宋平

摘要：車載激光掃描系統(tǒng)能快速獲取道路的點(diǎn)云數(shù)據(jù)，但它存在點(diǎn)云密度分布不均勻、數(shù)據(jù)量大、地物相互遮擋等難點(diǎn)，導(dǎo)致無(wú)法直接提取路坎點(diǎn)云數(shù)據(jù)。本文首先對(duì)原始點(diǎn)云抽稀，在一定程度上保證點(diǎn)云分布均勻;然后，計(jì)算點(diǎn)云法向量與坐標(biāo)Z軸夾角，采用SVM方法提取城市路坎點(diǎn)云并對(duì)分類結(jié)果進(jìn)行聚類，優(yōu)化路坎點(diǎn)云。實(shí)驗(yàn)結(jié)果表明，本文方法能夠較完善提取路坎點(diǎn)云，適用于復(fù)雜城市街道環(huán)境。

關(guān)鍵詞：車載激光點(diǎn)云;支持向量機(jī)（SVM）;法向量特征

一、引言

車載激光掃描系統(tǒng)是近幾年發(fā)展起來(lái)的高新技術(shù)。它具有數(shù)據(jù)獲取快、精度高、動(dòng)態(tài)探測(cè)范圍打、主動(dòng)性強(qiáng)等特點(diǎn)。道路場(chǎng)景具有數(shù)據(jù)量大且密度分布不均等特點(diǎn)[1]。目前，國(guó)內(nèi)外學(xué)者對(duì)于點(diǎn)云提取道路的方法：基于點(diǎn)云投影的道路提取、基于掃描線的道路點(diǎn)云提取方法、基于聚類分析的道路點(diǎn)云提取方法。方莉娜[2]提出基于掃描線進(jìn)行多窗口移動(dòng)濾波，主要考慮窗口點(diǎn)云的高度差異、掃描點(diǎn)密度以及累計(jì)坡度三個(gè)參數(shù)來(lái)提取點(diǎn)云道路邊界。劉健[3]根據(jù)距離判別法和霍夫變換法提取激光掃描線中道路邊界點(diǎn)，將道路邊界點(diǎn)作為主點(diǎn)，通過高斯迭代回歸過程擬合道路邊界。熊偉成[4]利用車載激光點(diǎn)云的空間特征對(duì)點(diǎn)云進(jìn)行自適應(yīng)性分段，然后利用先驗(yàn)知識(shí)與規(guī)制提取后續(xù)的道路及邊界，根據(jù)道路邊界的線狀特征進(jìn)行跟蹤及道路矢量化。羅海峰[5]構(gòu)建了基于相對(duì)高程、法向量方向、多尺度高程差以及多尺度高程方差的點(diǎn)云特征向量。

二、基于SVM的路坎提取方方法

首先，對(duì)原始車載激光掃描數(shù)據(jù)進(jìn)行抽稀處理。然后，結(jié)合點(diǎn)云的局部幾何特征。最終，實(shí)現(xiàn)車載激光掃描數(shù)據(jù)路坎的提取。表面法向量是物體表面的重要屬性。不同類型的地物法向量可能具有明顯差異，特別是豎直平面地物和水平平面地物。

對(duì)點(diǎn)云數(shù)據(jù)中每個(gè)點(diǎn)通過領(lǐng)域查找獲得K個(gè)領(lǐng)域點(diǎn)，然后基于最小二乘法解算出該點(diǎn)的局部擬合平面P， 計(jì)算可知，k個(gè)臨近點(diǎn)三維質(zhì)心剛好位于平面P上，而且平面的法向量N為單位。同時(shí)。同時(shí)，采用主成分分析法（Principal Component Analysis ，PCA），將求解激光點(diǎn)云法向量的問題轉(zhuǎn)化為該激光點(diǎn)K個(gè)近鄰點(diǎn)所構(gòu)建的協(xié)方差矩陣C的特征值分解問題。其中協(xié)方差矩陣C最小特征值所對(duì)應(yīng)的特征向量便是需要的法向量。

上述公式中，K是點(diǎn)領(lǐng)域點(diǎn)總數(shù);表示這個(gè)領(lǐng)域的三維質(zhì)心;領(lǐng)域點(diǎn)協(xié)方差矩陣的特征值;是特征值對(duì)應(yīng)的特征向量;協(xié)方差矩陣的特征值按排序，這三個(gè)特征值體現(xiàn)領(lǐng)域內(nèi)點(diǎn)云分布狀況。如果，可認(rèn)為領(lǐng)域內(nèi)點(diǎn)云具有發(fā)散性特征;若，則認(rèn)為領(lǐng)域內(nèi)點(diǎn)云具有面狀特征;若，則認(rèn)為該領(lǐng)域內(nèi)點(diǎn)云具有線性特征。最后計(jì)算法向量與Z軸夾角組成點(diǎn)云特征向量。

支持向量機(jī)（SVM）作為機(jī)器學(xué)習(xí)領(lǐng)域十分重要的發(fā)展成果之一。支持向量機(jī)（SVM）是機(jī)器學(xué)習(xí)領(lǐng)域十分重要的成果之一。它是一種二分類模型，它的基本模型是定義再特征空間上的間隔最大的線性分類器，間隔距最大使它有別于感知機(jī);本文通過提取路坎與路面點(diǎn)云作為訓(xùn)練樣本。將上文所得的點(diǎn)云特征向量F作為SVM輸入特征，運(yùn)用SVM自帶工具進(jìn)行懲罰因子及核函數(shù)參數(shù)的尋優(yōu)。然后通過SVM訓(xùn)練模型及預(yù)測(cè)分類。

三、結(jié)論

利用SVM初步提取路坎點(diǎn)云，最后對(duì)提取結(jié)果進(jìn)行聚類優(yōu)化處理。該方法表明本方法能夠完整提取復(fù)雜城市道路環(huán)境中路坎點(diǎn)云。由于路坎點(diǎn)云容易存在缺失問題，本文方法未能解決這一問題。實(shí)驗(yàn)結(jié)果也存在錯(cuò)分的路坎點(diǎn)云，在后續(xù)的研究特征選擇時(shí)，可作為重點(diǎn)研究，進(jìn)一步提高路坎點(diǎn)云提取結(jié)果的精度。

參考文獻(xiàn)：

[1]南紅濤. 車載激光點(diǎn)云道路提取技術(shù)研究與應(yīng)用[D].戰(zhàn)略支援部隊(duì)信息工程大學(xué)，2020.

[2] 方莉娜， 楊必勝.車載激光掃描數(shù)據(jù)的結(jié)構(gòu)化道路自動(dòng)提取方法[J]. 測(cè)繪學(xué)報(bào)

[3] 劉健， 梁華為， 梅濤，等. 基于道路形態(tài)分析的道路邊界提取[J]. 機(jī)器人， 2016， 38（3）：7.

[4] 熊偉成， 楊必勝， 董震. 面向車載激光掃描數(shù)據(jù)的道路目標(biāo)精細(xì)化魯棒提取[J]. 地球信息科學(xué)學(xué)報(bào)， 2016， 018（003）：P.376-385.

[5] 羅海峰， 方莉娜， 陳崇成. 車載激光掃描數(shù)據(jù)路坎點(diǎn)云提取方法簡(jiǎn)[J]. 地球信息科學(xué)學(xué)報(bào)， 2017（7）：861-871.