[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

说明书

本发明公开了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，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。本发明采用多层级渐进策略，实现地面点云提取结果由粗到精变化，增强方法的鲁棒性，且实现地面点云自动化提取，避免复杂的参数调节。

技术领域

本发明涉及地理空间信息系统技术领域，特别是涉及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。

背景技术

随着智慧城市的快速发展，迫切需要我们更加及时、准确、高效地获取周边的地形、地物信息。近年来，机载LiDAR(Light Detection And Ranging)技术为我们提供了一种全新的获取高时空分辨率地球空间信息的观测手段。机载LiDAR技术采用主动测量的方式，能够快速、精确地获取物体的三维坐标信息，具有速度快、精度高等特点。而且该技术不受光照、明暗变化等外界环境的影响，能够24小时全天候地进行数据采集。现如今，此项技术已广泛应用于道路提取、电力线提取、森林参数估测、城市三维模型建立等地球空间信息学科的众多领域。而实现以上点云后处理应用，一个非常关键的步骤便是要从LiDAR点云中去除地物点而保留地形点。

近年来，国内外研究人员对地面点云提取进行了大量的研究，这些方法根据理论背景的不同可以分为基于坡度、基于形态学、基于内插拟合、基于分割等四大类。已有的研究工作取得了许多成果和进展，但还存在需要进一步研究和解决的问题：

(1)地面点云提取方法在地形平坦区域滤波效果比较好，而在地形坡度变化较大区域滤波效果比较差，方法缺乏对复杂地形环境的适应性，鲁棒性不强；

(2)大多数地面点云提取方法需要进行复杂的参数设置，降低了算法的自动化程度。

发明内容

本发明的目的在于解决地面点云提取过程中存在的精度不高、对复杂地形环境适应性较差以及需要复杂参数调节的问题，提出一种融合多层级渐进策略和非监督学习方法进行自动化的地面点云提取方法。

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，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。

根据本发明提供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，采用多层级渐进策略，实现地面点云提取结果由粗到精变化，增强方法的鲁棒性。将点云视为高斯混合模型，采用期望最大算法实现点云自动聚类，提高地面点云提取的精度。通过设置渐进减小的结构元素集合，自动获取训练样本并进行标记，减少人为干预。利用支持向量机(SVM)对训练样本建立训练模型，并对LiDAR点云进行分类。根据置信区间估计理论将不满足条件的非地面点进行剔除，实现地面点云自动化提取，避免复杂的参数调节。

因此，与现有技术相比，本发明提出的方法至少具有以下有益效果：

(1)将不同类的点云视为不同高斯分布的混合，将点云聚类问题转化为高斯混合模型参数估计问题，实现点云自动聚类。