[发明专利]一种基于DBSCAN的分层点云分割方法

说明书

本发明涉及一种基于DBSCAN的分层点云分割方法。首先采用CSF分离地面点以及非地面点；非地面点分割过程，首先按照一定的高度将点云垂直方向进行分层，然后对每一层在XOY平面上的投影点进行DBSCAN聚类，获取每个聚类的中心点，然后将所有聚类出的中心点投影至XOY平面，利用DBSCAN聚类出每一个物体主体，继而对每个主体每层进行判断其主体点是否存在，并判断每个簇中包含的物体数，最后针对存在多个物体的簇再进行分割处理。本发明方法针对侧视点云数据的分割，可以保证场景中大部分主体的提取，且具有一定的鲁棒性，尤其在以树木为主的场景中有着较好的表现，本发明方法得到的结果对点云分割之后的点云分类和点云三维重建有着一定的意义。

技术领域

本发明涉及LiDAR点云数据信息提取技术领域，具体涉及一种基于DBSCAN的分层点云分割方法。

背景技术

传统三维激光扫描技术是测绘技术中继GPS系统后的又一次新的突破，其利用激光测距的原理，能够快速、精确、连续地获取物体表面大量密集点的三维坐标、反射强度等信息，目前广泛应用于森林生态、城市变化检测、城市道路检测和规划以及机器人环境感知等领域。然而，由于点云数据分布不均匀，不具备语义信息，甚至大部分点云数据均不包含颜色信息，对点云数据处理和应用造成了较大的干扰，因此，目前虽然在点云配准、分类以及三维建模等方面均取得了一定的研究成果，但是这些方法主要针对某些特定的数据集或者需要处理者对数据和算法有着一定的理解认识，仍然无法实现对点云数据快速、自动、高精度处理。

点云分割是进行点云分类、三维建模等工作的必要前提，现有的点云分割方法主要有基于边缘的分割方法、基于模型的分割方法、基于图的分割方法以及基于聚类的分割方法。其中基于边缘的分割方法将检测到的点云属性急剧变化的区域视为边缘区域，从而勾勒出点云的边缘地带，以边缘作为分界线进行分割，该类方法原理简单，分割速度快，但容易受到噪声影响，因此不适合处理较为复杂的点云数据；基于模型的方法中大部分算法基于1981年Fischer提出的RANSAC算法(随机采样一致性算法)发展而来，该算法将物体视为规则几何形态(平面、正方体、球体等)的结合，通过对原始几何形态的数学模型进行拟合，对点云数据进行分割，该算法处理速度快、且对噪声不敏感，但无法识别不规则形状的物体，无法处理复杂点云；基于图的分割方法将点云中的点视为图的顶点，将点与点的连线视为边，将点与点的相似度作为边的权重值，将不同分割区域的相似度达到最小，同一分割区域的相似度达到最大作为分割目标，基于图的分割方法可以处理大规模的复杂点云，且对噪声不敏感，然而，该算法实现困难且分割速度较慢；而基于聚类的方法能够聚类出任何形状的簇，而点云数据也有着各种各样的形状，因此基于聚类的方法很适合于点云数据的分割，该算法基于点的属性将具有相似属性的点聚在一起，该算法适合处理大规模复杂场景的点云，且一般均自带有去噪的功能，容易实现且计算简单，但是很难确定精确的边界，容易出现过分割或者分割不足的情况。

基于密度的聚类算法是基于数据集在空间分布中的稀疏程度来对数据集进行聚类的，因而不需要预先设定簇的数量，适合于对未知内容的数据集进行聚类。其中，DBSCAN算法(Density-Based Spatial Clustering ofApplications withNoise)是其中最为经典的算法，它以选定对象的单位超球状区域内所包含的数据对象的数量作为标准来衡量选定对象的密度。例如，针对点云数据(仅包含x、y、z属性)中的任意一点，DBSCAN能获取距离该点的一定半径内的点的数量代表该点的密度。而DBSCAN的基本流程为：

(1)从数据中任意一未标记点p出发，获取距离该点一定范围(Eps)内的近邻点个数，如果近邻点个数小于最小点数(MinPts)，则认为点p为噪声点，重新开始第(1)步，否则认为该点为核心点，并创建核心点队列N以及新簇C，并将点p加入核心点队列N以及新簇C中；

(2)遍历核心点队列N，获取N_i一定范围(Eps)内的近邻点Q，遍历所有近邻点，如果近邻点q未标记，则加入簇C，并且进行判定是核心点还是边缘点，如果为核心点，加入核心点队列N，如果为边缘点，则直接跳过；