本發(fā)明專利技術(shù)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(duì)場(chǎng)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(duì)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(duì)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)明專利技術(shù)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(chǎng)景的點(diǎn)云。
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及智能交通系統(tǒng)以及智慧城市的建設(shè)，尤其涉及基于車載激光掃描點(diǎn)云的路燈自動(dòng)提取技術(shù)。
技術(shù)介紹
點(diǎn)云的路燈桿提取方法目前有分為三大類，分別是基于形狀特征的算法、基于先驗(yàn)知識(shí)的算法以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(duì)點(diǎn)云進(jìn)行分割，下面使用拉普拉斯算子對(duì)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(duì)點(diǎn)云進(jìn)行分類提取出桿狀物體。Sherif等人在會(huì)議Proceedings 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(duì)輸入的點(diǎn)云建立KD樹便于鄰域搜索，接著使用多個(gè)值來測(cè)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。以上的兩種算法都用到了K近鄰聚類算法來聚類點(diǎn)，這種算法對(duì)于路燈桿被遮擋的場(chǎng)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。Hu等人在會(huì)議Proceedings of the 19th IEEE 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)高度的閾值來提取路燈桿，如果網(wǎng)格內(nèi)最大的高度值高于這個(gè)閾值，這個(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(cè)為路燈桿，造成虛景率較高；第二，對(duì)于不同的輸入點(diǎn)云數(shù)據(jù)，該算法的高度閾值需要重新進(jìn)行人工調(diào)整，算法自動(dòng)化程度較低。Yu等人在IEEE Transactions on Geoscience and Remote Sens ing發(fā)表的論文《Semiautomated extraction of street light poles from mobile lidar point-clouds》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。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)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)。為實(shí)現(xiàn)上述目的，本專利技術(shù)采用以下技術(shù)方案：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：S1、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；S2、對(duì)場(chǎng)景中所有可能是路燈的桿狀物體進(jìn)行定位；S3、進(jìn)行位置導(dǎo)向分割得到桿狀物體；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；S5、用人工標(biāo)注好的訓(xùn)練樣本對(duì)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(duì)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。步驟S1具體包括以下步驟: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(duì)原始點(diǎn)云進(jìn)行分割成
段；S12、使用基于隨機(jī)抽樣一致性算法對(duì)每段數(shù)據(jù)進(jìn)行地面點(diǎn)的過濾；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)集重心、投影的凸包面積以及超體素的包圍盒的特征。步驟S2具體包括以下步驟：S21、獲取初始定位圖；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；S23、最終定位圖生成。步驟S3具體包括以下步驟:S31、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；S32、提取桿狀物體的燈泡部分。步驟S4具體包括以下步驟:S41、計(jì)算路燈桿桿狀特征；S42、計(jì)算路燈桿全局特征。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(duì)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(duì)分割出的桿狀物體進(jìn)行分類。采用上述技術(shù)方案后，本專利技術(shù)與
技術(shù)介紹
相比，具有如下優(yōu)點(diǎn)：本專利技術(shù)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(chǎng)景的點(diǎn)云。對(duì)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，從而本專利技術(shù)有著重要的實(shí)際應(yīng)用價(jià)值。附圖說明圖1為本專利技術(shù)方法的流程圖；圖2為路燈桿提取每一階段的效果圖，其中圖2(a)為原始三維點(diǎn)云場(chǎng)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(h)訓(xùn)練分類器；圖2(i)為提取的路燈桿。圖3為點(diǎn)云定位圖生成過程效果圖，其中圖3(a)為原始三維點(diǎn)云場(chǎng)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(duì)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(cè)到的桿狀物體的位置；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)為搜尋符合條件的超體素，并且計(jì)算從球心到超體素重心的平均距離；圖4(c)為凸包面積的計(jì)算；圖4(d)為球體下落終止條件；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)超體素的重心到檢測(cè)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(cè)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；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)為搜尋臨近超體素集；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；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)施方式為了使本專利技術(shù)的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本專利技術(shù)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)施例僅僅用以解釋本專利技術(shù)，并不用于限定本專利技術(shù)。實(shí)施例本專利技術(shù)提出的本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
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：S1、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；S2、對(duì)場(chǎng)景中所有可能是路燈的桿狀物體進(jìn)行定位；S3、進(jìn)行位置導(dǎo)向分割得到桿狀物體；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；S5、用人工標(biāo)注好的訓(xùn)練樣本對(duì)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(duì)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。
【技術(shù)特征摘要】
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：S1、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；S2、對(duì)場(chǎng)景中所有可能是路燈的桿狀物體進(jìn)行定位；S3、進(jìn)行位置導(dǎo)向分割得到桿狀物體；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；S5、用人工標(biāo)注好的訓(xùn)練樣本對(duì)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(duì)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: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(duì)原始點(diǎn)云進(jìn)行分割成段；S12、使用基于隨機(jī)抽樣一致性算法對(duì)每段數(shù)據(jù)進(jìn)行地面點(diǎn)的過濾；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...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李軍，吳凡，溫程璐，陳一平，賈宏，王程，
申請(qǐng)(專利權(quán))人：廈門大學(xué)，
類型：發(fā)明
國(guó)別省市：福建;35
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。