车载激光点云数据处理方法初探.pdfVIP

车载激光点云数据处理方法初探 李海亭，王厚之，彭清山 (武汉市测绘研究院，湖北武汉430022) 摘要：本文尝试采用特征图像和支持向量机方法对车载激光点云数据进行处理。根据车载激光点云 的获取方式，特征图像的生成主要采用横轴圆柱体投影和正射投影的方式。支持向量机方法则采用选 取点云的基本特征进行学习，然后利用粒子群优化算法进行参数寻优。结果证明，点云的分类精度取 决于特征图像的分割结果。同时，在选取多个点云特征的基础上，采用支持向量机对点云进行要素识 别具有较好的可行性。 关键字：点云；特征图像；支持向量机；特征选取；粒子群优化 三维激光扫描技术的产生是测绘领域继GPS技术之后的又一次技术革命，这项技术在众多相关领域 中，具有高精度、高效率的独特优势。车载移动测量系统(MMS)集成了激光扫描仪、全景相机、POS 等先进设备，不仅能快速获取道路周边物体的空间坐标信息，还能获取丰富的纹理等多种信息，逐渐成为 地理国情监测和智慧城市建设的重要技术手段。 目前，国内对激光点云数据的自动分类研究非常多。李必军…等提出了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；史文中幢。等提出了基于投影点密度的车载激光扫描距离图像分割方法；李永强口1等提出了一种 基于车载激光点云数据的三维公路信息提取方法，但该方法过度依赖人工交互，不适用于复杂的城市环境。 ¨1提出了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；Shi Vosselmanb1提出了基于建筑 Pu和George 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：首先对点云数据进行分割，以保证每一块分割好的点云数 据只包含一种语义特征；然后根据语义特征的大小点位方向拓扑关系以及点云数据密度等特点来对其进行 分类，以实现建筑物的三维重建。本文采用多投影面生成特征图像和支持向量机的方法对车载激光点云数 据进行了处理实验。实验证明，基于特征图像的方法关键在于图像分割的精度，而支持向量机则重在特征 的选取。 1点云的特征图像 点云的特征图像根据投影面的不同而各异。机载雷达通常采用正射投影的方法生成点云的特征图像。 车载激光点云主要沿道路获取，同时，多数激光扫描仪扫描方向始终垂直于行驶路线。由此可以推断，假 设行驶路线为一直线，扫描面则始终垂直于这一直线。由于车载扫描仪通常采用高速旋转方式采集，因此 采集的点云为近垂直或侧切行驶路线的螺旋切割面。假定道路中心线为X轴，方向垂直向上为Z轴，在地 面上垂直与x轴的为Y轴。三轴相交于原点O。如果将点云映射到XOZ平面上，由于局部路面多较平坦， 势必造成信息丢失。如果投影到以道路中心线为轴线，一定长度为半径的横轴圆柱体内表面，然后将其展 一129— 开，则特征图像的灰度值将得到最大程度的保留。因此以假定为行驶路线的直线作为横轴轴心线的圆柱体 投影为车载激光点云特征图像的最佳投影方式。 图1以Y值为特征的横轴圆柱体投影灰度图像 2支持向量机算法 Vector 支持向量机(SupportMachine)是90年代中期发展起来的基于统计学习理论的一种机器学习方 法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统 计样本量较少的情况下，亦能获得良好统计规律的目的。基于支持向量机分类的原理是将特征向量映射到 一个更高维的空间里，在这个空间里建立一个最大间隔超平面。在分开数据的超平面的两边建有两个互相 平行的超平面，分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类 器的总误差越小。 3数据准备及预处理 本实验采用的数据为武汉光谷的一处彩色点云数据。点云属性具有空间坐标(x、Y、z)、RGB、回波 强度等7个基本特征。角度分辨率小于0．5。，X轴方向空间分辨率小