基于车载LiDAR点云数据的分类方法

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。

主权项

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：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；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：S21、找到点云数据在XOY平面上的最小矩形外包框(BoundingBox)；S22、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：$w=\mathrm{ceil}(\frac{{\mathrm{box}}_x}{{\mathrm{GSD}}_{\mathrm{xy}}}+2.01),$$h=\mathrm{ceil}(\frac{{\mathrm{box}}_y}{{\mathrm{GSD}}_{\mathrm{xy}}}+2.01),$式中，box_x,box_y是外包框的x,y方向长度，GSD_xy为格网间距；S23、将全部点云数据与格网建立对应的索引关系，分离地面点和非地面点，包括以下两种情况：1)找到最小高程值Z_min和最大高程值Z_max，在Z方向上进行修正，得到修正后的最小高程值和最大高程值设定经验阈值ΔZ′_th，ΔZ″_th，ΔZ₁＝Z_max‑Z_min,${\mathrm{\Delta Z}}_2=Z_{\min }-Z_{\min }^{^},$若ΔZ₁<ΔZ′_th，且ΔZ₂<ΔZ″_th，判定为地面点，否则为其他类型点；2)若目标点数小于设定的最少点数，或者ΔZ₁<ΔZ″_th，为设定的地面点高程最大值阈值，两种基准的地面点最大高程值，计算公式如下：$Z_{\max }^{\mathrm{flr}}=z_{\min }^{^}+{\mathrm{\Delta Z}}_{\max }^{\mathrm{flr}},$$Z_{\max }^{{\mathrm{flr}}^{\prime }}=Z_{\min }+{\mathrm{\Delta Z}}_{\max }^{\mathrm{flr}},$若，某点高程值则为地面点；若利用点的曲率和法向量，若且和为设定的曲率阈值和法向量变化阈值，R_i为某点的曲率，n_i为对应的法向量；否则点被判定为建筑物点；S24、步骤S23中将点分类为非地面点和地面点，非地面点里也分离出了一部分建筑物立面点，现对非地面点分析找到所有的建筑物立面点：将非地面点云数据格网化，重新建立与格网对应的索引关系，由于建筑物立面面积较大，可划分为若干小区域立方体(blob)，设置blob的大小阈值为S_th,建筑物立面的高程差值为${\mathrm{\Delta Z}}_{\max }=Z_{\max }-Z_{\min }^{^},$若则判定为其他点，否则为建筑物点。