基于车载LiDAR点云的路边地上物多阶段聚类分割算法制造技术

本发明专利技术公开基于车载LiDAR点云的路边地上物多阶段聚类分割算法：步骤(1)、车载LiDAR点云数据预处理，得到路边地上物点云数据；步骤(2)、对路边地上物点云数据依次进行三维格网化和广度优先搜索，实现路边地上物点云数据的粗聚类分割；粗聚类分割得到单独地物点云和相连地物点云，单独地物点云作为路边地上物聚类结果输出；步骤(3)、将相连地物点云进行欧氏聚类，分割为边界完整的粗聚类点云集；步骤(4)、利用多段式近邻搜索聚合粗聚类点云集的所有聚类对象；自适应调整聚类阈值，至所有聚类对象的点云聚合速度相近，输出相连地物聚类结果。本发明专利技术解决了车载LiDAR点云分割存在人工干预多、分割效果不稳定等问题。分割效果不稳定等问题。分割效果不稳定等问题。

【技术实现步骤摘要】
基于车载LiDAR点云的路边地上物多阶段聚类分割算法


[0001]本专利技术涉及地上物聚类分割
具体地说是基于车载LiDAR点云的路边地上物多阶段聚类分割算法。

技术介绍

[0002]车载LiDAR技术作为当今前沿空间信息获取技术，在车辆行驶过程中能快速获取道路两侧地物详尽的三维空间信息。行道树、路灯、指示牌等路边地上物作为该数据源中的常见要素，为构建智慧城市、数字道路及自动驾驶技术等提供数据支持。由于车载LiDAR无差别地记录了建筑物、汽车、行人、路面、路边地上物等空间信息，从海量点云中获取地物时，点云聚类分割是其重要步骤，分割结果对三维重建、目标识别、特征提取等后续处理有直接影响。
[0003]当前针对路边地上物点云的聚类算法主要分为以下4类：
[0004]1)基于几何距离，如K
‑
Means聚类、欧氏聚类等。该类算法的聚类结果与初始簇心位置、距离阈值有关，因道路场景中常有多种路边地上物，需频繁调整这些值以达到理想效果，其算法的参数复用性较差且易出现过分割/欠分割现象。
[0005]2)基于点云密度，如DBSCAN聚类、OPTICS聚类。该类方法以点云分布的紧密程度作为聚类依据，聚类时随机选择一个核心对象作为种子，输出这个核心对象密度可达的所有样本集合，重复该操作直到所有核心对象聚类完成。同类地物因点云密度相近而具有较好的提取效果，但近邻的地物易被提取为单个聚类，且车载LiDAR数据存在随扫描距离增大而点云密度下降的问题，需考虑局部密度变化对聚类效果的影响。/>[0006]3)区域生长聚类，如自适应区域增长准则算法。该类算法先根据曲率值对点云排序并选择初始种子点，比较种子点与邻域点间的法向量夹角，将属性相似的点归为一类并继续向外生长，直至没有满足条件的点为止。算法适合已确定种子点数量及位置的聚类情况，但在处理相连点云时，单一的生长判定准则和停止条件易产生过分割/欠分割现象。
[0007]4)基于模型拟合，有Hough变换、RANSAC分割等。该类方法根据地物的形态骨架特征预设模型参数，通过计算全局点到模型的距离，输出满足置信度及距离阈值的点作为聚类结果。对噪声和异常值的鲁棒性较高，但难以提取非预设模型的地物，在处理大场景点云时，还需对数据做精确的分块处理。
[0008]综上，当前基于车载LiDAR的路边地上物聚类算法主要有以下问题：1)需预设多种参数以提高聚类精度，人工干预多且参数复用性差；2)单一算法对相连地物的聚类分割效果不稳定。

技术实现思路

[0009]为此，本专利技术所要解决的技术问题在于提供一种基于车载LiDAR点云的路边地上物多阶段聚类分割算法，以解决车载LiDAR点云分割存在人工干预多、分割效果不稳定等问题。
[0010]为解决上述技术问题，本专利技术提供如下技术方案：
[0011]基于车载LiDAR点云的路边地上物多阶段聚类分割算法，包括如下步骤：
[0012]步骤(1)、对车载LiDAR点云数据进行数据预处理，得到路边地上物点云数据；
[0013]步骤(2)、对路边地上物点云数据依次进行三维格网化和广度优先搜索，实现路边地上物点云数据的粗聚类分割；粗聚类分割得到单独地物点云和相连地物点云，单独地物点云直接作为路边地上物聚类结果输出；
[0014]步骤(3)、将相连地物点云进行欧氏聚类，分割为边界完整的粗聚类点云集；
[0015]步骤(4)、预设地物类型并进行地物分类，根据地物分类情况给定聚类阈值初值，利用多段式近邻搜索逐步聚合粗聚类点云集的所有聚类对象；评估各点云的聚合速度，并自适应调整聚类阈值，直至所有聚类对象的点云聚合速度相近，输出相连地物聚类结果，从而完成对路边地上物的聚类分割。
[0016]上述基于车载LiDAR点云的路边地上物多阶段聚类分割算法，步骤(2)中，三维格网化时，用体素将路边地上物点云数据进行空间划分，得到分块点云；对分块点云建立三维格网索引I(r,c,l)，以确定其空间拓扑关系。
[0017]上述基于车载LiDAR点云的路边地上物多阶段聚类分割算法，对任意一个三维点(x
i
,y
i
,z
i
)，其三维格网索引I(r,c,l)的计算公式为：
[0018][0019][0020][0021]式(1)至(3)中，math.floor为向下取整函数，L为体素边长，r、c、l分别为点所在格网的行、列、层号，x
min
、y
min
、z
min
为点云在X、Y、Z方向上的最小值。
[0022]上述基于车载LiDAR点云的路边地上物多阶段聚类分割算法，步骤(2)中，利用三维格网化后的起始格网为依据，对三维格网索引进行广度优先搜索；广度优先搜索的算法包括如下步骤：
[0023]步骤(2
‑
1)、对每个起始格网做XOY平面上的四邻域搜索，移除搜索到的其他起始格网，使每个起始格网互不连通；
[0024]步骤(2
‑
2)、创建开启队列和关闭队列，将一个起始格网压入开启队列；
[0025]步骤(2
‑
3)、对开启队列中的首个元素进行六邻域搜索，获取其上下左右前后6个方向上的近邻格网；对每个近邻格网，若存在三维格网索引，未在关闭队列且未在开启队列，则将该格网压入开启队列；所有近邻格网处理完毕后，将开启队列中的首个元素移入关闭队列中；
[0026]步骤(2
‑
4)、重复步骤(2
‑
3)，直到开启队列为空，此时关闭队列表示为一块由三维格网索引组成的连通空间，该空间中的点云视为一个聚类对象；
[0027]步骤(2
‑
5)、重复步骤(2
‑
2)至步骤(2
‑
4)，即可将点云数据粗分割为两个或两个以上的聚类对象；遍历每个对象的三维格网索引，对于仅存在单个起始格网的对象，输出格网对应的点云作为单独地物聚类结果；若起始格网数大于或等于2，则视为相连地物点云。
[0028]上述基于车载LiDAR点云的路边地上物多阶段聚类分割算法，步骤(3)中，欧氏聚类的算法过程如下：
[0029]步骤(3
‑
1)、标记相连地物点云中的某点P；利用KD
‑
Tree结构近邻查询离P最近的n个点，将距离小于搜索阈值T
E
的点标记并存储到类Q中；
[0030]步骤(3
‑
2)、从类Q中选取未用于搜索的某点作为新的点P，利用KD
‑
Tree结构近邻查询离P最近的n个点，将距离小于搜索阈值T
E
的点标记并存储到类Q中；
[0031]步骤(3
‑
3)、重复步骤(3
‑
2)，直至类Q不再有新点加入，则完成一个聚类；
[0032]步骤(3
‑
4)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于车载LiDAR点云的路边地上物多阶段聚类分割算法，其特征在于，包括如下步骤：步骤(1)、对车载LiDAR点云数据进行数据预处理，得到路边地上物点云数据；步骤(2)、对路边地上物点云数据依次进行三维格网化和广度优先搜索，实现路边地上物点云数据的粗聚类分割；粗聚类分割得到单独地物点云和相连地物点云，单独地物点云直接作为路边地上物聚类结果输出；步骤(3)、将相连地物点云进行欧氏聚类，分割为边界完整的粗聚类点云集；步骤(4)、预设地物类型并进行地物分类，根据地物分类情况给定聚类阈值初值，利用多段式近邻搜索逐步聚合粗聚类点云集的所有聚类对象；评估各点云的聚合速度，并自适应调整聚类阈值，直至所有聚类对象的点云聚合速度相近，输出相连地物聚类结果，从而完成对路边地上物的聚类分割。2.根据权利要求1所述的基于车载LiDAR点云的路边地上物多阶段聚类分割算法，其特征在于，步骤(2)中，三维格网化时，用体素将路边地上物点云数据进行空间划分，得到分块点云；对分块点云建立三维格网索引I(r,c,l)，以确定其空间拓扑关系；对任意一个三维点(x
i
,y
i
,z
i
)，其三维格网索引I(r,c,l)的计算公式为：)，其三维格网索引I(r,c,l)的计算公式为：)，其三维格网索引I(r,c,l)的计算公式为：式(1)至(3)中，math.floor为向下取整函数，L为体素边长，r、c、l分别为点所在格网的行、列、层号，x
min
、y
min
、z
min
为点云在X、Y、Z方向上的最小值。3.根据权利要求1所述的基于车载LiDAR点云的路边地上物多阶段聚类分割算法，其特征在于，步骤(2)中，利用三维格网化后的起始格网为依据，对三维格网索引进行广度优先搜索；广度优先搜索的算法包括如下步骤：步骤(2
‑
1)、对每个起始格网做XOY平面上的四邻域搜索，移除搜索到的其他起始格网，使每个起始格网互不连通；步骤(2
‑
2)、创建开启队列和关闭队列，将一个起始格网压入开启队列；步骤(2
‑
3)、对开启队列中的首个元素进行六邻域搜索，获取其上下左右前后6个方向上的近邻格网；对每个近邻格网，若存在三维格网索引，未在关闭队列且未在开启队列，则将该格网压入开启队列；所有近邻格网处理完毕后，将开启队列中的首个元素移入关闭队列中；步骤(2
‑
4)、重复步骤(2
‑
3)，直到开启队列为空，此时关闭队列表示为一块由三维格网索引组成的连通空间，该空间中的点云视为一个聚类对象；步骤(2
‑
5)、重复步骤(2
‑
2)至步骤(2
‑
4)，即可将点云数据粗分割为两个或两个以上的聚类对象；遍历每个对象的三维格网索引，对于仅存在单个起始格网的对象，输出格网对应的点云作为单独地物聚类结果；若起始格网数大于或等于2，则视为相连地物点云。4.根据权利要求1所述的基于车载LiDAR点云的路边地上物多阶段聚类分割算法，其特
征在于，步骤(3)中，欧氏聚类的算法过程如下：步骤(3
‑
1)、标记相连地物点云中的某点P；利用KD
‑
Tree结构近邻查询离P最近的n个点，将距离小于搜索阈值T
E
的点标记并存储到类Q中；步骤(3
‑
2)、从类Q中选取未用于搜索的某点作为新的点P，利用KD
‑
Tree结构近邻查询离P最近的n个点，将距离小于搜索阈值T
E
的点标记并存储到类Q中；步骤(3
‑
3)、重复步骤(3
‑
2)，直至类Q不再有新点加入，则完成一个聚类；步骤(3
‑
4)、重复步骤(3
‑
1)至步骤(3
‑
3)，直至相连地物点云中的所有点被标记，即完成欧氏聚类。5.根据权利要求4所述的基于车载LiDAR点云的路边地上物多阶段聚类分割算法，其特征在于，以相连地物点云中点间平均距离的两倍作为欧氏聚类搜索阈值T
E
；点间平均距离的计算公式为：式(4)中，函数math.dis计算两点间的欧氏距离，函数math.min返回数列中的最小值。6.根据权利要求1所述的基于车载LiDAR点云的路边地上物多阶段聚类分割算法，其特征在于，步骤(4)的具体算法如下：步骤(4
‑
1)、由起始格网得到各地物近似的底部中心，选取最近的粗聚类点云为起始聚类点云；步骤(4
‑
2)、根据起始聚类点数和地物高度进行地物分类；步骤(4
‑
3)、进行相连地物点云近邻搜索；步骤(4
‑
4)、评估各相连地物点云的聚合速度；若各相连地物点云的聚合速度相近，则输出相连地物聚类结果，否则进行自适应调整主体阈值T
main
和最远聚合阈值T
max
，并再次进行近邻搜索，直至各相连地物点云的聚合速度相近，输出相连地物聚类结果。7.根据权利要求6所述的基于车载LiDAR点云的路边地上物多阶段聚类分割算法，其特征在于，步骤(4
‑
1)中，起始聚类点云的计算方法为：从相连地物点云中选取n个起始格网对应的点云，各自计算出其质心；将质心作为聚类分割后每个独立地物近似的底部中心O
i
(x
i
,...

【专利技术属性】
技术研发人员：李永强，刘会云，李康弘，郝道前，武嘉乐，邢振浩，屈红梅，赵夏雨，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：