基于三维激光点云的复杂道路场景杆状交通设施语义分类

发布时间：2021-02-16 06:44

　　文章提出一种完整的全自动化处理框架,基于三维激光点云数据对高速公路和城市道路场景的杆状目标进行了检测和分类,主要包括3个步骤:数据预处理、杆状目标检测和分类。其中,在数据预处理阶段,采用基于布料模拟滤波算法自动分离地面点和非地面点,然后基于欧氏距离聚类方法对非地面点进行快速聚类,以及采用迭代图割算法进一步分割目标对象;在目标检测阶段,集成先验信息、形状信息和位置导向搭建滤波器,对杆状目标进行检测;在对象分类过程中基于多属性特征,利用随机森林分类器对目标的特征进行计算和分类。并使用3个道路场景数据集进行测试,结果显示,3个数据集的整体MCC系数为95.6%,分类准确率为96.1%。这说明文章所构建方法具有较高性能。另外,该方法还可以鲁棒地检测杆状目标的重叠区域,较为适应复杂程度不同的道路场景。 

【文章来源】：热带地理. 2020,40(05)北大核心

【文章页数】：10 页

【部分图文】：

杆状设施语义分类结果示例

与其他物体相比，杆状物体具备垂直结构，且趋于规则和平坦；而树木等干扰性物体是不规则和分散的，所以将杆状物体的特定结构形状作为形状信息。利用协方差矩阵的截面分析和最小归一化特征值描述具体物体的形状。首先将对象分成水平切片，进行横截面分析，计算每个切片的对角线长度，通过长度比较计算相邻切片之间的差值。设定一个长度差阈值dl，如果计算得到的长度差值小于该阈值，则2个切片增长聚类为一个切片。对于任何一个增长聚类得到的切片，如果平均对角线长度小于阈值dt，且垂直高度满足之前先验信息约束下的高度阈值，则该对象被视为杆状对象。对于具体对象的每一个点，先计算协方差矩阵；再计算协方差矩阵的特征值（λ1>>λ2>>λ3），然后通过公式（1）获取特征值的线性组合，最后用最小的归一化散射特征值表示对象的离散程度。散射性越大，物体越不规则，根据计算得到的散射值SCt区分杆状道路设施和树木。位置导向分割主要分成2个步骤，先进行竖杆提取，再提取杆状物体的顶端部件。通常情况下，杆状物体是垂直于路面的，并且一定邻域内点的Z值几乎一样。所以可根据公式（2）得到杆状类簇重心g到检测位置lk的距离dis(g,lk)(Wu et al.,2017）。

根据不同杆状物体的构造可以得出，顶端部件离物体的竖杆很近，并且高度值大于杆。首先在位置lk上计算出杆状物体的顶点pe的坐标值(xe,ye,ze)，然后在该顶点的一定范围内（其值为该顶点到边界点距离的最大值）搜索得到重心g。选中的点作为种子点sseed被添加进队列Q，添加的顺序由重心到顶点的距离决定，距离越小，添加顺序越靠前，队列Q里的首元素作为新的种子点被移出队列。通过新的种子点进行区域增长，从而聚类获得其一定邻域内的点，成为新的簇类。聚类的条件有3个：1）邻近点云块的最低点Z值加上重心Z值要大于种子点Z值；2）邻近点云块的最高点Z值小于地面高度加上杆状物体高度；3）邻近点云块包围盒的8个角点到检测位置lk距离的最大值小于公式（2）计算得到的dis(g,lk)值。以上过程重复到队列Q为空为止，从复杂场景检测出的杆状设施结果如图4所示。1.3 杆状道路目标分类

【参考文献】：
期刊论文
[1]车载点云中杆状地物的形态分析与分类研究[J]. 杨洲,康志忠,杨俊涛,周梦蝶,孔民.  测绘科学. 2020(01)
[2]基于车载LiDAR点云的杆状地物分类研究[J]. 董亚涵,李永强,李鹏鹏,范辉龙.  测绘工程. 2019(06)
[3]功能性规则约束下的三维点云道路设施语义标注[J]. 蒋腾平,王永君,陶帅兵,李云莉,刘姗.  南京师范大学学报(工程技术版). 2018(04)
[4]车载激光点云中杆状目标自动提取[J]. 王鹏,刘如飞,马新江.  遥感信息. 2017(05)
[5]车载LiDAR场景中路灯的提取与识别[J]. 张西童,刘会云,李永强,黄腾达,李有鹏.  测绘工程. 2016(09)
[6]车载激光扫描数据中多类目标的层次化提取方法[J]. 董震,杨必胜.  测绘学报. 2015(09)



本文编号：3036360