一种道路点云杆状物提取与多尺度识别方法

1.本发明涉及智慧交通技术领域，尤其是一种道路点云杆状物提取与多尺度识别方法。


背景技术：

2.目前基于道路场景点云的杆状物提取方法主要可以分为基于杆状物结构特征的方法、基于先聚类后识别的方法、基于模板匹配的方法这三大类。基于杆状物结构特征的方法主要是根据杆状物的三维结构来从点云中对杆状物进行分离，其中较为常见的包括利用杆状物的高度、回波强度以及粗细等几何特征来对杆状物进行提取。这样的提取方法对于杆状物的几何形态特点要求较高，要求被提取的杆状物形状上要较为规则且要与周围地物相比具有较大的差异。基于先聚类后识别的方法是首先对离散点云进行处理，将点云根据空间距离划分为相同的类或者簇，之后根据类或者是簇的特点来对杆状物进行提取与识别。基于模板匹配的方法是利用相同的杆状物具有相同的几何属性这个特点来对原始点云中的地物进行匹配，根据地物之间两两的相似性来对杆状物进行提取。此方法对于匹配特征的鲁棒性要求较高，并且计算的效率不高。
3.目前针对道路场景中杆状物的提取所存在的主要缺点有两个方面，首先在提取的方法上没有考虑到杆状物种类的多样性与结构的复杂性，导致了大部分的方法都或多或少的不能对杆状物实现准确的提取或者是说对能提取的杆状物的先决条件要求较高。其次对于原始数据的质量要求比较高，对于待提取的道路点云场景要求杆状物点云自身要较为纯净且不具有冗余数据，这样的提取要求也大大降低了提取方法的实用性。
4.在将杆状物点云进行提取后为满足道路资源普查以及智慧交通建设等往往需要对提取出来的杆状物进行识别处理，现阶段主要的方法有基于语义的识别方法，机器学习逐点分类法与深度学习方法。语义分割法主要是人为的去根据道路场景环境的特点去拟定一套适合某种道路环境的语义规则，根据事先拟定好的语义规则去对道路杆状物进行识别，往往不同的环境下同一套语义规则并不能很好的适用，这样使得技术人员要根据不同的道路场景去拟定不同的语义规则，这大大降低了方法的普适性。根据机器学习逐点识别来对杆状物识别的方法往往只考虑到了某个邻域内点的特征，没有考虑到不同尺度下特征之间的相互影响，对于在局部邻域内表现差异较大的点云数据可以实现较好的识别效果，对于在局部邻域内特征表现相似的杆状物来说识别效果往往不尽人意。深度学习方法需要大量的训练样本，而且不同的场景之间不能够相互通用。算法的局限性导致了并不适合大范围的使用。


技术实现要素：

5.本发明所要解决的技术问题在于，提供一种道路点云杆状物道路点云杆状物提取与多尺度识别方法，能够解决杆状物提取效率不高且识别精度较差的问题。
6.为解决上述技术问题，本发明提供一种道路点云杆状物提取与多尺度识别方法，
包括如下步骤：
7.(1)利用车载激光扫描仪获取道路以及路侧地物的点云，解算后输出pcd格式的点云数据；
8.(2)点云数据预处理，在cloud compare平台使用布料模拟滤波及降采样算法对点云进行预处理，提高后续处理效率；
9.(3)杆状物点云全自动分割；
10.(4)多尺度分类结果相互融合的杆状物分类。
11.优选的，步骤(3)中，杆状物点云全自动分割具体为：遵循三个分割思想去对杆状物进行保留：杆状物具有纵向连续的特点，杆状物的非杆件部分一般垂直延伸于杆件部分，对于杆状物的细节部分再利用单向双编码策略时往往二者编码差值较大。
12.优选的，杆状物具有纵向连续的特点，进行纵向连续保留；首先将道路场景点云数据进行体素划分，将大场景的点云数据划分为0.3*0.3*0.3的体素块；其次对上一步划分出来的体素块进行遍历，遍历的顺序是按照每一列的体素块进行由下至上的顺序进行遍历；最后对这一列中含有点云的体素块进行记录，若体素块中包含点云的体素块数目大于一定阈值则我们认为是潜在的杆状物，并对其一列进行保留。
13.优选的，杆状物的非杆件部分一般垂直延伸于杆件部分，杆状物的非杆件部分保留；非杆件部分大多是垂直于提取出来的杆件部分，利用一种垂直于杆件部分的体素生长策略来对杆状物的非杆件部分进行保留；利用第一步所保留下的杆状物的体素作为初始种子体素来进行基于体素的区域生长，直至沿横向不再有连续的具有点云的体素存在则停止生长。
14.优选的，对于杆状物的细节部分在利用单向双编码策略时二者编码差值较大，单向双编码策略对于杆状物的细节进行保留；对于未与杆状物杆件部分直接相连的部分采用一种单向双编码策略来对此进行二次保留；以每一纵列的体素格网为研究对象，双编码的其中之一是由体素格网的最低点体素开始编码一直至最高点体素；另外一个编码则是以出现点云的体素作为编码的初始体素来进行编码处理，遇到包含点云的体素才进行编码，对于上述未保留下来点云数据利用双编码之差大于某一阈值的特点来进行保留，同时对于低矮植被有两编码相近这一特点对其进行一定的滤除。
15.优选的，步骤(4)中，多尺度分类结果相互融合的杆状物分类具体包括如下步骤：
16.(41)获取杆状物的局部点云特征；
17.(42)获取杆状物的全局点云特征，
18.(43)对不同尺度下的分类结果进行融合。
19.优选的，步骤(41)中，获取杆状物的局部点云特征具体为：首先根据杆状物的结构特点构建一个14维的点云特征向量，其中包括：强度、高差、高差方差、各项异性、面特征、球特征、全方差、线特征、圆柱内点数、圆柱高差、密度、体密度、曲率和粗糙度，将不同的杆状物依次给出不同的标签，之后将特征向量与标签进行组合并利用随机森林分类器对不同的杆状物点云进行分类操作。
20.优选的，步骤(42)中，将分割出来的杆状物点云进行聚类操作，将不同的点云聚类为不同的点云簇，都是杆状物点云所以不同的点云簇必定存在点云簇，将不同的点云簇进行切片聚类，按照不同的杆状物具有不同的杆件主体来对点云簇进行落地点求取，求出落
地点之后将落地点之间距离小于一定阈值的杆状物进行提取，并将二者视为相互重叠的杆状物，利用两种不同限制条件的超体素生成结果进行融合来对重叠区域进行超体素的生成，依据超体素来对二者进行一个划分并作为单体的杆状物点云，对上述的单体杆状物进行特征求取；其中全局特征包括：全局的视点特征直方图vfh、外包围盒几何尺寸、体素占比以及平均强度，将计算出的全局特征组成特征向量放入随机森林分类器中，以训练好的模型对待识别场景进行分类。
21.优选的，步骤(43)中，将不同尺度下的识别效果依据识别进度进行融合，对二者识别过程中表现较好的部分进行合并，以此来改善单一尺度下的识别精度。
22.本发明的有益效果为：本发明以车载三维激光扫描系统所获取的点云作为切入点，根据道路场景点云数据的特点对道路场景中所常见的杆状物点云的提取与识别方法做出了一定的改进：在分割方面本发明使用三个约束与生长条件对杆状物进行分割，相较于传统的只根据杆状物几何结构来进行保留的方法来说，此方法对于杆状物的保留更加的完整，并且不受场景复杂度的限制，在提取方法上更加的普适；在杆状物的识别上，本发明使用了两种不同尺度下的分类结果来进行融合，解决了传统识别方案中只根据某个邻域尺度下的特征进行识别的局限性，在一定的程度上提高了识别的精度。
附图说明
23.图1为本发明的方法流程示意图
24.图2为本发明的采集设备示意图。
25.图3为本发明基于纵向连续的杆状物保留正视图。
26.图4(a)为本发明的体素生长坐标系建立俯视图。
27.图4(b)为本发明的体素局部生长示意图。
28.图5为本发明提取的杆状物点云示意图。
29.图6为本发明净化后的杆状物点云示意图。
30.图7为本发明的重叠区域分割结果示意图。
具体实施方式
31.一种道路点云杆状物提取与多尺度识别方法，包括如下步骤：
32.(1)利用车载激光扫描仪获取道路以及路侧地物的点云，解算后输出pcd格式的点云数据；
33.(2)点云数据预处理，在cloud compare平台使用布料模拟滤波及降采样算法对点云进行预处理，提高后续处理效率；
34.(3)杆状物点云全自动分割；
35.(4)多尺度分类结果相互融合的杆状物分类。
36.本发明利用alpha3d车载移动测量系统对某城区道路进行数据采集，该系统的水平精度《0.030m rms、垂直精度《0.025m rms、激光点频可达1000000点/秒、测量精度可达2mm。共采集了约3km的实验数据，数据总量为60244135个点其中包含自然杆状物、人工杆状物、车辆以及低矮植被等。扫描设备如图2所示。
37.首先将实验道路的场景点云按照规格0.3*0.3*0.3的体素块进行划分，划分的方
法如下式1与式2所示。
38.m
x
＝ceil((x
max-x
min
)/s)
39.ny＝ceil((y
max-y
min
)/s)
40.hz＝ceil((z
max-z
min
)/s)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
41.m＝ceil((point.x-x
min
)/s)
42.n＝ceil((point.y-y
min
)/s)
43.h＝ceil((point.z-z
min
)/s)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
44.式中的x
max
、x
min
、y
max
、y
min
、z
max
、z
min
、point.x、point.y、point.z分别为预处理后点云的最大最小坐标值与某个点的具体x、y、z值，m
x
、ny、hz分别表示x轴方向、y轴方向与z轴方向的体素格网个数，m、n、h分别表示点在体素格网中的行列号以及高度位置。将划分好体素的点云数据按照列去进行查找，假如在一列上含点云的体素块的数量满足一定的阈值则对其一列进行保留，保留后的点云即为杆状物的杆件部分。保留原理示意图的正视图如下图3所示。
45.横向格网的区域生长与双编码策略。上述根据纵向连续性将杆状部分保留下来后此时得到的只是道路两侧的杆状物的杆件部分，而没有得到杆状物的非杆件部分，为了减少计算量同时对非杆件部分进行保留，采用一种横向的格网区域生长算法。此算法的主要思想是利用纵向保留下来的杆状部分的格网为参考建立一个局部空间坐标系向四个象限发散查询，根据非杆状部分在形态结构上与杆状部分相连的特点，若在参考格网周围出现连续发散的横向格网此时则认为是杆状物的非杆件部分并对此进行保留。算法示意图如下图4(a)和图4(b)所示。完成此步之后对于杆状物非杆件部分的保留还是有所遗漏，对于高出杆状物的部分如路灯的灯头以及没有和杆状物直接相连的部分如红绿灯的下半部分还是不能完整的保留下来，于是本专利采用一种单向双编码策略来对此进行二次保留。单向双编码法的数学模型表示为d(n1,n2)，其中n1,n2分别表示为在某列中由下至上的体素编码数与包含点云的体素编码数。详细的算法思想是：以每一纵列的体素格网为研究对象，双编码的其中之一是由体素格网的最低点格网开始编码一直至最高点格网。另外一个编码则是以出现点云的体素作为编码的初始体素来进行编码处理，遇到包含点云的体素才进行编码。对于上述未保留下来点云数据利用双编码之差大于某一阈值的特点来进行保留，同时对于低矮植被有两编码相近这一特点也可以对其进行一定的滤除。经过这两步处理之后的杆状物点云如下图5所示。
46.为了能够得到更加纯净的杆状物点云数据，本发明使用欧式距离聚类与投影高差相结合的方法来对杆状物点云进行净化处理，首先通过欧式距离聚类将距离相近的点划分为同一点簇，当点簇的数目过小时则认为此点为噪声点，以簇为单位进行点云的滤除。这一操作可以有效的将一些离群点进行去除。在去除离群点之后将三维点根据z轴进行二维投影，将投影后的点云划分为比上述所提到的更细小的格网，当格网中的点的最大高度与格网内高差小于阈值时则认为此是低矮植被也对其进行滤除。净化后的点云如下图6所示。
47.在杆状物点云分割的基础上，进行类别的确定和属性输出。首先选取分割后的某一完整杆件点云作为标准模型，并获取该标准模型的r邻域特征，其中共包括属性特征与几何特征共14维。具体包括：强度、高差、高程方差、各项异性、面特征、球特征、全方差、线特征、圆柱高差、圆柱内点数、密度、体密度、曲率、粗糙度。定义为一个14维的特征向量。
48.将特征向量输入随机森林模型训练得到局部邻域特征的分类器模型，之后对提取出的杆件进行整体的r邻域下的特征求取，构成特征向量并利用上述所训练好的分类器进行局部邻域下的杆状物分类。
49.单单依靠局部邻域去做识别因为其只考虑到了点云局部邻域内所表现出的特征，所以其分类效果并不鲁棒，于是本方法又结合点云的全局特征去进行杆状物的分类，步骤如下：首先将提取出的杆状物进行欧式聚类，将大场景的点云聚类为点云簇，之后按照切片聚类的方式进行落地点求取，计算两两落地点之间的距离，若两落地点之间的距离过小，则认为两个杆状物实体之间存在相互重叠的现象，并且将其提取出来，将提取出来的重叠部分生成两种不同限制条件下的超体素，将二者超体素进行合并，之后提取出超体素中的杆状超体素，之后将球类超体素按照距离归类到最近的杆状物上，在球状超体素生长完成后面状超体素也按照此方案进行归类。通过上述的方法便可以将互相重叠的杆状物进行分离出来，互相重叠的地物分割效果如下图7所示。
50.将聚类后的点云按照上述条件进行处理可以获得互不重叠的杆状物，在采集回来的数据中挑选一部分较为完整的杆状物点云进行全局特征的求取。其中全局特征共包括杆状物的外包围盒几何尺寸、杆状物平均强度、超体素的不同占比。之后按照局部的训练方法将其投入到随机森林模型中，这样便训练好了基于全局特征的杆状物分类器，按照同样的方法对分割后的点云进行全局特征求取，并且将其投入到训练好的随机森林模型之中作为预测样本进行预测。
51.在局部邻域特征下做出的预测结果因为只考虑到了某个邻域下的点云特征所以预测结果对于缺失的情况较为鲁棒，但是对于一些相似的杆状物只考虑邻域特征并不能将二者进行识别出来。相较于局部特征来说全局特征的识别结果对于相似的杆状物识别结果则更为鲁棒，但是因为是考虑点云全局下的特征所以此识别结果对于缺失以及空间形态上表现较为矮小的树木识别结果并不理想。于是本方法将二者识别结果进行融合，实验结果证明相比于单一尺度下的识别结果本方法有效的提高了识别精度。二者融合的识别结果如下表1所示，在精度评定上本发明使用式3所示的判定方法。
[0052][0053][0054]
其中rdp表示正确提取率，adp表示提取完整率。a为正确提取数量，b为错误提取数量，c为实际数量。经验证本发明的识别准确率可达96％，在一定程度上较之前方法确实提高了识别准确率。
[0055]
表1 二者融合的识别结果表
[0056]
种类实际数量(c)正确数量(a)漏提数量(n)错提数量(b)rdp(％)adp(％)标识牌4400100100低矮标识牌211010050低矮红绿灯21115050红绿灯43126075
监控761185.785.7路灯26242010092.3树木1541522010098.7
[0057]
本发明基于车载三维激光点云数据，遵循道路杆件在z方向连续以及非杆件部分与杆件部分垂直延伸的先验知识，并且结合单向双编码准则对道路杆状物点云进行了有效的提取，在重叠区域的分割上本发明使用了不同规则约束下的超体素相互结合的方法，有效的对重叠区域进行了分割。简明直观的提取规则有效提高了分割效率，杆状物的完完整提取后续分类带来了极大的便利。在杆状物分类部分，使用了不同尺度下识别结果相互融合的方法，有效的降低了单一尺度特征下点云识别的局限性，提高了识别的精度。并且识别结果更加的稳定，更加的普适高效。