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點云的桿狀地物分類研究

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

        董亞涵,李永強,李鵬鵬,范輝龍

        (河南理工大學(xué) 測繪與國土信息工程學(xué)院,河南 焦作 454003)

        桿狀地物是城市道路場景中最為常見的公共設(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等測量儀器對桿狀地物位置進(jìn)行實測后再進(jìn)行編號標(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大的技術(shù)支持[1-2]。車載LiDAR在車輛行駛過程中獲取道路兩側(cè)地物詳盡的三維空間點云信息,相比于傳統(tǒng)桿狀地物測量方法具有明顯優(yōu)勢,桿狀地物的空間信息精確地表達(dá)在車載LiDAR點云數(shù)據(jù)中,為桿狀地物的自動分類提供數(shù)據(jù)條件。

        目前,針對點云中的桿狀地物的分類提取研究,學(xué)者們開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題,如只實現(xiàn)了行道樹的特征矩陣構(gòu)建與識別,對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,實現(xiàn)對車載點云數(shù)據(jù)中多種典型桿狀地物的分類。

        1 點云特征矩陣構(gòu)建

        1.1 頂部與桿部分離

        桿狀地物通常包括頂部和桿部兩部分,如圖1所示,行道樹樹冠與樹干(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,先對桿狀地物進(jìn)行頂部與桿部分離,對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)增長法進(jìn)行行道樹的冠干分離,但由于路燈廣告牌等地物沒有明顯的格網(wǎng)增加難以建立分割閾值,本文將對格網(wǎng)數(shù)目增加的判斷修改為對點云跨度的變化判斷[3],即對單個桿狀地物從底部開始向上以0.2 m距離間隔進(jìn)行搜索,當(dāng)點云跨度超過閾值,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

        點云基本特征包括X,Y,Z空間信息、GPS時間信息、回波強度等,但單個點云的基本信息難以為分類提供有效支持。因此,本文通過計算點云組的特征向量、點云密度、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,對取出的桿狀地物頂部點云數(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云主成分方向,并提取出頂部點云3個方向的特征值m1,m2,m3。由于不同種類地物3個方向特征值具有不同量綱,因此,對3個方向點云特征值進(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云在進(jìn)行主成分變換后,空間3個主平面上的點云密度表現(xiàn)不同,因此,將桿狀地物頂部分點云分別向3個主平面進(jìn)行投影,建立寬度為0.2 m的格網(wǎng),對投影點云進(jìn)行格網(wǎng)投影,統(tǒng)計格網(wǎng)數(shù)計算投影面積,計算點云總數(shù)與3個投影面的比值,求得桿狀地物在3個主平面的點云密度Dm1,Dm2,Dm3作為3個特征值,圖2中,圖2(a)為標(biāo)示牌原始點云視圖,圖2(b)為經(jīng)PCA坐標(biāo)變換后的點云視圖,圖2(c)、(d)、(e)分別為頂部點云向3個主方向的投影。

        圖2 頂部點云坐標(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別點云的特征。通過與計算點云密度相同的方法計算桿狀地物頂部與桿部在XOY平面上的投影面積,計算頂部投影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,選擇一個相同擬合表面計算出不同桿狀地物對同一擬合表面的適應(yīng)程度差異,為兼顧計算精度與算法運算速度,本文采用RANSAC平面擬合,具體步驟如下:

        1)隨機選擇3個點構(gòu)建初平面;

        2)計算3個點所構(gòu)造的平面方程Ax+By+Cz+D=0;

        3)將單個桿狀地物頂部點云帶入平面擬合方程計算中誤差;

        4)統(tǒng)計所有滿足中誤差閾值的點作為內(nèi)點(liner),統(tǒng)計內(nèi)點個數(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)點個數(shù)最多完成迭代。

        通過計算擬合后每個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)點個數(shù),將每個頂部點云擬合后的總殘差δ與殘差均方根誤差σ?guī)胩卣骶仃嚕链送瓿商卣骶仃嚇?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)計的有導(dǎo)式機器學(xué)習(xí)算法,由Vladimir N和Alexey Ya于1963年提出,被認(rèn)為是機器學(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題,對于線性可分型樣本集,即通過一條直線(2維)或平面(3維)便可將兩類數(shù)據(jù)分開,SVM將建立一個平面,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,對于線性不可分樣本集,SVM通過核函數(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,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)化問題可表示為

        (4)

        (5)

        利用拉格朗日方程將式(5)進(jìn)行對偶化,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)積計算時的復(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點云數(shù)據(jù)無法建立SVM模型進(jìn)行分類,需對獲取的數(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(見圖3)如下:

        1)對提取后的點云樣本進(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-1,路燈-2,廣告-3,電線桿-4);

        4)對數(shù)據(jù)進(jìn)行歸一化處理統(tǒng)一量綱,并對樣本集進(jìn)行交叉驗證以確定最優(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,選取測試集驗證模型分類精度。

        圖3 技術(shù)流程

        3 實驗分析

        3.1 實驗區(qū)選取

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

        圖4 試驗區(qū)點云

        表1 試驗數(shù)據(jù)概況

        3.2 參數(shù)尋優(yōu)與精度對比

        桿狀地物分類算法在Maltab2012a環(huán)境下實現(xiàn),采用庫函數(shù)libSVM作為算法實現(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),對特征值進(jìn)行歸一化處理,并對測試集采用5對折交叉驗證得到最優(yōu)C值19.108,與g值5.278,建立SVM支持向量機分類模型,對測試集進(jìn)行分類判別,計算模型分類精度與時間消耗。

        為驗證文中所述算法的正確性,選取文獻(xiàn)[14]中采用的反射強度結(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)行對比,用于驗證訓(xùn)練樣本時多特征向量與足夠訓(xùn)練樣本的必要性。

        對400個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)行反射強度濾波、點云數(shù)量濾波、海拔濾波、高度濾波以及形態(tài)濾波對桿狀地物點云進(jìn)行分類。分類結(jié)果如表2所示,采用點云特征并通過先驗知識人為設(shè)置閾值對測試集進(jìn)行分類時,特征突出的桿狀地物識別效果較好,部分桿狀地物由于點云缺失或形態(tài)與其他同類別地物差異較大,采用閾值判斷難以有效識別,因而導(dǎo)致錯分與漏分,相比下,對SVM模型進(jìn)行訓(xùn)練時,訓(xùn)練集樣本中包含各類形態(tài)的桿狀地物,對特殊形態(tài)的桿狀地物具有良好的包容性,因此分類時表現(xiàn)較好,各類地物分類精度均較高,圖(5)為測試集分類后結(jié)果,其中圖5(a)、圖5(b)分別為試驗區(qū)一、試驗區(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,圖中紅色為識別的路燈點云,藍(lán)色為行道樹點云,綠色為廣告牌點云,黑色為無法分類點云。

        表2 兩種方法分類精度對比

        圖5 分類后點云

        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種不同模型對同一測試集進(jìn)行測試,實驗結(jié)果與相關(guān)參數(shù)如表3所示,由實驗結(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,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工作時受掃描角度與周圍環(huán)境限制,對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種模型分類精度對比

        采用相同訓(xùn)練樣本不同數(shù)量特征值進(jìn)行對比試驗,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)練樣本所消耗時間及分類精確度如表4所示,由實驗結(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,會降低SVM模型對測試集的分類精度,原因在于,部分桿狀地物單個或多個特征相似,當(dāng)選取特征不足時,難以構(gòu)建優(yōu)越的SVM模型對桿狀地物進(jìn)行種類識別,但識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種模型分類精度對比

        4 結(jié)束語

        本文以車載LiDAR點云作為原始數(shù)據(jù),將桿狀地物拆分為頂部與桿部兩部分,對桿狀地物點云進(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,實驗證明,構(gòu)建的SVM模型對桿狀地物分類精度可達(dá)94.7%,精確度高于使用先驗知識設(shè)置閾值的方法對桿狀地物進(jìn)行分類?;赟VM的桿狀地物分類方法,有效避免了分類時的人為干預(yù)與閾值預(yù)設(shè),適應(yīng)性好、分類精度高,對提高點云自動化分類精度與效率具有較高的研究價值,但使用SVM模型進(jìn)行桿狀地物分類時,要求桿狀地物具有較高孤立性,對于組合地物則無法正常提取特征與分類,因此對于組合地物的分割問題將成為今后研究的重點。

        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)施點云自動提取的方法
        城市勘測(2018年6期)2019-01-03 09:07:54
        用于塑料擠出機的先導(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別算法
        亚洲精品久久蜜桃av| 亚洲丁香婷婷综合久久小说 | 一本久久a久久精品vr综合| 国产精品内射后入合集| 国产精品va在线观看一| 亚洲精品中文字幕乱码无线 | 亚洲白白色无码在线观看| 无遮挡很爽视频在线观看| 日本va中文字幕亚洲久伊人| 国产av夜夜欢一区二区三区| 曰本极品少妇videossexhd| 最新在线观看精品国产福利片| 国产免费人成视频在线观看播放播| 无码喷潮a片无码高潮| 大肉大捧一进一出好爽视色大师 | 99久久国产福利自产拍| 9久9久女女热精品视频免费观看| 国产视频一区二区三区在线看| 麻豆91蜜桃传媒在线观看| 永久免费av无码入口国语片 | 日本人妻少妇精品视频专区| 亚洲av乱码一区二区三区人人| 性色欲情网站| 91spa国产无码| 蜜桃在线一区二区三区| 开心五月天第四色婷婷| 亚洲色欲色欲www| 国产资源在线视频| 色噜噜亚洲精品中文字幕| 国产美女精品视频线免费播放软件| 成年女人毛片免费视频| 精品久久久亚洲中文字幕| 国产视频一区二区在线免费观看| 久久久受www免费人成| 成黄色片视频日本秘书丝袜| 亚洲一区二区视频免费看| 国产极品视觉盛宴| 国产精品久久久久久久久鸭 | 成人免费无码大片a毛片抽搐色欲| 久久久久久久女国产乱让韩| 国产午夜av一区二区三区|