基于车载LiDAR点云数据的分类方法
【专利摘要】本发明公开了一种基于车载LiDAR点云数据的分类方法，包括步骤：获取街景的车载LiDAR点云数据，并对其进行预处理，以去除点云数据中冗余数据和噪声，在预处理过程中计算点云的法向量、曲率和密度；对经过预处理的点云数据进行分类，根据点云的法向量、曲率和密度提取电力线、建筑物立面点以及树木点。本发明的分类方法简单，计算量小，且快捷有效，为街景面片的提取做好了铺垫，使得面片提取更加精准。
【专利说明】基于车载LiDAR点云数据的分类方法
【技术领域】
[0001] 本发明涉及车载LiDAR点云数据处理【技术领域】，尤其涉及一种能有效的提取出建 筑物点、电力线以及树木点的基于车载LiDAR点云数据的分类方法。
【背景技术】
[0002] 随着城市数字化，信息化需求的日益上升，街景地图发展地越来越迅速。车载激光 扫描作为一种先进的测量手段，不仅具有快速、不与测量物接触、实时、动态、主动、高密度 及高精度等特点，而且能采集大面积的三维空间数据和获取建筑物、道路、植被等城市地物 的表面信息，从而为街景面片的提取提供了思路。因此，如何快速精确地对车载激光点云数 据进行分类，已经成为首先需解决的问题之一。
[0003] 国内对激光点云数据的自动分类研究起步较晚，随着激光扫描技术的进步，单纯 基于点云数据的分类研究开始逐渐增多。如基于建筑物几何特征的信息挖掘方法，但该方 法在对地形、地物数据进行分类以及对点云数据的去噪方面，均需要根据已知信息对观测 值进行概算；基于投影点密度的车载激光扫描距离图像分割方法。
[0004] 国外在该领域发展了较为理想的点云数据自动分类识别算法：如根据断面扫描点 的点位空间分布特征（几何特征、分散程度和密度信息）将激光扫描点云数据分类成不同 组的算法，但该算法对混合排列点的识别较为复杂；基于建筑物语义的点云数据特征提取 方法，旨在从地面点云数据中通过提取语义特征来构建墙壁、门、窗户，建筑物凸出部分和 凹进部分以及屋顶等部件的数字模型，其处理过程也较为复杂。
【发明内容】
[0005] 本发明旨在为街景面片提取进行分类，能有效的提取出建筑物点、电力线、树木点 等，并提1?提取精度和速度。
[0006] 为了实现上述目的，本发明所采用的技术方案是：
[0007] 提供一种基于车载LiDAR点云数据的分类方法，包括步骤：
[0008] S1、获取街景的车载LiDAR点云数据，并对其进行预处理，以去除点云数据中冗余 数据和噪声，在预处理过程中计算点云的法向量、曲率和密度；
[0009] S2、对经过预处理的点云数据进行分类，根据得到的点云的法向量、曲率和密度提 取电力线、建筑物立面点以及树木点，其中提取建筑物立面点包括以下步骤：
[0010] S21、找到点云数据在XOY平面上的最小矩形外包框（BoundingBox);
[0011] S22、将所有点云数据在XOY平面上格网化，格网宽高求解公式如下：
【权利要求】
1. 一种基于车载LiDAR点云数据的分类方法，其特征在于，包括步骤： 51、 获取街景的车载LiDAR点云数据，并对其进行预处理，以去除点云数据中冗余数据 和噪声，在预处理过程中计算点云的法向量、曲率和密度； 52、 对经过预处理的点云数据进行分类，根据得到的点云的法向量、曲率和密度提取电 力线、建筑物立面点以及树木点，其中提取建筑物立面点包括以下步骤： 521、 找到点云数据在XOY平面上的最小矩形外包框（BoundingBox); 522、 对全部点云数据在XOY平面上格网化，格网宽高求解公式如下：
式中，boxx,boxy是外包框的X，y方向长度，GSDxy为格网间距； 523、 将全部点云数据与格网建立对应的索引关系，分离地面点和非地面点，包括以下 两种情况： 1) 找到最小高程值Zmin和最大高程值Zmax，在Z方向上进行修正，得到修正后的最小高 程值砬m和最大高程值4ax，设定经验阈值ΛΖ'th，AZ"
若ΛΖ'ΛΖ'th，且ΛΖ2〈ΛΖ"th，判定为地面点，否则为其他类型点； 2) 若目标点数小于设定的最少点数，或者ΛΖ'ΛΖ" th，设定的地面点高程最 大值阈值，ζ?，两种基准的地面点最大高程值，计算公式如下：
若，某点高程值Λ· <ζ?，则为地面点；若Zi <2^，利用点的曲率和法向量，若 私< 且叫< 和Δη^为设定的曲率阈值和法向量变化阈值，Ri为某点的 曲率，ni为对应的法向量；否则点被判定为建筑物点； 524、 步骤S23中将点分类为非地面点和地面点，非地面点里也分离出了一部分建筑物 立面点，现对非地面点分析找到所有的建筑物立面点： 将非地面点云数据格网化，重新建立与格网对应的索引关系，由于建筑物立面面积较 大，可划分为若干小区域立方体（blob)，设置blob的大小阈值为Sth，建筑物立面的高程差 值为,么砹，
若AZmax <ΔΖ&，则判定为其他点，否则为建筑物点。
2. 根据权利要求1所述的方法，其特征在于，步骤S2中提取电力线具体包括以下步 骤： 531、 将经过预处理的全部点云数据投影至XOY平面，对二维数据进行格网化，建立格 网与点之间的对应关系； 532、 对每个格网中的点云高程值进行分析，若最大高程值小于给定的阈值hth则认为 不存在电力线，继续下一个网格的分析，否则进行步骤S23 ; 533、 分析当前格网内点云高程的连续性，先按照高程大小排序，然后计算相邻高程点 之间的高程差ΛΖ，获取最大的高程差AZmax，若最大的高程差AZmax大于给定的阈值Ahth, 则进行步骤S34,否则，判定当前网格内不存在电力线； 534、 在最大的商程差AZmax处，舍去商程小于Z的点，保留大于Z的点； 535、 对步骤S34得到的点云，分析格网和邻域内的点云密度，设置经验阈值Pin和 PMig，邻域尺度为MXM，若计算得到的密度分别满足Pin和PMig，则判断为电力线点，否则 为非电力线点。
3. 根据权利要求1所述的方法，其特征在于，步骤S2中提取树木点包括以下步骤： 5401、 找到建筑物和树木点云数据在XOY平面上的最小矩形外包框（BoundingBox); 5402、 将建筑物和树木点云数据在XOY平面上格网化，格网宽高求解公式如下：
式中，boxx,boxy是包围盒的X，y方向长度，GSDxy为格网间距； 5403、 将点云数据与格网建立对应的索引关系； 5404、 若点为建筑物立面点，找到所有小区域的最小、最大高程值:Z^in、H,x，并保存 与点对应的曲率； 5405、 设定阈值ΔΖ?AgfneMZi =社-Z^lin，若ΔΖ, < ，标 记为非树木点； 5406、 若某点为建筑物立面点，且曲率&> ，母^"为设定的曲率经验阈值，则判 定为树木点； 5407、 对确定为建筑物立面或树木的点，分为若干立方体voxel，并将点与立方体相对 应，建立索引关系； 5408、 在voxel的邻域里搜索邻近点，若邻近点数都为树木点，且点数大于设定的阈 值，则判定为树木点； 5409、 遍历所有点，将建筑物立面点和树木点分类并存储； 5410、 将树木点按所属树分割，根据步骤S401-S403建立点云数据与格网对应的索引 关系； 5411、 求解树木点在XOY平面的范围，公式如下： Wtree =W^GSDxy, htree =h*GSDxy， 右ma.x(iVfree, h(ree) > . 若<ht_，以ht_大小为基准，建立树木点与对应的树的索引关系； 若wt_ >ht_，以Wtae大小为基准，建立树木点与对应的树的索引关系。
4. 根据权利要求1所述的方法，其特征在于，步骤Sl中对点云数据进行预处理具体包 括以下步骤： 511、 对点云数据进行均匀抽稀； 512、 对均匀抽稀后的点云数据进行点云数据分块： 将站点与点云数据对应后，对站点进行标记，若标记为单边站点则不做处理，若为双边 站点，则选择站点一边的点云数据并存储，滤除站点另一边的点云数据； 取N个站点对应的点云数据作为一个处理单元，据此将点云大数据分成若干段小数据 进行处理，得到点云数据的法向量，曲率及密度； 513、 对分块后的点云数据进行噪声滤除： 设定密度阈值Pmax，若某点密度P，则将该点存储，遍历所有点云，舍弃噪声点 云； 对存储的点云进行分析，将点的法向量和曲率对应存储，得到去噪后的点云。
5. 根据权利要求4所述的方法，其特征在于，步骤Sll具体包括以下步骤： 5111、 将点云数据的所有区域划分为若干个大小一致的立方体； 5112、 对某点A(xa，yA，ζΑ)找到其对应的立方体，若立方体不存在，则建立对应的立方 体，计算该点到立方体中心的距离D，遍历所有点； Sl13、对每个立方体找到距离其中心最近的点B(Xtl,y(l，Ztl)并存储，舍弃其他点。
【文档编号】G06K9/62GK104463872SQ201410752056
【公开日】2015年3月25日 申请日期:2014年12月10日 优先权日:2014年12月10日
【发明者】姚剑, 陈梦怡, 李礼, 鲁小虎 申请人:武汉大学