基于車載激光掃描點(diǎn)云的路燈桿自動(dòng)提取技術(shù)的制作方法
【專利摘要】本發(fā)明公開了基于車載激光掃描點(diǎn)云的路燈桿自動(dòng)提取技術(shù)，包括以下步驟：進(jìn)行過濾地面點(diǎn)以及把非地面點(diǎn)分割成超體素集的預(yù)處理；對場景中所有可能是路燈的桿狀物體進(jìn)行定位；進(jìn)行位置導(dǎo)向分割得到桿狀物體；通過提取的桿特征和全局特征用來描述分割得到的桿狀物體；用人工標(biāo)注好的訓(xùn)練樣本對隨機(jī)森林和分類器支持向量機(jī)進(jìn)行訓(xùn)練，使用訓(xùn)練好的隨機(jī)森林和分類器支持向量機(jī)對步驟S3分割出來的桿狀物體進(jìn)行分類識(shí)別出路燈桿。本發(fā)明算法在路燈殘缺或者被遮擋等復(fù)雜的環(huán)境下也有良好的魯棒性，并且算法的時(shí)間復(fù)雜度很低，可以快速地應(yīng)用到大規(guī)模場景的點(diǎn)云。
【專利說明】
基于車載激光掃描點(diǎn)云的路燈桿自動(dòng)提取技術(shù)
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及智能交通系統(tǒng)W及智慧城市的建設(shè)，尤其設(shè)及基于車載激光掃描點(diǎn)云 的路燈自動(dòng)提取技術(shù)。
【背景技術(shù)】
[0002] 點(diǎn)云的路燈桿提取方法目前有分為=大類，分別是基于形狀特征的算法、基于先 驗(yàn)知識(shí)的算法W及基于形狀模板匹配的算法。Yokoyama等人在Internat ional Journal of CAD/CAM發(fā)表的論文《Detection and classification of pole-like objects from mobile laser scanning data of urban environments》中首先把輸入點(diǎn)云的地面點(diǎn)進(jìn)行 過濾，接著使用K近鄰算法對點(diǎn)云進(jìn)行分割，下面使用拉普拉斯算子對分割后的點(diǎn)云進(jìn)行平 滑處理來除去噪點(diǎn)的影響，最后使用主成分分析對點(diǎn)云進(jìn)行分類提取出桿狀物體。Sherif 等人在會(huì)議Proceedin邑S of the 2011 IEEE International Workshop on Multi- Platform/Multi-Sensor Remote Sens ing and Mapping發(fā)表的論文《Detection of road poles from mobile terrestrial laser scanning point clouds》中首先對輸入的點(diǎn)云 建立K的對便于鄰域捜索，接著使用多個(gè)值來測試K近鄰聚類的效果，從中選擇一個(gè)最好的值 進(jìn)行聚類。接著根據(jù)K近鄰的分割和主成分分析分析計(jì)算出點(diǎn)的協(xié)方差矩陣的特征值進(jìn)行 進(jìn)一步的分割，最后擬合出圓柱形從而提取出路燈桿。W上的兩種算法都用到了 K近鄰聚類 算法來聚類點(diǎn)，運(yùn)種算法對于路燈桿被遮擋的場景下分割性能會(huì)受到影響。從而影響到了 上述算法的提取路燈桿的性能。化等人在會(huì)議Proceedings of the 19th IE邸Internat ional Conference on Geoinformatics發(fā)表的論文《A novel approach to extracting street lamp from vehicle-borne laser data》中首先把點(diǎn)云投影到平面進(jìn)行網(wǎng)格化，接 著計(jì)算出每一個(gè)網(wǎng)格內(nèi)最大的高度值，即是點(diǎn)坐標(biāo)的Z值。接下來設(shè)置一個(gè)高度的闊值來提 取路燈桿，如果網(wǎng)格內(nèi)最大的高度值高于運(yùn)個(gè)闊值，運(yùn)個(gè)網(wǎng)格內(nèi)的點(diǎn)就當(dāng)做是路燈桿。但是 該算法有兩個(gè)較大的弊端。第一，該算法很容易把高于路燈桿高度的其他物體也檢測為路 燈桿，造成虛景率較高;第二，對于不同的輸入點(diǎn)云數(shù)據(jù)，該算法的高度闊值需要重新進(jìn)行 人工調(diào)整，算法自動(dòng)化程度較低。Yu等人在IE趾Transactions on Geoscience and Remote Sens ing發(fā)表的論文《Semiautomated extraction of street light poles from mobi Ie I idar POint-cIouds》中首先過濾路面點(diǎn)，接著根據(jù)空間幾何距離進(jìn)行初步的聚 類，接下來人工判斷路燈桿和其他物體是否連接在一起，若連接在一起則使用N-CUt (Normalized cut)算法進(jìn)行分離。最后使用事先選定好的路燈桿的模板進(jìn)行匹配，從而提 取出路燈桿。但是該算法需要人工判斷是否進(jìn)行分割，算法的自動(dòng)化程度不夠高。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提供一種路燈桿在被遮擋的情況下 也不受影響的基于車載激光掃描點(diǎn)云的路燈桿自動(dòng)提取技術(shù)。
[0004] 為實(shí)現(xiàn)上述目的，本發(fā)明采用W下技術(shù)方案：
[0005] 基于車載激光掃描點(diǎn)云的路燈桿自動(dòng)提取技術(shù)，包括W下步驟：
[0006] S1、進(jìn)行過濾地面點(diǎn)W及把非地面點(diǎn)分割成超體素集的預(yù)處理；
[0007] S2、對場景中所有可能是路燈的桿狀物體進(jìn)行定位；
[0008] S3、進(jìn)行位置導(dǎo)向分割得到桿狀物體；
[0009] S4、通過提取的桿特征和全局特征用來描述分割得到的桿狀物體；
[0010] S5、用人工標(biāo)注好的訓(xùn)練樣本對隨機(jī)森林和分類器支持向量機(jī)進(jìn)行訓(xùn)練，使用訓(xùn) 練好的隨機(jī)森林和分類器支持向量機(jī)對步驟S3分割出來的桿狀物體進(jìn)行分類，最終識(shí)別出 路燈桿。
[0011] 步驟Si具體包括W下步驟：
[0012] S11、根據(jù)車載激光掃描系統(tǒng)得到的行車軌跡數(shù)據(jù)對原始點(diǎn)云進(jìn)行分割成段；
[0013] S12、使用基于隨機(jī)抽樣一致性算法對每段數(shù)據(jù)進(jìn)行地面點(diǎn)的過濾；
[0014] S13、使用超體素的分割算法把非路面點(diǎn)分割成超體素集，計(jì)算每一個(gè)超體素包括 點(diǎn)的數(shù)目、最高的點(diǎn)、最低的點(diǎn)、點(diǎn)集重屯、、投影的凸包面積W及超體素的包圍盒的特征。
[0015] 步驟S2具體包括W下步驟：
[0016] S21、獲取初始定位圖；
[0017] S22、若獲取的點(diǎn)云道路兩邊密度差異較大，則使用球體下落算法獲得最終定位 圖，若密度差異不大則直接生成最終定位圖；
[0018] S23、最終定位圖生成。
[0019] 步驟S3具體包括W下步驟：
[0020] S31、提取桿狀物體的豎桿部分，根據(jù)重屯、條件、比例條件和整體條件進(jìn)行超體素 的分類，從而分割出桿狀物體；
[0021] S32、提取桿狀物體的燈泡部分。
[0022] 步驟S4具體包括W下步驟：
[0023] S41、計(jì)算路燈桿桿狀特征；
[0024] S42、計(jì)算路燈桿全局特征。
[0025] 步驟S5具體為描述桿狀物體的特征向量歸一化，接著使用人工標(biāo)記好的數(shù)據(jù)對分 類器支持向量機(jī)和隨機(jī)森林進(jìn)行訓(xùn)練，最后使用分類器對分割出的桿狀物體進(jìn)行分類。
[0026] 采用上述技術(shù)方案后，本發(fā)明與【背景技術(shù)】相比，具有如下優(yōu)點(diǎn)：
[0027] 本發(fā)明算法在路燈殘缺或者被遮擋等復(fù)雜的環(huán)境下也有良好的魯棒性，并且算法 的時(shí)間復(fù)雜度很低，可W快速地應(yīng)用到大規(guī)模場景的點(diǎn)云。對于智能交通系統(tǒng)和智慧城市 的建設(shè)有著很好的推動(dòng)力，從而本發(fā)明有著重要的實(shí)際應(yīng)用價(jià)值。
【附圖說明】
[0028] 圖1為本發(fā)明方法的流程圖；
[0029] 圖2為路燈桿提取每一階段的效果圖，其中圖2(a)為原始S維點(diǎn)云場景；圖2(b)為 地面點(diǎn)過濾效果圖；圖2(c)為超體素分割效果圖；圖2(d)為桿狀物體的定位示意圖；圖2(e) 為獲取的桿狀物體的位置信息和超體素的特征；圖2(f)為桿狀物體的分割；圖2(g)為特征 計(jì)算;圖2化)訓(xùn)練分類器;圖2(i)為提取的路燈桿。
[0030] 圖3為點(diǎn)云定位圖生成過程效果圖，其中圖3(a)為原始S維點(diǎn)云場景；圖3(b)為點(diǎn) 云網(wǎng)格化；圖3(c)為網(wǎng)格化點(diǎn)云中的一個(gè)網(wǎng)格;圖3(d)為初始定位圖，圈內(nèi)表示圖3(c)中的 特定網(wǎng)格對應(yīng)的像素；圖3(e)為最終定位圖；圖3(f)為桿狀物體的位置，圖上的點(diǎn)表示最后 檢測到的桿狀物體的位置；
[0031] 圖4為采用球體下落算法的示意圖，其中圖4(a)初始化；圖4(b)為捜尋符合條件的 超體素，并且計(jì)算從球屯、到超體素重屯、的平均距離；圖4(c)為凸包面積的計(jì)算；圖4(d)為球 體下落終止條件；
[0032] 圖5為桿狀物體豎桿的提取示意圖，其中圖5(a)為桿狀物體的超體素；圖5(b)為一 個(gè)超體素的重屯、到檢測出的桿狀物體位置的距離；圖5(c)為超體素上的點(diǎn)到檢測出的桿狀 物體位置的距離;圖5(d)為提取出的桿狀物體的豎桿部分；
[0033] 圖6為提取桿狀物體的路燈部分的過程示意圖，圖6(a)為添加種子超體素集；圖6 (b)為捜尋臨近超體素集；圖6(c)超體素高度的位置關(guān)系；圖6(d)為高度上限；圖6(e)為偏 移距離；
[0034] 圖7為訓(xùn)練樣本，其中圖7(a)為正的訓(xùn)練樣本;圖7(b)為負(fù)的訓(xùn)練樣本。
【具體實(shí)施方式】
[0035] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，W下結(jié)合附圖及實(shí)施例，對 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用W解釋本發(fā)明，并 不用于限定本發(fā)明。
[0036] 實(shí)施例
[0037] 本發(fā)明提出的基于移動(dòng)車載激光掃描點(diǎn)云路燈桿自動(dòng)提取技術(shù)的實(shí)施步驟如下：
[0038] S1、進(jìn)行過濾地面點(diǎn)W及把非地面點(diǎn)分割成超體素集的預(yù)處理
[0039] S11、根據(jù)車載激光掃描系統(tǒng)采集到的行車軌跡數(shù)據(jù)，將原始點(diǎn)云沿著道路的方向 進(jìn)行分割成段；
[0040] S12、對于每一段的點(diǎn)云數(shù)據(jù)，使用基于RANSAC(隨機(jī)抽樣一致性算法)的方法來過 濾地面點(diǎn)。第一次平面擬合得到的內(nèi)群點(diǎn)集的平均高度作為地面點(diǎn)的平均高度。接下來在 每次平面擬合迭代中，計(jì)算擬合得到的內(nèi)群點(diǎn)集中未分類點(diǎn)到該次擬合平面的距離，若距 離小于事先設(shè)定的闊值，則該未分類點(diǎn)歸類于地面點(diǎn)。每次平面擬合迭代的輸入點(diǎn)集都是 未分類的點(diǎn)。平面擬合迭代一直到內(nèi)群點(diǎn)集中存在一個(gè)點(diǎn)大于地面點(diǎn)的平均高度加1或者 內(nèi)群點(diǎn)集中點(diǎn)的數(shù)目保持不變，原始S維點(diǎn)云場景見圖2(a)，地面過濾效果見圖2(b)。
[0041] S13、對非地面點(diǎn)進(jìn)行超體素分割，使用超體素的分割算法把非地面點(diǎn)分割成超體 素集，超體素的分割結(jié)果見圖2(c)，接著計(jì)算每一個(gè)超體素的特征，把超體素的點(diǎn)投影到平 面并計(jì)算其凸包，接著使用=角形有向面積來計(jì)算凸包的面積W及其他特征。超體素的特 征包括:點(diǎn)的數(shù)目、最高的點(diǎn)、最低的點(diǎn)、點(diǎn)集重屯、、投影的凸包面積、超體素的包圍盒。
[0042] S2、對場景中所有可能是路燈的桿狀物體進(jìn)行定位;定位步驟包括：
[0043] S21、獲取初始定位圖；
[0044] (1)網(wǎng)格化過濾
[0045] 非地面點(diǎn)首先沿著X軸和y軸劃分為網(wǎng)格，見圖3(a)所示的原始=維點(diǎn)云場景圖和 圖3(b)所示的點(diǎn)云網(wǎng)格化的效果圖，接下來沿著Z軸計(jì)算出每一個(gè)網(wǎng)格中最大的Z值，如果 運(yùn)個(gè)最大的Z值在射線設(shè)定的范圍化l?，hhigh)內(nèi)，則保留運(yùn)個(gè)網(wǎng)格內(nèi)的點(diǎn)，否則刪除網(wǎng)格內(nèi) 的點(diǎn)。
[0046] (2)投影
[0047] 見圖3(c)網(wǎng)格化點(diǎn)云中的一個(gè)網(wǎng)格，對于網(wǎng)格內(nèi)的每一個(gè)點(diǎn)p(x，y，z)，公式（1)被 用于求出每一個(gè)網(wǎng)格內(nèi)所有f (Z)的和，其中hlamp表示為路燈桿的高度，運(yùn)個(gè)高度可W通過 在點(diǎn)云中手動(dòng)測量出。每一個(gè)網(wǎng)格內(nèi)所有f (Z)的和作為定位圖的像素灰度值，由于圖像灰 度值的范圍在[0-25引之間，因此需要求出最大f (Z)的和進(jìn)行歸一化。所W接著求出所有網(wǎng) 格中最大的f(z)的和，運(yùn)個(gè)值標(biāo)記為f/。
[004引
（1)
[0049] (3)密度差異化處理
[0050] 若只用到了一個(gè)掃描頭的數(shù)據(jù)，道路的兩旁點(diǎn)云密度相差較大，運(yùn)個(gè)時(shí)候需要降 低f/的值。用公式f/=曰? f/來完成(本例中曰值大小為0.67)。
[0051 ] (4)初始定位圖生成
[0052]當(dāng)f/獲得后，公式(2)被用來進(jìn)行歸一化生成初始定位圖Fnfk表示標(biāo)記為k的網(wǎng)格 的f( Z)的巧。所有網(wǎng)格都經(jīng)過公式(2)的處理。M為像素灰度值的最大值255。
[005；3] 城
[0054]巧h米新生成的圖像再運(yùn)用高斯差算法除去圖像的低頻信息，保留高頻信息，見 W下的公式(3)，從而生成了初始定位圖，見圖3(d)所示的初始定位圖，圖中的圈內(nèi)表示圖3 (C)中的特定網(wǎng)格對應(yīng)的像素。
[0化5] F=F-Gaussian(F) (3)
[0056] S22、若獲取的點(diǎn)云道路兩邊密度差異較大，則使用球體下落算法獲得最終定位 圖，若密度差異不大則直接生成最終定位圖；
[0057] (1)下落條件
[0058] 在每一個(gè)網(wǎng)格中，如果運(yùn)個(gè)網(wǎng)格內(nèi)有足夠多的點(diǎn)大于一定的闊值。并且最大Z坐標(biāo) 的值大于一定的闊值。那么一個(gè)半徑為n的虛擬球體放置在運(yùn)個(gè)網(wǎng)格上的最高點(diǎn)上準(zhǔn)備下 落，見圖4(a)，當(dāng)球屯、到達(dá)地面的時(shí)候，球體停止下落，見圖4(d)。
[0059] (2)捜尋符合條件的超體素
[0060] 在球體下落的過程中，如果有足夠多的超體素的重屯、在球體的半徑范圍內(nèi)（見圖4 (b)所示捜尋符合條件的超體素，并且計(jì)算從球屯、至超體素重屯、的平均距離），并且運(yùn)些超 體素的平面投影凸包面積小于一定的闊值St(見圖4(c)凸包面積的計(jì)算），運(yùn)個(gè)時(shí)候球體下 落的位置就可能是路燈桿的位置，需要加強(qiáng)運(yùn)個(gè)位置的檢測，即提高定位圖中運(yùn)個(gè)位置的 像素灰度值，讓其更亮。
[0061] (3)添加相應(yīng)的像素值
[0062] 檢測出定位圖上需要加強(qiáng)灰度值的位置后，需要計(jì)算灰度值增加量?；叶戎翟黾?量與球體下落的過程遇到的符合條件的超體素的數(shù)目和超體素距球體中屯、的位置有關(guān)系。 最終定位圖的反向圖見圖3(e)。
[0063] S23、最終定位圖生成。
[0064] 當(dāng)球體下落算法對于所有的網(wǎng)格都執(zhí)行后，最終的定位圖生成。運(yùn)個(gè)時(shí)候設(shè)置一 個(gè)像素灰度值Pt,使用廣度優(yōu)先捜索算法獲得連接區(qū)域（connected area)，當(dāng)獲得連接區(qū) 域W后，每一個(gè)區(qū)域的中屯、點(diǎn)就當(dāng)作是桿狀物體的位置，見圖2(d)桿狀物體的定位和圖3 (f)(圖中的點(diǎn)表示最后檢測到的桿狀物體的位置）。每一個(gè)檢測到的位置被賦予一個(gè)唯一 的ID號(hào)，見圖2(e)。
[0065] S3、進(jìn)行位置導(dǎo)向分割得到桿狀物體
[0066] 位置導(dǎo)向分割分為兩個(gè)主要的步驟，第一步是桿狀物體豎桿的提取;第二步是桿 狀物體路燈泡部分的提取。位置導(dǎo)向分割主要是把未分類的超體素根據(jù)檢測出的位置而進(jìn) 行分類，從而分割出桿狀物體。檢測出的每一個(gè)桿狀物體的位置都進(jìn)行超體素的分類。運(yùn)個(gè) 分類的順序由桿狀物體的位置所對應(yīng)的最終生成定位圖上像素灰度值大小所決定。灰度值 越大，運(yùn)個(gè)桿狀物體的位置越先進(jìn)行超體素的分類。具體分析如下：
[0067] (1)提取桿狀物體的豎桿部分
[0068] 位置導(dǎo)向分割首先提取桿狀物體的豎桿部分，根據(jù)路燈桿的高度和橫截面積運(yùn)兩 個(gè)特征，=個(gè)條件被設(shè)計(jì)出來用于超體素的分類。
[0069] 重屯、條件
[0070] 見圖2(f)所示的桿狀物體的分割，通常來說路燈桿是垂直于路面，并且在一個(gè)網(wǎng) 格內(nèi)路面點(diǎn)的Z坐標(biāo)幾乎都是一樣的。所W -個(gè)未分類的超體素的重屯、g到一個(gè)檢測出的位 置Ik的距離dis(g，lk)可W由公式4計(jì)算獲得。
[0071]
(4)
[0072] (Xg，yg)和(1?,:!?)分別是未分類的超體素的重必g和檢測出的位置Ik的平面坐 標(biāo)。dis(g，lk)的值應(yīng)該小于dg，見圖5(a)所示的桿狀物體的超體素W及圖5(b)所示的一個(gè) 超體素的重屯、到檢測出的桿狀物體位置的距離。
[0073] 比例條件
[0074] 一個(gè)未分類超體素上的點(diǎn)Ps到檢測出的位置Ik的距離也可W由上述的公式4計(jì)算 獲得。運(yùn)個(gè)距離應(yīng)該小于din，見圖5(C)所示的超體素上的點(diǎn)到檢測出的桿狀物體位置的距 離。符合此條件的點(diǎn)占未分類超體素內(nèi)全部點(diǎn)的比例應(yīng)該高于M本例中A設(shè)置為0.5)。
[00巧]整體條件
[0076] 滿足W上兩個(gè)條件的未分類的超體素集Sk可W計(jì)算獲得。如果運(yùn)個(gè)超體素集Sk內(nèi) 超體素的數(shù)目N(Sk)大于事先設(shè)定的闊值m，并且Sk上面所有超體素的點(diǎn)的數(shù)目Np(Sk)大于 事先設(shè)定的闊值np，那么檢測出的位置Ik的ID號(hào)將被賦值給超體素集Sk內(nèi)所有的超體素，見 圖5 (d)所示提取出的桿狀物體的豎桿部分。
[0077] (2)提取桿狀物體的燈泡部分
[0078] 運(yùn)一步主要是提取路燈桿的上部燈泡部分，從一個(gè)路燈桿的構(gòu)造觀察可W得出如 果一個(gè)未分類的超體素距分割得出的桿狀物體的豎桿的頂端很近，并且在其上部，同時(shí)運(yùn) 個(gè)超體素在檢測位置一定范圍內(nèi)，那么就可W推斷出運(yùn)個(gè)未分類的超體素很有可能屬于運(yùn) 個(gè)檢測出的位置的桿狀物體?；赪上觀察，本步驟的詳細(xì)過程如下所示。
[0079] 添加種子超體素
[0080] 首先，在位置1止，上一步驟分割得到的桿狀物體的頂點(diǎn)PpeUpe, ype，Zpe)可W計(jì)算 獲得（即在位置Ik上分類得到的超體素集Sk的頂點(diǎn)）。超體素的重屯、在該頂點(diǎn)。長度范圍內(nèi) 的超體素集可W捜索得到，見圖6(a)所示的添加種子超體素集的示意圖。運(yùn)樣的超體素集 作為種子超體素集Sseed被添加進(jìn)隊(duì)列Q里。種子超體素集Sseed內(nèi)的超體素被添加進(jìn)隊(duì)列的順 序由超體素的重屯、到頂點(diǎn)Ppe的距離所決定，距離越小，越先被添加進(jìn)隊(duì)列Q中。接下來隊(duì)列Q 里的首元素被作為種子超體素 U并且被移出隊(duì)列Q。
[0081 ] 擴(kuò)展
[0082] 獲得種子超體素 U后，U的重屯、臨近范圍。長度內(nèi)的未分類的超體素集可W獲得， 見圖6(b)所示的捜尋臨近超體素集。接下來設(shè)置了=個(gè)添加超體素集中超體素 Sn到隊(duì)列Q 的條件，W下是=個(gè)條件。
[0083] (I)U的最高點(diǎn)Z坐標(biāo)的值要小于Sn內(nèi)最低點(diǎn)的Z坐標(biāo)加上Ig的值，見圖6 (C)所示的 超體素高度的位置關(guān)系。
[0084] (2)Sn的最高點(diǎn)的Z坐標(biāo)的值要小于已估算出的路面高度的值hg加上路燈桿高度 hlamp的值，見圖6(d)所示的高度上限。
[0085] (3)Sn的包圍盒的八個(gè)角點(diǎn)到檢測位置Ik的距離的最大值要小于cU，見圖6(e)所示 的偏移距離，此距離可W由公式4獲得。
[0086] 超體素分類
[0087] 滿足W上=個(gè)條件的未分類的超體素歸類于已經(jīng)屬于位置Ik的超體素集Sk(即把 Ik的ID號(hào)賦值給滿足W上=個(gè)條件的未分類的超體素集）。同時(shí)把運(yùn)些超體素集中的超體 素按照超體素的重屯、到種子超體素的重屯、的距離長度，從小到大依次添加進(jìn)入隊(duì)列Q。
[0088] 擴(kuò)展的終止條件
[0089] 接下來把隊(duì)列Q中的首元素作為一個(gè)新的種子超體素。W上的運(yùn)個(gè)過程一直重復(fù) 到隊(duì)列Q為空為止。每一個(gè)檢測出的位置都進(jìn)行運(yùn)種位置導(dǎo)向分割來分類未分類的超體素。 分割后的效果圖見圖2(f)。分割得到的物體的最高點(diǎn)PsuUsu, ysu，Zsu)可W計(jì)算獲得。接下來 向量Vh可W由公式Vh = ( Xsu-Xpe，ysu-ype，Zsu-Zpe )。最后向量Vh與向量(0，0，1 )之間的夾角可 W計(jì)算得出用于后面的分類。
[0090] S4、通過提取的特征用來描述分割得到的桿狀物體
[0091] 兩大類特征(桿特征和全局特征)被設(shè)計(jì)出用來描述分割得到的桿狀物體，見圖2 (g)所示的特征計(jì)算示意圖。
[0092] (1)計(jì)算桿特征
[0093] 完成提取桿狀物體的豎桿部分的步驟后，W下九個(gè)特征被計(jì)算得出來描述桿狀物 體的豎桿部分，分別是：（1)桿的高度；（2)桿上點(diǎn)的平均高度；（3)桿上點(diǎn)的高度的標(biāo)準(zhǔn)差； (4)桿上超體素二維投影凸包面積的平均值；（5)桿上超體素二維投影凸包面積的標(biāo)準(zhǔn)差； (6)桿的二維投影的凸包面積；（7)桿的體積；（8)桿上點(diǎn)的數(shù)目；（9)桿上超體素二維投影凸 包面積小于St的超體素的數(shù)目。
[0094] (2)計(jì)算全局特征
[0095] 完成提取桿狀物體的燈泡部分的步驟后，W下十個(gè)特征被計(jì)算得出用來描述物體 的整體特征，分別是：（1)物體高度；（2)物體上所有點(diǎn)的平均高度；（3)物體上所有點(diǎn)的高度 標(biāo)準(zhǔn)差；（4)物體對應(yīng)最終定位圖的像素灰度值的大小(見圖3(e)); (5)物體上所有點(diǎn)的二 維平面投影凸包面積；（6)物體體積；（7)物體的重屯、與幾何重屯、的高度差；（8)物體上所有 點(diǎn)的數(shù)目；（9)在分割的第一個(gè)步驟后得到的豎桿上的頂點(diǎn)Im范圍內(nèi)的超體素的數(shù)目；（10) 向量Vh與向量(0,0，1)之間的夾角。
[0096] S5、分類
[0097] 通過事先訓(xùn)練好的分類器識(shí)別出路燈桿和非路燈桿。描述桿狀物體的特征向量在 分類之前要進(jìn)行歸一化處理。使用人工標(biāo)記好的數(shù)據(jù)集對分類器支持向量機(jī)(SVM)和隨機(jī) 森林(random foreSt)進(jìn)行訓(xùn)練，訓(xùn)練樣本見圖7 (a)正的訓(xùn)練樣本和圖7 (b)負(fù)的訓(xùn)練樣本。 接著使用訓(xùn)練好的支持向量機(jī)和隨機(jī)森林對分割出來的桿狀物體進(jìn)行分類，從而最終提取 出路燈桿。
[0098] W上所述，僅為本發(fā)明較佳的【具體實(shí)施方式】，但本發(fā)明的保護(hù)范圍并不局限于此， 任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明掲露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換， 都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該W權(quán)利要求的保護(hù)范圍 為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 基于車載激光掃描點(diǎn)云的路燈桿自動(dòng)提取技術(shù)，其特征在于:包括以下步驟： 51、 進(jìn)行過濾地面點(diǎn)以及把非地面點(diǎn)分割成超體素集的預(yù)處理； 52、 對場景中所有可能是路燈的桿狀物體進(jìn)行定位； 53、 進(jìn)行位置導(dǎo)向分割得到桿狀物體； 54、 通過提取的桿特征和全局特征用來描述分割得到的桿狀物體； 55、 用人工標(biāo)注好的訓(xùn)練樣本對隨機(jī)森林和分類器支持向量機(jī)進(jìn)行訓(xùn)練，使用訓(xùn)練好 的隨機(jī)森林和分類器支持向量機(jī)對步驟S3分割出來的桿狀物體進(jìn)行分類，最終識(shí)別出路燈 桿。2. 根據(jù)權(quán)利要求1所述的基于車載激光掃描點(diǎn)云的路燈桿自動(dòng)提取技術(shù)，其特征在于： S1具體包括以下步驟： 511、 根據(jù)車載激光掃描系統(tǒng)得到的行車軌跡數(shù)據(jù)對原始點(diǎn)云進(jìn)行分割成段； 512、 使用基于隨機(jī)抽樣一致性算法對每段數(shù)據(jù)進(jìn)行地面點(diǎn)的過濾； 513、 使用超體素的分割算法把非路面點(diǎn)分割成超體素集，計(jì)算每一個(gè)超體素包括點(diǎn)的 數(shù)目、最高的點(diǎn)、最低的點(diǎn)、點(diǎn)集重心、投影的凸包面積以及超體素的包圍盒的特征。3. 根據(jù)權(quán)利要求1所述的基于車載激光掃描點(diǎn)云的路燈桿自動(dòng)提取技術(shù)，其特征在于： S2具體包括以下步驟： 521、 獲取初始定位圖； 522、 若獲取的點(diǎn)云道路兩邊密度差異較大，則使用球體下落算法獲得最終定位圖，若 密度差異不大則直接生成最終定位圖； 523、 最終定位圖生成。4. 根據(jù)權(quán)利要求1所述的基于車載激光掃描點(diǎn)云的路燈桿自動(dòng)提取技術(shù)，其特征在于： S3具體包括以下步驟： 531、 提取桿狀物體的豎桿部分，根據(jù)重心條件、比例條件和整體條件進(jìn)行超體素的分 類，從而分割出桿狀物體； 532、 提取桿狀物體的燈泡部分。5. 根據(jù)權(quán)利要求1所述的基于車載激光掃描點(diǎn)云的路燈桿自動(dòng)提取技術(shù)，其特征在于： S4具體包括以下步驟： 541、 計(jì)算路燈桿桿狀特征； 542、 計(jì)算路燈桿全局特征。6. 根據(jù)權(quán)利要求1所述的基于車載激光掃描點(diǎn)云的路燈桿自動(dòng)提取技術(shù)，其特征在于： S5具體為描述桿狀物體的特征向量歸一化，接著使用人工標(biāo)記好的數(shù)據(jù)對分類器支持向量 機(jī)和隨機(jī)森林進(jìn)行訓(xùn)練，最后使用分類器對分割出的桿狀物體進(jìn)行分類。
【文檔編號(hào)】G06T7/00GK106022381SQ201610354980
【公開日】2016年10月12日
【申請日】2016年5月25日
【發(fā)明人】李軍, 吳凡, 溫程璐, 陳平, 陳一平, 賈宏, 王程
【申請人】廈門大學(xué)