；改变目标激光点云数据类别得到所有激光点云数据类别的类内数据距离，计算所有所述激光点云数据类别的所述类内数据距离的均值得到所述类内数据离散度，将所述类内数据离散度作为所述第一评价指标。
[0011]进一步地，所述第二评价指标的获取方法包括：计算所有所述激光点云数据类别对应的所述初始聚类中心两两之间的所述聚类距离，计算所有所述聚类距离的均值得到所述类间数据离散度，将所述类间数据离散度作
为所述第二评价指标。
[0012]进一步地，所述聚类效果评价指标的获取方法包括：以所述第一评价指标和所述第四评价指标的乘积作为第一乘积，所述第二评价指标和所述第三评价指标的乘积作为第二乘积，将所述第一乘积与所述第二乘积的比值进行负相关映射并归一化得到聚类效果评价指标。
[0013]进一步地，所述根据对应的所述聚类效果选取最终聚类结果对激光点云数据进行分类识别包括：改变所述初始聚类中心得到不同的聚类效果指标，直至对应的所述聚类效果指标大于等于预设聚类效果阈值时，将对应的聚类结果作为最终聚类结果；根据最终聚类结果统计目标激光点云数据类别中的标准点云数据对应的数据类型，将所述目标激光点云数据中数量最多的所述数据类型记为所述目标激光点云数据类别对应的数据类型，改变目标激光点云数据类别，得到所有激光点云数据类别对应的数据类型，实现对激光点云数据的分类识别。
[0014]本专利技术具有如下有益效果：本专利技术实施例考虑到对激光点云数据采用聚类算法相比于建立深度学习模型来说成本低，结合标准点云数据中的信息选取多种初始聚类中心根据激光点云数据的坐标、反射率和法向矢量对激光点云数据进行聚类，聚类结果引入反射率和法向矢量使得聚类结果更加准确。本专利技术实施例考虑到不同初始聚类中心的选取所产生的识别结果不同，因此根据选取的不同初始聚类中心得到的激光点云数据类别，根据各个激光点云数据类内数据离散度、类间数据离散度、数据类型的差异和点云数据分布特征综合评价聚类效果，实现以标准点云数据作为基准的自适应聚类过程，从而根据所有聚类效果得到最终的识别结果，使得整体识别过程成本低、效果高的同时保证了准确性。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于模型构建的激光点云数据聚类识别方法，其特征在于，所述方法包括：获取实时激光点云数据和标准点云数据，激光点云数据包括坐标、反射率、法向矢量；每个所述标准点云数据对应一种数据类型；随机选取初始聚类中心根据所述激光点云数据的坐标、反射率和法向矢量得到所述激光点云数据之间的聚类距离，根据所述聚类距离对所述实时激光点云数据和所述标准点云数据进行聚类，得到多个激光点云数据类别；所述激光点云数据类别数量与所述数据类型的数量相等；根据每个所述激光点云数据类别中的类内数据离散度得到第一评价指标，根据所述激光点云数据类别之间的类间数据离散度得到第二评价指标，根据各个所述激光点云数据类别中的所述标准点云数据的数量和对应的所述数据类型的数量得到第三评价指标，根据所述实时激光点云数据的点云分布特征得到第四评价指标；根据所述第一评价指标、所述第二评价指标、所述第三评价指标和所述第四评价指标综合评价聚类效果；改变所述初始聚类中心点，根据对应的所述聚类效果选取最终聚类结果对激光点云数据进行分类识别。2.根据权利要求1所述的用于模型构建的激光点云数据聚类识别方法，其特征在于，所述第三评价指标的获取方法包括：根据各个所述激光点云数据类别中的所述标准点云数据的数量和对应的所述数据类型的数量通过数据类型模型得到第三评价指标，所述数据类型模型包括：其中，为所述第三评价指标，表示所述激光点云数据类别数量，表示所述激光点云数据类别的序号，表示所述标准点云数据对应所述数据类型的序号，表示第个数据类别中包含的所述标准点云数据的所述数据类型数量，表示第种所述标准点云数据的所述数据类型在第个数据类别中的数量，表示以自然常数为底的指数函数。3.根据权利要求1所述的用于模型构建的激光点云数据聚类识别方法，其特征在于，所述实时激光点云数据的点云分布特征包括：根据坐标获取所述激光点云数据类别中所述实时激光点云数据的类内坐标离散性，根据所述实时激光点云数据在预设三维空间邻域中与其它所述实时激光点云数据的反射率差异获取边界点云可能性；将激光点云数据类别中的所述实时激光点云数据的所述类内坐标离散性和所述边界点云可能性作为所述实时激光点云数据的点云分布特征。4.根据权利要求3所述的用于模型构建的激光点云数据聚类识别方法，其特征在于，所述实时激光点云数据在激光点云数据类别中的离散性获取方法包括：计算每个所述实时激光点云数据与所述激光点云数据类别中所述聚类中心元素之间的坐标距离，将所述坐标距离归一化得到所述实时激光点云数据在激光点云数据类别中的离散性。5.根据权...

【专利技术属性】
技术研发人员：白颢，史习雯，李雄威，
申请(专利权)人：江苏金寓信息科技有限公司，
类型：发明
国别省市：