一种机载激光雷达点云数据的自动分类方法

摘要

本发明公开了一种机载激光雷达点云数据的自动分类方法，是一项机载激光雷达领域的技术。为了提高点云数据自动分类的效率和精度，本发明采用的技术方案是，首先对点云数据进行分割，然后对分割段的各项属性信息进行统计，再根据分割段间的空间位置关系以及段的属性信息来判断分割段的类别。本发明不同于以往的基于点的自动分类方法，基于分割段进行的分类具有较高的鲁棒性和精度。

说明书

技术领域

本发明涉及机载激光雷达技术领域，尤其涉及机载激光雷达点云数据的自动分类方法。

背景技术

机载激光雷达(Light Detection And Ranging，LIDAR)是一种新型的传感器设备。该设备将激光用于回波测距和定向，直接获取来自测量表面的三维坐标点集。LIDAR的应用范围非常广泛，近几年来，已经在基础测绘、数字城市、森林资源等应用领域发挥着重要的作用。LIDAR系统获取的点云数据精度高、数据量大，而且是不规则的三维离散点数据集。点云数据中不仅包含了来自裸露地面的信息，还包含了来自建筑物、植被、电力线、交通工具等非地面对象表面的信息。由于地面上对象的多样性和地形的复杂性，使得对点云数据的手动分类十分不便，而且效率低下。因此，本领域急切需要研究点云数据的自动分类实现方案，以提高数据处理的效率和精度。此外，对LIDAR点云数据的分类也是后续应用的基础任务。

发明内容

本发明的目的在于为解决现有技术所存在的问题，提出了一种机载激光雷达点云数据的自动分类方法，能直接对原始的不规则分布的激光雷达点云数据进行自动分类。

本发明提供的技术方案包括以下步骤：

步骤1，利用kd-tree对三维激光雷达点云数据进行存储和管理，从而支持查询给定点的最近邻接点；

步骤2，设定分割段内允许的最大坡度阈值，对三维激光雷达点云数据所提供点云进行聚类分割；所述聚类分割实现方式包括如下步骤，

步骤2.1，选择点云中的任一点为种子点；

步骤2.2，查询该种子点的N个最近邻接点，若其中某个最近邻接点与该种子点间坡度小于最大坡度阈值，认定该最近邻接点与种子点属于同一个分割段；

步骤2.3，以步骤2.2中认定与种子点属于同一个分割段的最近邻接点为新的种子点，返回步骤2.2继续寻找与新的种子点属于同一个分割段的其它点，直到再也找不到与当前的种子点之间坡度小于最大坡度阈值的最近邻接点为止，这样就产生了一个分割段；然后对属于该分割段的点添加属性标识，再选择点云中任一未具有属性标识的点为种子点并返回至步骤2.2生成下一分割段，直至点云中所有的点具有属性标识为止，从而随机产生多个分割段；

步骤3，统计步骤2聚类分割所得各分割段的属性信息，包括分割段的表面粗糙度和段内点个数；

步骤4，将段内点个数少于预设的指定阈值的分割段分类为噪声段；

步骤5，从步骤2聚类分割所得各分割段中指定初始地面分割段；

步骤6，以初始地面分割段为种子扩展相邻分割段，根据相邻分割段间的空间位置关系识别形成完整地面段；

步骤7，从非地面段中，根据分割段的面积、分割段的表面粗糙度、分割段与完整地面段邻近区域的高程差，识别出建筑物段；所述非地面段是步骤2聚类分割所得各分割段去除噪音段和完整地面段以外的所有分割段，所述分割段的面积由分割段的段内点个数除以点云的密度得到；

步骤8，根据非地面段去除建筑物段后的剩余分割段中，点与完整地面段邻近区域的高程差，从剩余分割段中识别植被段。

而且，步骤5中所述指定初始地面分割段，实现方式为从步骤2聚类分割所得各分割段中自动选择高程最低的段，或者为从步骤2聚类分割所得各分割段中自动选择段内点个数最多的段，或者为采用用户从步骤2聚类分割所得各分割段中指定的段。

本发明能直接对原始的不规则分布的激光雷达点云数据进行自动分类，将点云分类为裸露地面、建筑物、植被、噪声和其它非地面对象五类。本发明提出的方案是以分割段为基本单位进行分类，能更多地考虑点云的上下文关系，因而具有较好的鲁棒性和较高的精确度。

附图说明

图1是本发明实施例的流程图。

具体实施方式

下文将参照附图和实施例对本发明的具体实施方案进行更详细的说明：

(1)采用kd-tree数据结构来存储和管理三维激光雷达点云数据，可以实现对给定点的最近邻接点的快速查询，最近邻接点根据查询点到给定点的欧氏距离来选择。一旦设定最近邻接点的个数N，就可以通过kd-tree，快速查询到与给定点欧式距离最近的N个邻接点。kd-tree数据结构属于现有技术，本发明不予赘述。其中k即为空间的维数，一般取值2、2.5、3，本发明建议取值为3。

(2)设定分割段内允许的最大坡度阈值，对点云进行聚类分割。具体实施时，最大坡度阀值可以根据地形情况设定，例如平原就设在10度左右，山区设在60度左右，悬崖设在80度左右。因为采用kd-tree数据结构来存储和管理三维激光雷达点云数据，属于索引方法，因此三维激光雷达点云数据所提供点云中的点具有各自索引序号。实施例中，选择点云中的任意点为种子点，考察该种子点的N(N取自然数，根据点云的密度来取值，建议取3平米范围内点的个数)个最近邻接点，对于每个最近邻接点，若其与该种子点间坡度在最大坡度阈值之内，则认定该最近邻接点与种子点属于同一个分割段。再以已经认定的最近邻接点为种子点，继续寻找属于同一个分割段的其它点。一个种子点的N个最近邻接点中，可能有1个以上是与该种子点间坡度在最大坡度阈值之内，被认定为属于同一分割段，具体实施时可以按照索引序号由小到大的顺序将它们依次作为种子点寻找属于同一个分割段的其它点。直到再也找不到满足坡度要求的点为止，这样就产生了一个分割段，再用同样的方法生成其它分割段。

为了便于区别已经属于某分割段的点和没有认定为属于某分割段的点，本发明实施例在产生了一个分割段后，就对属于该分割段的点添加属性标识。再选择点云中任一未具有属性标识的点为种子点并用同样的方法生成下一分割段，直至点云中所有的点具有属性标识为止，从而随机产生多个分割段。具体实施时，属性标识除了标识出点已属于某分割段之外，可以用于标识分割段的分类属性，例如是噪音段、地面段、建筑物段、植被段还是其他非地面对象段。但在进行后续分类之前，此处刚刚生成的分割段的属性标识暂时为空，分类后再为属性标识赋上与类别相应的值即可。

(3)统计分割段的属性信息，包括分割段的表面粗糙度和段内点的个数等。

段内点的个数只需统计即可，分割段的表面粗糙度则可采用现有技术计算得到。为便于实施参考，本发明提供表面粗糙度提取方法如下，分为两步：

1)法线估计

令样本点p的邻域NH_p＝{p₁，p₂，···，p_k}，p为p的邻域的质心，即

$\bar{p}=\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{p}_i$

由于点云中的每个点都有x，y，z三个分量，因此点p的协方差矩阵是一个3×3的矩阵，可以定义为

$C={\left(\begin{array}{c}{p}_1-\bar{p}\\ ...\\ p_k-\bar{p}\end{array}\right)}^T\left(\begin{array}{c}{p}_1-\bar{p}\\ ...\\ p_k-\bar{p}\end{array}\right)$

通过累加点p邻域中的样本点到质心p在三个分量方向的平方距离，协方差矩阵C就可以描述这些样本点分布的统计特性了。

考虑特征向量问题

C·v_j＝λ_j·v_j

由于C是一个对称的正半定阵，因此所有的特征值都应该是实数值，特征向量v_j(j＝0，1，2)则构成了垂直坐标系，且分别对应于邻域中样本点集的三个主要分量。特征值λ_j度量的是邻域中的样本点p_i(i＝1，2，...，k)沿相应特征向量方向的变化。

假定λ₀≤λ₁≤λ₂，可以得出以下结论，平面T(x)∶(x-p)·v₀＝0是这样的一个平面，它通过质心点p，且使得点p的邻接点到达该平面的平方距离和最小。也可以认为平面T(x)是曲面在点p处的切平面的逼近。因此，向量v₀逼近点p处的曲面法线n_p，向量v₁和v₂则生成了曲面在点p处的切平面。

2)表面粗糙度的估计

点云中样本点的法线能够正确地估计，那么就可以利用邻域中样本点的法线来估计曲面在该点处的变化程度，即表面的粗糙度。假设λ₀≤λ₁≤λ₂，λ₀度量的是点p的邻域沿曲面法线方向的变化，即邻接点偏离切平面T_p的程度。邻接点的总体偏离程度，即邻接点p_i与质心p的平方距离之和可由下式给出：

$\underset{i=1}{\overset{k}{\Sigma }}{|p_i-\bar{p}|}^2={\lambda }_0+{\lambda }_1+{\lambda }_2$

因此，在邻域大小为k的条件下，点p处的表面粗糙度可以定义为

${\sigma }_k\left(p\right)=\frac{{\lambda }_0}{{\lambda }_0+{\lambda }_1+{\lambda }_2}$

若σ_k(p)＝0，则表明所有的点都在切平面T_p上。当这些点在各个方向上的变化都是相同的情况下，表面粗糙度σ_k(p)达到其最大值1/3。表面粗糙度会随着所选取的邻域大小的不同而有所改变。当邻域取值大一些时，所估计的表面粗糙度就大一些，邻域取值小一些时，表面粗糙度就小一些。

(4)将段内点数少于预设的指定阈值(该阈值用于描述噪声点团的大小，即噪声点团中最多包含的点个数，可以取值2或3或4)的分割段分类为噪声段。当段内的点太少时，说明这些点是离散的，因此是噪音点。该分割段就被分类为噪音段，首先与其他分割段区别出来，以免影响后续分类。

(5)设定初始地面分割段，可以选择高程最低的段(即段内点的平均高程最低的分割段，三维激光雷达点云数据所提供的点都具有自身的高程属性值)，或者点数最多的段(即段内点个数最多的分割段)，或者通过软件技术提供可视化点云编辑界面，由用户指定某个分割段作为初始地面分割段。

(6)以初始地面分割段为种子扩展相邻分割段，根据相邻分割段间的空间位置关系识别形成完整地面段。实施例中，根据初始地面分割段中的任一点，查询kd-tree，获得其在xy坐标平面上的N个最近邻接点，若某个最近邻接点属于其它分割段，则判断该最近邻接点所属分割段与已知地面段(最开始就是初始地面分割段)间是否满足小于最大坡度阈值的要求，若满足，则该段为新识别的地面段，并以新识别的地面段为种子，通过前述方法识别更多的地面段，直到所有的未分类的分割段都被处理完为止，得到一些相邻分割段。具体实施时，处理结果可能会存在误分成地面段的个别分割段，因为地面段应当具有连续的空间位置关系。例如当某个分割段比与其相邻的一个分割段的高程大许多时，说明该分割段可能出现了地面上建筑物。将不满足连续性但被误分为地面段的分割段从处理结果中进行剔除分离，将剩下满足连续性的地面段合并成完整地面段。

(7)从非地面段中，根据分割段的面积、分割段的表面粗糙度、分割段与完整地面段邻近区域的高程差(求高程差的方式同(8)中的方式)，识别出建筑物段。实施例中，设定最小建筑物的面积，表面粗糙度的范围以及最矮建筑物的高程。当满足分割段的面积大于最小建筑物的面积，且分割段的表面粗糙度在设定范围内，且分割段与完整地面段邻近区域的高程之差大于最矮建筑物的高程这样的建筑物认定条件时，即可认定从非地面段中识别该分割段为建筑物段。(8)根据点与完整地面段邻近区域的高程差，从剩余分割段中识别植被段。实施例中，对于剩余分割段中的任一点，通过查询kd-tree，寻找与该当前点最近的地面段中的地面点，并计算此地面点及其邻接地面点构成的拟合平面。通过该当前点到拟合平面(T(x)∶(x-p)·v₀＝0)的距离，考察点与完整地面段中该点的邻近区域的高程差。若点到拟合平面的距离在用户定义的植被高度阈值范围(如1m，2m…)内，则将该点所属分割段识别为植被段，否则识别为其它非地面对象。

可见，实施例的分类流程是从所有分割段中不断分离的过程，首次分离出噪音段，然后从剩下的分割段中分离识别出完整地面段，剩下的分割段称为非地面段；再从非地面段中分离出建筑物段，剩下的分割段直接称为剩余分割段；最后从剩余分割段中分离出植被段，其余的即是其他非地面对象。