[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

说明书

本发明提供一种基于上下文特征和图割算法的车载点云聚类方法，包括分割点云形成超体素，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；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；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。本发明不需要先验知识，不仅能够有效改善点云聚类中过分割现象，而且极大提高了点云聚簇结果的精度，为后续的目标识别提供了高质量的基础数据。

技术领域

本发明涉及一种车载点云聚类方法，尤其是涉及一种基于上下文特征和图割算法的车载点云聚类方法。

背景技术

移动车载扫描系统提供了快速获取城市街景点云数据的采集方式，从大量、无序的点云数据中准确分析、解译场景目标是点云聚类与分类研究的目标。点云聚类的精度直接影响后续分类、信息提取及目标几何模型重建等的结果，现有点云聚类方法中用于聚簇的特征通常是基于点或者体素计算的，基于点的特征会受到点云数据质量如密度不均、异常值及噪声等的影响，基于体素的特征则会受到点云数据体素离散化分辨率的影响。聚簇的约束逐渐从局部范围转向在全局优化条件下考虑数据间的连结性，如条件随机场及图割等全局优化模型已经用于点云数据聚簇，其中表达节点间相关性的边的权重确定非常重要，现有算法中多用点邻域间的距离约束定义边的权值，而数据点间蕴含的关联性考虑欠缺。

发明内容

本发明主要解决现有技术所存在的技术问题，提供了一种以超体素为对象，结合空间上下文关联和图割算法的车载点云聚类方法。

本发明的上述技术问题是通过下述技术方案得以解决的：

本发明提供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。

而且，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。

而且，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。

而且，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。

而且，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。

而且，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.

而且，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。

而且，超体素形状的相似性用长方体包围盒边长比来表示。