[发明专利]一种基于上下文特征和图割算法的车载点云聚类方法

权利要求书

1.一种基于上下文特征和图割算法的车载点云聚类方法，包括以下步骤：

步骤1，分割点云形成超体素，包括根据空间密度相连性分割点云数据形成不同的连接区域，每个连接区域成为超体素；

步骤2，超体素间上下文关联特征计算，所属超体素间的上下文关联特征包括空间关联特征和语义关联特征，所属空间关联包括方向、距离及拓扑方面，所述语义关联包括维度和形状方面；

步骤3，多标记的图割聚簇，包括以超体素为节点，以超体素间的连线为边构成图模型，用图割算法整体评估超体素的连接性，重新合并形成新的点云聚簇。

2.根据权利要求1所述基于上下文特征和图割算法的车载点云聚类方法，其特征在于：步骤1中，分割点云形成超体素的实现方式如下，

步骤1.1，分析点云密度，设定点邻域搜索范围Eps；根据高程值对点云分段，设定不同高程范围内点云对应的最小样本数Minpts；

步骤1.2，根据点邻域搜索范围Eps和最小样本数Minpts，利用DBSCAN算法对点云进行分割；

步骤1.3，对步骤1.2分割得到的点簇进行点数约束，若点数过小，则标记该点簇中的点为噪声点，其余点簇则成为超体素。

3.根据权利要求1所述基于上下文特征和图割算法的车载点云聚类方法，其特征在于：步骤2中，超体素间上下文关联特征计算，采用模糊函数度量方式实现。

4.根据权利要求3所述基于上下文特征和图割算法的车载点云聚类方法，其特征在于：超体素的方向关联用两个超体素空间位置连线在水平面和竖直面投影与X轴的夹角θ_h和θ_z表示。

5.根据权利要求3所述基于上下文特征和图割算法的车载点云聚类方法，其特征在于：超体素的距离关系用两个超体素空间位置平面距离dD_ij和高差dH_ij表示。

6.根据权利要求3所述基于上下文特征和图割算法的车载点云聚类方法，其特征在于：超体素的拓扑关系用两个超体素对应的长方体包围盒在空间相交和相接来表示。

7.根据权利要求3所述基于上下文特征和图割算法的车载点云聚类方法，其特征在于：超体素维度的相似性用超体素内一维、二维及三维点数目所占的比例来表示。

8.根据权利要求3所述基于上下文特征和图割算法的车载点云聚类方法，其特征在于：超体素形状的相似性用长方体包围盒边长比来表示。

9.根据权利要求1或2或3或4或5或6或7或8所述基于上下文特征和图割算法的车载点云聚类方法，其特征在于：步骤3包括以下子步骤，

步骤3.1，进行超体素分割的图模型构建，图模型的节点包括超体素和标记端点，；

步骤3.2，求取图模型全局最优解，包括对多标记能量函数E(f)采用近似最小化能量算法，得到多标记全局最优解，确定最佳标签配置，

所述多标记能量函数E(f)如下，

E(f)＝E_data(f)+E_smooth(f)

式中，E_data(f),E_smooth(f)分别代表数据项和平滑项；

数据项E_data(f)描述了标签f与被观测数据的不一致性，

式中，p为数据集P中任意超体素，f_p为p的标签，D_p度量标签f_p与观测数据的不一致性；本发明中当超体素和标签号一致或两个超体素语义上下文关联大时，惩罚D_p(f_p)越小，否则惩罚D_p(f_p)越大；

平滑项E_smooth(f)描述标签f的分块不平滑程度，

E_smooth＝Σ_p,q∈NV_p,q(f_p,f_q)

其中N为超体素邻域集合，p和q为N中的超体素，f_p和f_q分别为p、q对应的标签。当邻域内超体素的方向关联、距离关联和拓扑关联度很大时，若标记不一致，则惩罚V_p,q越大；否则，惩罚V_p,q就越小。