針對城市交叉口環(huán)境下交通基礎(chǔ)設(shè)施無法精確檢測道路使用者的問題,提出了一種基于視點特征直方圖與支持向量機（VFH-SVM）的點云特征提取與分類方法。根據(jù)交叉口復雜環(huán)境下目標物的感知需求,對路側(cè)三維激光雷達獲取的點云信息采用直通數(shù)據(jù)濾波預處理;利用條件歐氏聚類算法對場景點云數(shù)據(jù)進行分割;基于視點特征直方圖對分割后不同目標物的三維點云特征進行提取;建立了不同交通參與者及設(shè)施的視點特征直方圖（VFH）特征數(shù)據(jù)集;采用線性核函數(shù)的支持向量機（SVM）算法對交通場景內(nèi)的點云數(shù)據(jù)進行分類識別實驗。實驗結(jié)果表明:所提方法對城市交叉口環(huán)境下典型目標物體的分類識別準確率均大于90%以上。 

【文章來源】：傳感器與微系統(tǒng). 2020,39(12)

【文章頁數(shù)】：4 頁

【部分圖文】：

路側(cè)激光雷達城市交叉口安裝示意

VFH是由一個描述表面形狀的擴展快速點特征直方圖(fast point feature histogram,FPFH)分量和視點方向與法線之間分量構(gòu)成，分別如圖2所示，是用來表示目標物全局特征的特征描述子。VFH由兩部分組成，一方面，對FPFH所產(chǎn)生的3個角度分量與1個距離分量分別進行45個單位區(qū)間統(tǒng)計，共形成180個組合區(qū)間;另一方面，對視點分量直方圖進行128個單位區(qū)間統(tǒng)計，將FPFH和視點分量直方圖進行組合，就產(chǎn)生了308個組合區(qū)間。因此，對于任何一個待識別目標物的特征都可由308維向量進行描述。

利用視點特征直方圖VFH對分割后的單物體點云進行計算，在橫坐標區(qū)間為[1,135]的曲線對應擴展FPFH分量，其中，橫坐標區(qū)間[1,45],[46,90],[91,135]上的曲線分別對應圖2(a)上法線ns和nt的偏差角α，φ，θ。橫坐標區(qū)間為[136,308]的曲線對應視點方向分量直方圖。對不同物體提取結(jié)果如圖3所示。如圖3(a)所示，4條VFH特征曲線分別對應4個不同姿態(tài)行人的三維點云圖像，在橫坐標區(qū)間為[1,135]的4條曲線的FPFH分量非常相似，而在橫坐標區(qū)間為[136,308]視點方向分量存在較大差異，由VFH特征曲線可以判定該4個點云具有相似特征，且同屬于行人并具有不同姿態(tài)。

【參考文獻】：
期刊論文
[1]基于路側(cè)三維激光雷達的車輛目標分類算法[J]. 楊思遠,鄭建穎.  傳感器與微系統(tǒng). 2020(07)
[2]基于支持向量機與Adaboost的入侵檢測系統(tǒng)[J]. 池亞平,凌志婷,王志強,楊建喜.  計算機工程. 2019(10)
[3]利用遷移學習的機載激光雷達點云分類[J]. 趙傳,張保明,余東行,郭海濤,盧俊.  光學精密工程. 2019(07)
[4]海量激光點云數(shù)據(jù)的關(guān)鍵特征準確定位輸出方法[J]. 孫秀娟.  激光雜志. 2019(04)
[5]一種基于路緣特征的點云道路邊界提取方法[J]. 馬新江,劉如飛,蔡永寧,王鵬.  遙感信息. 2019(02)
[6]基于深度學習的道路標線自動提取與分類方法[J]. 黃剛,劉先林.  中國激光. 2019(08)
[7]基于點云數(shù)據(jù)的三維目標識別和模型分割方法[J]. 牛辰庚,劉玉杰,李宗民,李華.  圖學學報. 2019(02)
[8]基于激光雷達的內(nèi)河無人船障礙物識別方法[J]. 王貴槐,謝朔,柳晨光,初秀民,李梓龍.  光學技術(shù). 2018(05)
[9]鐵路場景三維點云分割與分類識別算法[J]. 郭保青,余祖俊,張楠,朱力強,高晨光.  儀器儀表學報. 2017(09)
[10]基于三維激光雷達的智能車輛目標參數(shù)辨識[J]. 王肖,李克強,王建強,徐友春.  汽車工程. 2016(09)



本文編號：3055633