[发明专利]融合多层级渐进策略和非监督学习的地面点云提取方法

权利要求书

1.一种融合多层级渐进策略和非监督学习的地面点云提取方法，其特征在于，包括以下步骤：

S1，获取点云数据并进行噪声去除；

S2，采用高斯混合模型实现点云自动聚类方法；

S3，自动获取并标记地面点、地物点训练样本；

S4，计算点云特征向量并采用SVM方法建立训练模型，并利用训练得到的SVM模型对LiDAR点云进行分类；

S5，采用置信区间估计理论自动识别并剔除非地面点；

S6，重复执行步骤S2至S5，直到点云中不存在地物点为止；

其中，所述步骤S3具体包括以下步骤：

S31，设定结构元素为方形，边长尺寸应大于实验区域内最大建筑物的尺寸；

S32，按照此结构元素对LiDAR点云进行虚拟格网组织；

S33，将结构元素在虚拟格网上进行四个方向的平移，并将落入平移后结构元素内的最低点都标记为地面种子点；

S34，将所有地面种子点所在类别的点云都标记为地面点；

S35，依次获取所有地面点的边缘点，然后，对这些边缘点进行临近搜索；

S36，计算临近点与边缘点的高差，将高差大于预设高度的点标记为地物种子点，并将该地物种子点所在类别的所有点都标记为地物点。

2.根据权利要求1所述的融合多层级渐进策略和非监督学习的地面点云提取方法，其特征在于，所述步骤S1具体包括以下步骤：

S11，将点云按照KD树进行组织，并获取每个点的K临近；

S12，计算每个点K临近的高程均值E_M和均方根误差E_δ；

S13，依次遍历点云中的各个点，如果其高程值不在该点临近点高程均值和三倍中误差的范围之内，则将该点判定为噪声点并进行剔除。

3.根据权利要求2所述的融合多层级渐进策略和非监督学习的地面点云提取方法，其特征在于，所述步骤S2具体包括以下步骤：

S21，采用主成分分析法估算点云的法向量；

S22，设定高斯混合分布的密度函数；

S23，采用经验模态分解算法估算高斯混合模型的参数；

S24，将高斯混合分布参数中均值相近的点云进行合并，并重新运用期望最大算法进行参数估算；

S25，重复迭代进行步骤S23和S24，直到点云混合成分的数目不再发生变化。

4.根据权利要求3所述的融合多层级渐进策略和非监督学习的地面点云提取方法，其特征在于，所述步骤23具体包括以下步骤：

S231，初始化高斯混合分布参数，包括λ_k、μ_k和δ_k，k＝1,2,…,k max；

S232，E步：计算各混合成分的概率；

S233，M步：计算高斯混合分布参数；

S234，检查是否收敛，如果收敛则停止迭代，输出高斯混合模型参数；否则，更新混合分布参数继续迭代。

5.根据权利要求4所述的融合多层级渐进策略和非监督学习的地面点云提取方法，其特征在于，所述步骤S4具体包括以下步骤：

S41，计算各样本点的局部结构协方差张量Cov_p；

S42，计算该协方差张量的三个特征值(λ₀、λ₁、λ₂)以及对应的特征向量(e₀、e₁、e₂)；

S43，依据特征值和特征向量，计算各个点的特征向量：不变性、本征熵、各向异性、平面性、线性、点性、曲面变化性、垂直性；

S44，采用SVM对训练样本依据特征向量建立训练模型；

S45，利用训练得到的SVM模型对未标记样本进行分类。