一种基于局部敏感哈希的激光雷达点云快速查询匹配方法组成比例

本发明专利技术提供一种基于局部敏感哈希的激光雷达点云快速查询匹配方法，首先通过激光雷达扫描采集环境数据，利用K均值聚类分割算法对收集到的点云数据进行点云分割；接着对数据对象进行特征提取，得到预处理之后的数据集S；使用伪希尔伯特曲线生成算法将体素中的点云数据生成一维的索引序列；利用LSH对得到的伪希尔伯特曲线序列进行哈希编码，构建索引，查询点云和候选点云之间的欧氏距离确认体素中距离最近的点云。本发明专利技术方法基于局部敏感哈希索引方法提高了点云特征提取查询时的速度，缩短了查询匹配时间并提高了查询匹配精度；LSH索引通过对伪希尔伯特序列进行哈希编码将相似的点云聚集在一起，减少了需要计算距离的点云数量，从而提高了检索效率。从而提高了检索效率。从而提高了检索效率。

【技术实现步骤摘要】
一种基于局部敏感哈希的激光雷达点云快速查询匹配方法


[0001]本专利技术属于激光雷达点云
，具体涉及一种基于局部敏感哈希的激光雷达点云快速查询匹配方法。

技术介绍

[0002]K最近邻(KNN)查询方法在数据挖掘中有着广泛的应用，这种算法是给出一个样本集和一个查询对象，返回距离查询对象最近(最相似)的K个对象，这种算法在处理高维数据或者数据量较大的样本集时存在不足之处。例如在一个大的图形数据库中，用户需要为给定查询图片找到最相似的图片集合，这需要查询数据库中的所有图片，工作量非常大。处理KNN查询的主要挑战在于纯粹的数据量，数据集中的每个对象都要参与计算这会消耗大量的计算资源。
[0003]KNN算法的核心思想如下，给定一个对象集合O和一个查询对象q，将给定的数据集分为训练集和测试集，并计算查询对象和训练集包含的全部对象的距离，选取距离查询对象最近的K个训练对象，这K个对象即为查询对象的K个最近邻对象。KNN算法在提出时是用来解决数据的分类问题的，该方法在待测数据集的分类精度研究、研究高维数据的降维、在稀疏数据中邻近对象的分类以及K值选择的研究等方面进行不断深入的研究。
[0004]本专利技术提出的基于局部敏感哈希的激光雷达点云快速查询匹配方法，主要用到了局部敏感哈希算法(LSH)。局部敏感哈希算法是相似性检索中最流行的一种,该算法是建立在哈希的基础上的一种近似最近邻算法,它能将检索时间复杂度缩减到线性。与其它基于Tree的数据结构相比,局部敏感哈希算法能较好的处理数据在高维空间中的检索问题.。与前文提到的K最近邻(KNN)查询方法相比，本专利技术提出的采用局部敏感哈希算法(LSH)进行索引，其基本思想是让相邻的点落入同一个“桶”，这样在进行最近邻搜索时，我们仅需要在一个桶内，或相邻几个桶内的元素中进行搜索即可。这大大缩小了工作量，减少计算资源的消耗，同时也提高了查询的效率和查询精度。

技术实现思路

[0005]专利技术目的：本专利技术提供了更加实用且用时更短的一种基于局部敏感哈希的激光雷达点云快速查询匹配方法。
[0006]技术方案：本专利技术提出一种基于局部敏感哈希的激光雷达点云快速查询匹配方法，包括以下步骤：
[0007]步骤(1)通过激光雷达扫描采集体素中的点云数据，利用K均值聚类分割算法对收集到的点云数据进行点云分割；
[0008]步骤(2)接着对体素内需要处理的点云数据进行特征提取，得到预处理之后的数据集S；
[0009]步骤(3)将上一步得到的数据集S中的对象根据向量空间模型全部表示成向量形式，得到点云特征对象向量集合；
[0010]步骤(4)用稀疏增量体素(ivox)来组织点云，确定一个查询点云，并使用伪希尔伯特曲线生成算法将体素中的点云数据生成一维的索引序列，并按照伪希尔伯特曲线顺序进行排序；
[0011]步骤(5)利用局部敏感哈希方法对步骤(4)得到的伪希尔伯特曲线序列进行哈希编码，构建LSH索引，映射到哈希桶中并形成对应的哈希表；
[0012]步骤(6)针对步骤(5)中索引得到的相似候选序列，根据查询点云和候选点云之间的欧氏距离确认体素中距离最近的点云。
[0013]进一步地，步骤(1)所述选择合适的分割算法对收集到的点云数据选进行点云分割；选择基于距离的聚类分割算法(K均值聚类)进行点云分割。其主要思想是从要聚类分割的样本中选取K个样本，然后遍历所有样本，对每个样本计算其与K个样本间的欧式距离，再将其类别归为距离最小的样本所属类别，则所有样本就都找到各自所属的类别；然后分别重新计算K个类别中样本的质心；之后返回第一步继续迭代执行，如此直到K个类别中样本的质心不再移动或移动的非常小。
[0014](a)随机选取K个聚类质心点(cluster centroids)为μ1,μ2,......,μ
k
∈R
n
。
[0015](b)重复下面过程直到收敛:
[0016]对于每一个样例i，计算其应该属于的类
[0017][0018]对于每一个类j，重新计算该类的质心
[0019][0020]进一步地，步骤(2)所述对体素内需要处理的点云数据进行特征提取，特征提取的过程如下：
[0021]特征提取主要分为两个步骤：区域分割和特征提取。区域分割阶段主要完成特征模式的分类及识别确定，即确定特征属于哪类模式，如直线，圆弧等，并确定属于该特征模式的区域及区域内的激光数据点集。特征提取阶段主要完成各类特征模式参数的确定以及特征点的提取。特征提取阶段分为三个步骤：
[0022](a)将激光点云按线束分类；
[0023](b)计算计算激光点云曲率；曲率计算公式如下：
[0024][0025]计算第i个点的曲率的公式:
[0026][0027]其中,c表示计算得到的曲率；n表示计算点云的区域，是以当前点i为中心，向前后各取n个点；k表示第k帧点，L表示是在激光坐标下。
[0028](c)根据曲率提取特征点，进行预处理得到数据集S。
[0029]进一步地，步骤(4)所述的用稀疏增量体素(ivox)来组织点云，在ivox中，点云首先存储在稀疏体素中。由于激光雷达点云是稀疏的，使用一个稀疏哈希映射，只用于存储至
少一个点的体素。哈希索引可以通过任何空间哈希算法计算，在实现中使用如下哈希函数：
[0030][0031]idv＝hash(v)＝(v
x
n
x
)X or (v
y
n
y
)X or (v
z
n
z
) mod N
ꢀꢀꢀꢀꢀꢀꢀ
(5)
[0032]其中，p
x
,p
y
,p
z
是的坐标。s为体素大小，n
x
、n
y
、n
z
为大素数，N为哈希映射的大小。每个体素中的点存储为一个向量或者存储为一个底层的内部结构，如IVox
‑
PHC。
[0033]进一步地，步骤(4)中提出的IVox
‑
PHC是ivox的另一种实现，它用伪希尔伯特曲线(PHC)替换每个体素内部的线性布局。PHC空间填充曲线是在保持局部性的情况下从低维空间映射到高维空间，同时也可以从高维空间映射到低维空间。在实现中，将一个体素分成(2k)3个更小的立方体，其中k是可配置的PHC顺序。例如，取k＝6，它可以根据体素的物理大小来确定，多维数据集根据它们在PHC的位置从0到(2k)3‑
1进行索引。每个立方体存储立方体内所有点的质心。
[0034]进一步地，步骤(4)中使用伪希尔伯特曲线(PHC)生成算法将体素中的点云数据生成一维的索引序列，具体过程如下：
[0035](a)将点云数据表示为一个三维体素网格。
[0036](b)对于每个点，计算其在体素网格中的坐标，可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部敏感哈希的激光雷达点云快速查询匹配方法，其特征在于，该方法包括如下步骤：步骤(1)通过激光雷达扫描采集体素中的点云数据，利用K均值聚类分割算法对收集到的点云数据进行点云分割；步骤(2)对体素内需要处理的点云数据进行特征提取，得到预处理之后的数据集S；步骤(3)将上一步得到的数据集S中的对象根据向量空间模型全部表示成向量形式，得到点云特征对象向量集合；步骤(4)用稀疏增量体素(ivox)来组织点云，确定一个查询点云，并使用伪希尔伯特曲线生成算法将体素中的点云数据生成一维的索引序列，并按照伪希尔伯特曲线顺序进行排序；步骤(5)利用局部敏感哈希方法对步骤(4)得到的伪希尔伯特曲线序列进行哈希编码，构建LSH索引，映射到哈希桶中并形成对应的哈希表；步骤(6)针对步骤(5)中索引得到的相似候选序列，根据查询点云和候选点云之间的欧氏距离确认体素中距离最近的点云。2.根据权利要求1所述的基于局部敏感哈希的激光雷达点云快速查询匹配方法，其特征在于：步骤(1)中将收集到的点云数据进行点云分割，将点云空间划分为规则的体素网格，并把每个体素看作一个单元进行分割,将点云中的点划分为K个样本，遍历所有样本，对每个样本计算其与K
‑
1个样本间的欧式距离，再将其类别归为距离最小的样本所属类别，则所有样本就都找到各自所属的类别；然后分别重新计算K个类别中样本的质心；之后返回第一步继续迭代执行，如此直到K个类别中样本的质心不再移动或移动的非常小，具体步骤：(a)随机选取K个聚类质心点(cluster centroids)为μ1,μ2,......,μ
k
∈R
n
。(b)重复下面过程直到收敛:对于每一个样例i，计算其应该属于的类对于每一个类j，重新计算该类的质心步骤(2)所述对体素内需要处理的点云数据进行特征提取，特征提取的过程如下：特征提取主要分为两个步骤：区域分割和特征提取阶段，区域分割阶段完成特征模式的分类及识别确定，即确定特征属于哪类模式，并确定属于该特征模式的区域及区域内的激光数据点集，特征提取阶段完成各类特征模式参数的确定以及特征点的提取，特征提取阶段分为三个步骤：(a)将激光点云按线束分类；(b)计算计算激光点云曲率；曲率计算公式如下：计算第i个点的曲率的公式:
其中,c表示计算得到的曲率；n表示计算点云的区域，是以当前点i为中心，向前后各取n个点；k表示第k帧点，L表示是在激光坐标下；(c)根据曲率提取特征点，进行预处理得到数据集S。3.根据权利要求1所述的基于局部敏感哈希的激光雷达点云快速查询匹配方法，其特征在于：步骤(4)中用稀疏增量体素(ivox)来组织点云时，选用ivox
‑
PHC基本结构，用伪希尔伯特曲线(PHC)替换每个体素内部的线性布局。4.根据权利要求3所述的基于局部敏感哈希的激光雷达点云快速查询匹配方法，其特征在于：步骤(4)所述的用稀疏增量体素(ivox)来组织点云，在ivox中，点云首先存储在稀疏体素中，由于激光雷达点云是稀疏的，使用一个稀疏哈希映射，只用于存储至少一个点的体素，哈希索引可以通过任何空间哈希算法计算，在实现中使用如下哈希函数：idv＝hash(v)＝(v
x
n
x
)X or (n
y
n
y
)X or (v
z
n
z
) mod N
ꢀꢀꢀꢀꢀꢀꢀ
(5)其中，p
x
,p
y
,p
z
是的坐标。s为体素大小，n
x
、n
y
、n
z
为大素数，N为哈希映射的大小，每个体素中的点存储为一个向量或者存储为一个底层的内部结构。5.根据权利要求4所述的基于局部敏感哈希的激光雷达点云快速查询匹配方法，其特征在于：步骤(4)中的IVox
‑
PHC用伪希尔伯特曲线(PHC)替换每个体素内部的线性布局，PHC空间填充曲线是在保持局部性的情况下从低维空间映射到高维空间，同时也可以从高维空间映射到低维空间，在实现中，将一个体素分成(2k)3个更小的立方体，其中k是可配置的PHC顺序，当取k＝6，它可以根据体素的物理...

【专利技术属性】
技术研发人员：孙成富，李敏，杨鑫，邹佳辰，张东京，杨雷，费宏彦，赵建洋，单劲松，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：