基于车载激光点云的杆状交通设施提取与分类研究

摘要

杆状交通设施是我国重要的基础道路设施，其信息的快速获取与更新对保障公路安全有重大意义。人工测量或者通过车载影像数据半自动提取杆状交通设施效率和自动化程度较低，达不到高精度杆状交通设施信息快速提取与更新的要求。高精度的杆状交通设施信息如位置、倾角、朝向和属性等，在道路资产调查、自动驾驶和辅助驾驶等领域发挥重要的作用。 车载激光扫描系统是目前道路及周边环境三维空间信息获取的主要手段之一，它能够连续自动地采集道路环境中目标对象的空间信息和光谱信息，适合用于杆状交通设施的快速提取。一方面，它测绘速度快、测量精度高且信息量丰富，有利于杆状交通设施的快速提取与更新;另一方面，其获取的车载激光点云密度不均、数据海量、冗余度高和存在遮挡缺失等问题，对从车载激光点云中快速、准确、稳健地提取杆状交通设施信息提出了挑战。 针对以上问题，本文研究了从车载激光点云中提取杆状交通设施并对进一步对其分类的方法，具体研究内容如下: 1、提出了一种基于对象的杆状交通设施自动提取的方法。首先对原始点云进行预处理，将点云分配到二维网格，在每一个二维网格根据局部最低高程滤除地面点，然后再对非地面点进行欧式聚类;对于聚类后的对象，通过最小外包盒的方式检测混合点云，然后利用迭代最小割算法对混合点云进行分割，分离混合点云中的杆状交通设施;最后，根据杆状交通设施的先验知识和形状知识构建滤波器，从所有的对象点云中检测出杆状交通设施点云。利用两组数据测试本文方法的有效性，实验结果表明，本文方法准确度、完整度和F1测度都达到90％以上。实验分析表明，对于不同密度的车载激光点云数据，本文方法都能取得较好的效果，具有一定的适应性，与前人方法相比，本文方法提取效果更好。 2、提出了一种基于监督分类的杆状交通设施分类方法。首先人工对杆状交通设施进行选择，标注好训练样本;根据杆状交通设施的形状特性和几何特性，提取了形状特征和通用几何特征这两种类型的特征;将两种特征组合输入到随机森林中训练分类器模型，并利用训练好的随机森林分类器对测试样本进行分类。在两组数据上测试本文方法的有效性，实验结果表明，本文方法在两组数据上的全局精度都达到95％以上。实验分析表明，对于不同密度的点云数据，本文所提取的特征仍然保持较高的可分性;将两种不同类型的特征结合用于分类，能取得比任意单一类型特征更高更稳定的分类精度。

目录

声明

摘要

第一章绪论

1．1 引言

1．1．1 研究背景

1．1．2 车载激光扫描系统及其数据特点

1．1．3 研究意义

1．2论文研究内容

1．3 论文结构安排

1．4 本章小结

第二章车载激光扫描系统与杆状交通设施研究进展

2．1 车载激光扫描系统发展现状

2．1．1 系统组成

2．1．2 工作原理

2．2 车载激光点云杆状交通设施研究现状

2．2．1 杆状交通设施提取现状

2．2．2 杆状交通设施分类现状

2．3 现状总结与发展趋势

2．4 本章小结

3．1 引言

3．2．1 基于局部最低高程的地面点云移除

3．2．2 基于欧式距离的非地面点云聚类

3．3 混合点云的检测与分割

3．3．1 基于最小外包盒的混合点云检测

3．3．2 基于迭代最小割的混合点云分割

3．4 杆状交通设施检测

3．4．1 基于先验知识的杆状交通设施检测

3．4．2 基于形状知识的杆状交通设施检测

3．5 实验与分析

3．5．1 实验数据

3．5．2 评价指标

3．5．3 参数设置

3．5．4 实验结果

3．5．5 实验分析

3．6 本章小结

4．1 引言

4．2 杆状交通设施特征描述

4．2．1 形状特征

4．2．2 通用几何特征

4．3 基于随机森林的对象分类

4．4 实验与分析

4．4．1 实验数据

4．4．2 评价指标

4．4．3 实验结果

4．4．4 实验分析

4．5 本章小结

第五章总结与展望

5．1 研究工作总结

5．2 论文创新点

5．3 研究展望

参考文献

附录

致谢