亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于車載LiDAR點(diǎn)云的桿狀地物分類研究

        2019-09-21 07:46:00董亞涵李永強(qiáng)李鵬鵬范輝龍
        測(cè)繪工程 2019年6期
        關(guān)鍵詞:桿狀訓(xùn)練樣本投影

        董亞涵,李永強(qiáng),李鵬鵬,范輝龍

        (河南理工大學(xué) 測(cè)繪與國(guó)土信息工程學(xué)院,河南 焦作 454003)

        桿狀地物是城市道路場(chǎng)景中最為常見(jiàn)的公共設(shè)施,包括路燈、電線桿、廣告牌及交通標(biāo)示牌等,傳統(tǒng)的桿狀地物分類方法通常是使用全站儀、RTK等測(cè)量?jī)x器對(duì)桿狀地物位置進(jìn)行實(shí)測(cè)后再進(jìn)行編號(hào)標(biāo)記,并結(jié)合AutoCAD及其他軟件進(jìn)行繪圖,但由于傳統(tǒng)方法采集的數(shù)據(jù)不完整、精度不高且人為干預(yù)嚴(yán)重,難以為智慧城市、道路建模及無(wú)人駕駛等新技術(shù)提供數(shù)據(jù)支持,車載LiDAR(Light Detection And Ranging)作為測(cè)繪領(lǐng)域的前沿技術(shù)之一,為城市空間信息的精確獲取提供了強(qiáng)大的技術(shù)支持[1-2]。車載LiDAR在車輛行駛過(guò)程中獲取道路兩側(cè)地物詳盡的三維空間點(diǎn)云信息,相比于傳統(tǒng)桿狀地物測(cè)量方法具有明顯優(yōu)勢(shì),桿狀地物的空間信息精確地表達(dá)在車載LiDAR點(diǎn)云數(shù)據(jù)中,為桿狀地物的自動(dòng)分類提供數(shù)據(jù)條件。

        目前,針對(duì)點(diǎn)云中的桿狀地物的分類提取研究,學(xué)者們開(kāi)展了一系列工作并取得很多成果[3-18],但也存在各種局限性的問(wèn)題,如只實(shí)現(xiàn)了行道樹(shù)的特征矩陣構(gòu)建與識(shí)別,對(duì)于相似性高的桿狀地物如路燈與廣告牌的分類并未涉及,本文通過(guò)提取桿狀地物多種特征構(gòu)建特征矩陣,并采用SVM分類算法建立分類模型,實(shí)現(xiàn)對(duì)車載點(diǎn)云數(shù)據(jù)中多種典型桿狀地物的分類。

        1 點(diǎn)云特征矩陣構(gòu)建

        1.1 頂部與桿部分離

        桿狀地物通常包括頂部和桿部?jī)刹糠?,如圖1所示,行道樹(shù)樹(shù)冠與樹(shù)干(圖1(a))、路燈燈頭與燈桿(圖1(b))、標(biāo)示牌牌與桿(圖1(c)),電線桿包含兩種:一種包含頭部(圖1(d)),一種不包含頂部(圖1(e)),虛線框中為桿狀地物頂部。相比于桿部,桿狀地物頂部包含了更多特征,因此,先對(duì)桿狀地物進(jìn)行頂部與桿部分離,對(duì)于不包含頂部的電線桿,取其與電線連接處作為頂部。文獻(xiàn)[19]采用自低而上的格網(wǎng)增長(zhǎng)法進(jìn)行行道樹(shù)的冠干分離,但由于路燈廣告牌等地物沒(méi)有明顯的格網(wǎng)增加難以建立分割閾值,本文將對(duì)格網(wǎng)數(shù)目增加的判斷修改為對(duì)點(diǎn)云跨度的變化判斷[3],即對(duì)單個(gè)桿狀地物從底部開(kāi)始向上以0.2 m距離間隔進(jìn)行搜索,當(dāng)點(diǎn)云跨度超過(guò)閾值,則判斷搜索到了頭與桿部的分界。

        圖1 5種典型桿狀地物

        1.2 特征矩陣提取

        點(diǎn)云基本特征包括X,Y,Z空間信息、GPS時(shí)間信息、回波強(qiáng)度等,但單個(gè)點(diǎn)云的基本信息難以為分類提供有效支持。因此,本文通過(guò)計(jì)算點(diǎn)云組的特征向量、點(diǎn)云密度、頂部與桿部投影面積比值、擬合后總殘差及擬合中誤差構(gòu)建特征矩陣。

        不同桿狀地物頂部形態(tài)不同,根據(jù)PCA(Principal Component Analysis)理論,對(duì)取出的桿狀地物頂部點(diǎn)云數(shù)據(jù)構(gòu)成的X,Y,Z矩陣進(jìn)行奇異值分解,將原始坐標(biāo)軸變換至桿狀地物頂部點(diǎn)云主成分方向,并提取出頂部點(diǎn)云3個(gè)方向的特征值m1,m2,m3。由于不同種類地物3個(gè)方向特征值具有不同量綱,因此,對(duì)3個(gè)方向點(diǎn)云特征值進(jìn)行數(shù)據(jù)歸一化處理統(tǒng)一量綱,并將歸一化后的特征向量a1,a2,a3,歸入特征矩陣F。

        (1)

        不同桿狀地物頂部點(diǎn)云在進(jìn)行主成分變換后,空間3個(gè)主平面上的點(diǎn)云密度表現(xiàn)不同,因此,將桿狀地物頂部分點(diǎn)云分別向3個(gè)主平面進(jìn)行投影,建立寬度為0.2 m的格網(wǎng),對(duì)投影點(diǎn)云進(jìn)行格網(wǎng)投影,統(tǒng)計(jì)格網(wǎng)數(shù)計(jì)算投影面積,計(jì)算點(diǎn)云總數(shù)與3個(gè)投影面的比值,求得桿狀地物在3個(gè)主平面的點(diǎn)云密度Dm1,Dm2,Dm3作為3個(gè)特征值,圖2中,圖2(a)為標(biāo)示牌原始點(diǎn)云視圖,圖2(b)為經(jīng)PCA坐標(biāo)變換后的點(diǎn)云視圖,圖2(c)、(d)、(e)分別為頂部點(diǎn)云向3個(gè)主方向的投影。

        圖2 頂部點(diǎn)云坐標(biāo)變化及投影示意圖

        不同桿狀地物由于頂部大小與跨度均有差異,而桿部投影均為圓或半圓形,因此以頂部投影與桿部投影比值作為識(shí)別點(diǎn)云的特征。通過(guò)與計(jì)算點(diǎn)云密度相同的方法計(jì)算桿狀地物頂部與桿部在XOY平面上的投影面積,計(jì)算頂部投影Sup與底部投影SDown的比值R,并將R作為特征值輸入矩陣F。

        不同桿狀地物頭部的擬合表面不同,因此,選擇一個(gè)相同擬合表面計(jì)算出不同桿狀地物對(duì)同一擬合表面的適應(yīng)程度差異,為兼顧計(jì)算精度與算法運(yùn)算速度,本文采用RANSAC平面擬合,具體步驟如下:

        1)隨機(jī)選擇3個(gè)點(diǎn)構(gòu)建初平面;

        2)計(jì)算3個(gè)點(diǎn)所構(gòu)造的平面方程Ax+By+Cz+D=0;

        3)將單個(gè)桿狀地物頂部點(diǎn)云帶入平面擬合方程計(jì)算中誤差;

        4)統(tǒng)計(jì)所有滿足中誤差閾值的點(diǎn)作為內(nèi)點(diǎn)(liner),統(tǒng)計(jì)內(nèi)點(diǎn)個(gè)數(shù);

        5)調(diào)整平面方程系數(shù),進(jìn)行1~4步的迭代,直至找到最佳模型,使得內(nèi)點(diǎn)個(gè)數(shù)最多完成迭代。

        通過(guò)計(jì)算擬合后每個(gè)桿狀地物與擬合平面的總殘差以及均方根誤差,即擬合后保留的內(nèi)點(diǎn)到擬合平面的水平距離的平方δ和與均方根誤差σ,其中n為擬合后保留的內(nèi)點(diǎn)個(gè)數(shù),將每個(gè)頂部點(diǎn)云擬合后的總殘差δ與殘差均方根誤差σ?guī)胩卣骶仃?,至此完成特征矩陣?gòu)建,即F=[a1,a2,a3,Dm1,Dm2,Dm3,R,δ,σ]。

        (2)

        2 SVM分類

        2.1 SVM分類模型

        SVM分類算法是一種基于統(tǒng)計(jì)的有導(dǎo)式機(jī)器學(xué)習(xí)算法,由Vladimir N和Alexey Ya于1963年提出,被認(rèn)為是機(jī)器學(xué)習(xí)眾多分類算法中分類效果與魯棒性最好方法之一。SVM常用于兩類樣本的分類問(wèn)題,對(duì)于線性可分型樣本集,即通過(guò)一條直線(2維)或平面(3維)便可將兩類數(shù)據(jù)分開(kāi),SVM將建立一個(gè)平面,將兩類地物完全分割,并且保證平面距離樣本集的幾何邊界最大,該平面即為超平面,對(duì)于線性不可分樣本集,SVM通過(guò)核函數(shù)將樣本集映射至高維空間,并在高維空間中構(gòu)建超平面。

        假設(shè)有樣本集(xi,yi),i=1,2,3,…,l;y∈(-1,1),且樣本集線性可分,則分界的超平面與支持向量距離為1/‖w‖,w={w1,w2…w3},求取劃分兩數(shù)據(jù)集的判決函數(shù)可表示為

        yi(wi·xi+b)≥1,i=1,2,…,l.

        (3)

        實(shí)際應(yīng)用中,線性不可分情況較多,為線性不可分樣本構(gòu)建超平面時(shí),需引入懲罰因子C與非負(fù)松弛變量ζ,即允許變量在一定范圍內(nèi)違反超平面約束,約束尺度由懲罰因子C決定,因此,超平面優(yōu)化問(wèn)題可表示為

        (4)

        (5)

        利用拉格朗日方程將式(5)進(jìn)行對(duì)偶化,引入核函數(shù)K,將低維樣本集映射至高維空間,并降低內(nèi)積計(jì)算時(shí)的復(fù)雜度,結(jié)果可表示為

        K(xi,xj)=φ(xi)·φ(xj),

        (6)

        i=1,2…,l.

        (7)

        根據(jù)式(7)可得判決函數(shù):

        f(x)=sgn(w*·φ(x)+b*)=

        2.2 技術(shù)流程

        依靠原始車載LiDAR點(diǎn)云數(shù)據(jù)無(wú)法建立SVM模型進(jìn)行分類,需對(duì)獲取的數(shù)據(jù)進(jìn)行預(yù)處理、目標(biāo)地物提取、特征獲取以及樣本訓(xùn)練后,才能建立分類模型。由于本文只涉及桿狀地物分類,因此將使用提取后的桿狀地物作為樣本,并將相同樣本統(tǒng)一存放,不涉及濾波及桿狀地物提取工作,本研究工作流程(見(jiàn)圖3)如下:

        1)對(duì)提取后的點(diǎn)云樣本進(jìn)行頂部與桿部分離,為建立特征矩陣Feature提供基礎(chǔ);

        2)對(duì)樣本數(shù)據(jù)集進(jìn)行特征提取,并將提取的特征值存入特征矩陣;

        3)將不同桿狀地物附加標(biāo)簽(行道樹(shù)-1,路燈-2,廣告-3,電線桿-4);

        4)對(duì)數(shù)據(jù)進(jìn)行歸一化處理統(tǒng)一量綱,并對(duì)樣本集進(jìn)行交叉驗(yàn)證以確定最優(yōu)懲罰系數(shù)C值與核函數(shù)參數(shù)g值;

        5)創(chuàng)建SVM模型,選取測(cè)試集驗(yàn)證模型分類精度。

        圖3 技術(shù)流程

        3 實(shí)驗(yàn)分析

        3.1 實(shí)驗(yàn)區(qū)選取

        本實(shí)驗(yàn)采用SSW車載LiDAR系統(tǒng)進(jìn)行數(shù)據(jù)獲取,點(diǎn)云掃描間隔0.02 m,數(shù)據(jù)集采用本研究團(tuán)隊(duì)已建立的數(shù)據(jù)集,其中包括路燈、行道樹(shù)、廣告牌、電線桿等桿狀地物共計(jì)1 000個(gè),并以此作為樣本訓(xùn)練集。并提取北京市昌平區(qū)(試驗(yàn)區(qū)1)以及河南省焦作市(試驗(yàn)區(qū)2)兩段道路數(shù)據(jù)中的400根桿狀地物作為測(cè)試集(見(jiàn)圖4),其中,行道樹(shù)、路燈各150根,廣告牌、電線桿各50根,試驗(yàn)區(qū)1為往返掃描,桿狀地物點(diǎn)云數(shù)據(jù)較為完整,試驗(yàn)區(qū)2為單側(cè)掃描,桿狀地物點(diǎn)云部分缺失,掃描車靠道路右側(cè)行駛,道路右側(cè)的數(shù)據(jù)質(zhì)量?jī)?yōu)于道路左側(cè),測(cè)試集概況如表1所示。

        圖4 試驗(yàn)區(qū)點(diǎn)云

        表1 試驗(yàn)數(shù)據(jù)概況

        3.2 參數(shù)尋優(yōu)與精度對(duì)比

        桿狀地物分類算法在Maltab2012a環(huán)境下實(shí)現(xiàn),采用庫(kù)函數(shù)libSVM作為算法實(shí)現(xiàn)工具,并使用徑向基函數(shù)(RBF)作為SVM分類核函數(shù),采用9個(gè)特征值構(gòu)成的特征矩陣F作為訓(xùn)練集特征方程,使用mapminmax函數(shù),對(duì)特征值進(jìn)行歸一化處理,并對(duì)測(cè)試集采用5對(duì)折交叉驗(yàn)證得到最優(yōu)C值19.108,與g值5.278,建立SVM支持向量機(jī)分類模型,對(duì)測(cè)試集進(jìn)行分類判別,計(jì)算模型分類精度與時(shí)間消耗。

        為驗(yàn)證文中所述算法的正確性,選取文獻(xiàn)[14]中采用的反射強(qiáng)度結(jié)合桿狀地物空間與形態(tài)特征的分類方法與本文方法進(jìn)行分類精度對(duì)比,并與不同數(shù)目訓(xùn)練樣本以及不同數(shù)量特征向量構(gòu)建的SVM模型進(jìn)行對(duì)比,用于驗(yàn)證訓(xùn)練樣本時(shí)多特征向量與足夠訓(xùn)練樣本的必要性。

        對(duì)400個(gè)已提取的桿狀地物采用文獻(xiàn)[14]中提到的分類方法進(jìn)行分類,根據(jù)4類桿狀地物特征分別設(shè)置閾值進(jìn)行反射強(qiáng)度濾波、點(diǎn)云數(shù)量濾波、海拔濾波、高度濾波以及形態(tài)濾波對(duì)桿狀地物點(diǎn)云進(jìn)行分類。分類結(jié)果如表2所示,采用點(diǎn)云特征并通過(guò)先驗(yàn)知識(shí)人為設(shè)置閾值對(duì)測(cè)試集進(jìn)行分類時(shí),特征突出的桿狀地物識(shí)別效果較好,部分桿狀地物由于點(diǎn)云缺失或形態(tài)與其他同類別地物差異較大,采用閾值判斷難以有效識(shí)別,因而導(dǎo)致錯(cuò)分與漏分,相比下,對(duì)SVM模型進(jìn)行訓(xùn)練時(shí),訓(xùn)練集樣本中包含各類形態(tài)的桿狀地物,對(duì)特殊形態(tài)的桿狀地物具有良好的包容性,因此分類時(shí)表現(xiàn)較好,各類地物分類精度均較高,圖(5)為測(cè)試集分類后結(jié)果,其中圖5(a)、圖5(b)分別為試驗(yàn)區(qū)一、試驗(yàn)區(qū)二使用SVM模型分類后效果,圖5(c)為虛線框中SVM模型分類效果,圖5(d)為虛線框中特征分類后效果,圖中紅色為識(shí)別的路燈點(diǎn)云,藍(lán)色為行道樹(shù)點(diǎn)云,綠色為廣告牌點(diǎn)云,黑色為無(wú)法分類點(diǎn)云。

        表2 兩種方法分類精度對(duì)比

        圖5 分類后點(diǎn)云

        采用不同數(shù)量的訓(xùn)練樣本構(gòu)建SVM模型,將訓(xùn)練樣本集分為3類,樣本數(shù)量分別為200,400和800。3種不同模型對(duì)同一測(cè)試集進(jìn)行測(cè)試,實(shí)驗(yàn)結(jié)果與相關(guān)參數(shù)如表3所示,由實(shí)驗(yàn)結(jié)果可知,模型分類精度隨訓(xùn)練樣本數(shù)量增大而提高,究其原因,訓(xùn)練集數(shù)量較小時(shí),數(shù)據(jù)所包含的數(shù)據(jù)類型較少,而桿狀地物種類豐富,車載LiDAR工作時(shí)受掃描角度與周圍環(huán)境限制,對(duì)不同桿狀地物的掃描覆蓋率也有不同,因此,少量數(shù)據(jù)集難以體現(xiàn)桿狀地物全部特征,從而造成分類精度降低。

        表3 不同樣本數(shù)構(gòu)造的3種模型分類精度對(duì)比

        采用相同訓(xùn)練樣本不同數(shù)量特征值進(jìn)行對(duì)比試驗(yàn),將訓(xùn)練樣本分為3類,類別1特征矩陣構(gòu)造為F=[Dm1,Dm2,Dm3,R,δ,σ];類別2特征矩陣構(gòu)造為F=[a1,a2,a3,R,δ,σ];類別3特征矩陣構(gòu)造為F=[a1,a2,a3,Dm1,Dm2,Dm3],訓(xùn)練樣本數(shù)均為桿狀地物1 000根,不同訓(xùn)練樣本所消耗時(shí)間及分類精確度如表4所示,由實(shí)驗(yàn)結(jié)果可知,各組分類精度差別不大,減少特征矩陣中的特征數(shù)量,會(huì)降低SVM模型對(duì)測(cè)試集的分類精度,原因在于,部分桿狀地物單個(gè)或多個(gè)特征相似,當(dāng)選取特征不足時(shí),難以構(gòu)建優(yōu)越的SVM模型對(duì)桿狀地物進(jìn)行種類識(shí)別,但識(shí)別率均高于幾何特征分類桿狀地物。

        表4 不同特征矩陣構(gòu)造的3種模型分類精度對(duì)比

        4 結(jié)束語(yǔ)

        本文以車載LiDAR點(diǎn)云作為原始數(shù)據(jù),將桿狀地物拆分為頂部與桿部?jī)刹糠?,?duì)桿狀地物點(diǎn)云進(jìn)行9種特征獲取并構(gòu)建特征矩陣,以此為基礎(chǔ),采用SVM訓(xùn)練樣本構(gòu)建分類模型,實(shí)驗(yàn)證明,構(gòu)建的SVM模型對(duì)桿狀地物分類精度可達(dá)94.7%,精確度高于使用先驗(yàn)知識(shí)設(shè)置閾值的方法對(duì)桿狀地物進(jìn)行分類。基于SVM的桿狀地物分類方法,有效避免了分類時(shí)的人為干預(yù)與閾值預(yù)設(shè),適應(yīng)性好、分類精度高,對(duì)提高點(diǎn)云自動(dòng)化分類精度與效率具有較高的研究?jī)r(jià)值,但使用SVM模型進(jìn)行桿狀地物分類時(shí),要求桿狀地物具有較高孤立性,對(duì)于組合地物則無(wú)法正常提取特征與分類,因此對(duì)于組合地物的分割問(wèn)題將成為今后研究的重點(diǎn)。

        猜你喜歡
        桿狀訓(xùn)練樣本投影
        解變分不等式的一種二次投影算法
        基于最大相關(guān)熵的簇稀疏仿射投影算法
        人工智能
        找投影
        找投影
        一種桿狀交通設(shè)施點(diǎn)云自動(dòng)提取的方法
        用于塑料擠出機(jī)的先導(dǎo)分配器的分流錐
        桿狀體肌病臨床、病理及分子生物學(xué)研究進(jìn)展
        寬帶光譜成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究
        融合原始樣本和虛擬樣本的人臉識(shí)別算法
        精品在线视频在线视频在线视频| 亚洲成a人片在线观看导航| a√无码在线观看| 日韩精品免费视频久久| 日本顶级metart裸体全部| 国产va在线观看免费| 亚洲国产A∨无码影院| 日本人妻系列一区二区| 色婷婷久久亚洲综合看片| 精品人妻伦九区久久aaa片| 亚洲精品免费专区| 妇女自拍偷自拍亚洲精品| 99久久国内精品成人免费| 夜夜揉揉日日人人青青| 粗大的内捧猛烈进出在线视频| 精品人妻av区乱码| 日本中文字幕精品久久 | 国产喷水在线观看| 黄色三级视频中文字幕| 手机久草视频福利在线观看| 最新国产福利在线观看精品| 一级午夜视频| 亚洲综合天堂一二三区| 国产精品一区二区三区卡| 久久亚洲国产成人精品性色| 国产熟女亚洲精品麻豆| 国产av一区二区日夜精品剧情 | 欧美黑人性色黄在线视频| 国产精品日本一区二区三区| 一个人看的视频在线观看| 亚洲精品无码成人a片| 粗大挺进尤物人妻一区二区| 黄色潮片三级三级三级免费| 无码小电影在线观看网站免费| 日日摸夜夜添狠狠添欧美| 亚洲美女性生活一级片| 精品国产a一区二区三区v| 伊人久久精品久久亚洲一区 | 国产av一区二区三区丝袜| 高清国产国产精品三级国产av| 国内精品伊人久久久久网站|