(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210290339.4 (22)申请日 2022.03.23 (65)同一申请的已公布的文献号 申请公布号 CN 114399762 A (43)申请公布日 2022.04.26 (73)专利权人 成都奥伦达科技有限公司 地址 610017 四川省成 都市中国(四川)自 由贸易试验区成都 高新区天华一路99 号7栋7层12、 13、 14 号 专利权人 川藏铁路技 术创新中心有限公司 (72)发明人 刘健飞　陈薪宇　江亮亮　张波　 魏新元　 (74)专利代理 机构 重庆强大凯创专利代理事务 所(普通合伙) 50217 专利代理师 冉剑侠(51)Int.Cl. G06V 20/64(2022.01) G06V 10/26(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (56)对比文件 GB 202017625 D0,2020.12.23 US 2021287040 A1,2021.09.16 CN 112365503 A,2021.02.12 审查员 王巧玲 (54)发明名称 一种道路场景点云 分类方法及存 储介质 (57)摘要 本发明涉及激光雷达数据处理领域， 具体涉 及一种道路场景点云分类方法及存储介质， 方法 包括， 获取样本数据和道路采集数据， 对样本数 据初始处理得到训练样本， 对道路采集数据进行 预处理操作得到分割对象； 以数据增强算法对样 本数据进行数据增强处理， 将进行了数据增强处 理的训练样 本用于模型训练得到预训练模型， 根 据训练结果对 预训练模型的初始学习率、 批大小 和学习率衰减参数进行调整； 利用预训练模型对 步骤1中的分割对象进行分类预测， 得到初步分 类结果； 通过最小割算法对初步 分类结果进行粘 连对象分割处理得到分割结果， 并用预训练模型 对分割结果进行精化分类， 得到道路场景点云分 类结果。 本发明对点云数据有效分类， 并提升点 云分类的精度。 权利要求书2页 说明书7页 附图10页 CN 114399762 B 2022.06.10 CN 114399762 B 1.一种道路场景点云 分类方法， 其特 征在于： 包括以下步骤： 步骤1， 获取样本数据和道路采集数据， 对样本数据依次进行单个点云对象截取、 最远 点采样和归一化操作得到训练样本， 对道路采集数据进行预处理操作得到分割对 象， 所述 预处理操作包括以下子步骤： 子步骤1.1， 先通过 预设滤波算法对道路采集数据进行地 面点与非地 面点的分离； 子步骤1.2， 再通过预设聚类算法对非地面点进行聚类， 得到在空间上粘连的聚类点云 对象； 子步骤1.3， 将聚类点云对象投影到XOY平面上并判断投影主方向的投影长度是否大于 预设长度， 若投影长度大于预设长度， 则沿道路前进 方向每隔单位距离且不对Z方向设置阈 值限制地分割道路两旁的点云数据， 得到分割块； 子步骤1.4， 使用非粘连对象聚类方法将分割块中过分割和错误分割的聚类点云对象 中不相连的部分按照高程分割为两个部分； 子步骤1.5， 先判断过分割的聚类点云对象中聚类体的高低， 再使用合并还原算法并根 据高的对象的三维形态特 征或空间分布特 征将高的对象还原回对应的位置； 子步骤1.6， 判断聚类体的数目， 当数目大于1时， 迭代性地重复子步骤1.4和子步骤 1.5， 当聚类的数目为1时， 得到分割对象； 步骤2， 通过数据增强算法对样本数据进行数据增强处理， 将进行了数据增强处理的训 练样本用于模型训练得到预训练模型， 根据训练结果对预训练模型 的初始学习率、 批大小 和学习率衰减参数进行调整； 步骤3， 利用预训练模型对步骤1中的分割对象进行分类预测， 得到初步分类结果， 所述 初步分类结果包括低矮植被、 非低矮植被和杆状物， 所述非低矮植被包括树木、 车辆和围 栏； 步骤4， 通过最小割算法对初步分类结果进行粘连对象分割处理得到分割结果， 并用预 训练模型对分割结果进行精化分类， 得到道路场景点云 分类结果。 2.根据权利要求1所述的道路场景点云分类方法， 其特征在于： 所述子步骤1.4中， 对每 个对象进行聚类； 如果该对 象本就是完整的一块， 使用非粘连对象聚类方法处理后的聚类 数也还是1； 如果该对 象空间上存在分离的部分， 则会根据预设的阈值分为若干部分， 如果 聚类的数目等于1， 则不进 行操作； 如果聚类的数目等于2， 则根据其高程值归类为两部 分再 进行后续回归操作； 如 果聚类的数目大于2， 对聚类出来的所有聚类体 ， 计算每个聚类体平均高程 ； 计算聚类体平均高程z的平均值Z； 计算每个聚 类体平均高程z相较于Z的方差， 比较偏离最大的值， 将其划分为 一类， 剩余的划分为 一类。 3.根据权利要求2所述的道路场景点云分类方法， 其特征在于： 所述子步骤1.5中， 首先 判定两个聚类结果在空间上是否为高低分布； 如果是则判断两个聚类体的高矮情况； 计算 高的聚类体在沿道路前进方向上的重心值 和该分割对象在沿道路前进方向上的中心值 ； 比较 和 的位置关系并判定还原的位置； 如果 ， 则高的聚类体放回到前进方向的 位置， 反之放回反方向的位置 。 4.根据权利要求3所述的道路场景点云分类方法， 其特征在于： 所述步骤2中， 所述数据 增强处理包括以下子步骤：权　利　要　求　书 1/2 页 2 CN 114399762 B 2子步骤2.1， 对样本数据随机使用绕z轴旋转、 加高斯噪声、 平移、 缩放或者随机丢失点 算法进行数据增强处理， 每完成一次数据增强处理就将样本数据输入预训练模型进行模型 训练， 通过判定最终训练的验证集精度高低和可训练轮次的大小来判断参数调整后对预训 练模型泛化能力的影响； 子步骤2.2， 在调 节参数后， 通过判定最终训练的验证集精度高低和可训练轮次的大小 来判断参数调整后对预训练模型泛化能力的影响； 子步骤2.3， 通过比较不同参数对预训练模型泛化能力的影响， 选取最适合该数据集下 的参数组合， 对 模型进行训练， 得到预训练模型。 5.根据权利要求4所述的道路场景点云分类方法， 其特征在于： 所述步骤4中， 还包括以 下子步骤： 子步骤4.1， 计算低矮植被的平均高度 ， 对每个初步分类结果为非低矮植被的对 象的 下半部分截取高度， 截取高度为平均高度乘以预设的尺寸系数， 截取高度为 ， 将截取的部分输入预训练模型中进行分类， 并判断截取 的部分是否为低矮植被， 如果为低 矮植被， 则用最小割对该粘连了低矮植被的截取 的部分进行分割分类， 分离出粘连 的低矮 植被， 并将非低矮植被部分还原回去； 子步骤4.2， 在分割了低矮植被的基础上， 对非杆状物对象进行聚类判断， 判断聚类的 数目， 如果聚类的数目大于1， 通过预训练模型对聚类结果进行分类判断， 返回推理结果为 非杆状物对 象； 否则沿道路方向每隔单位距离对非杆状物对 象进行分块， 对分块结果进行 精化分类， 判断是否有杆状物， 如果有， 用最小割对其进行分割， 并用预训练模型对分割的 结果进行分类判断。 6.根据权利要求5所述的道路场景点云 分类方法， 其特 征在于： 所述尺寸系数为 。 7.一种存储介质， 用于存储计算机可执行指令， 其特征在于， 所述计算机可执行指令在 被执行时实现上述权利要求1 ‑6任一项所述的道路场景点云 分类方法的步骤。权　利　要　求　书 2/2 页 3 CN 114399762 B 3