支持向量机的车载雷达点云目标识别

Posted 2021-04-26 测绘科学

支持向量机的车载雷达点云目标识别

摘　要：为了进一步研究移动测量系统的数据处理问题，该文根据点云的基本特征，归纳了由７个特征构成的点云原始特征向量，在此基础上，结合语义环境构建了由１７个特征构成的点云扩展特征向量，并采用支持向量机模型对车载ＬｉＤＡＲ 点云进行行道树点云识别的一系列实验。实验中采用粒子群优化算法和遗传算法对支持向量机进行参数寻优；采用不同特征向量和不同数目样本对点云进行学习和目标识别；分析了特征向量的学习曲线和识别精度。实验结果表明，支持向量机模型能够在行道树点云识别中取得较高的精度。

车载移动测量系统是现代测绘技术研究的热点问题。针对不同移动测量系统的数据处理问题，国内外专家学者进行了大量的实验研究。国外在该领域的研究起步较早，Ｍａｎａｎｄｈａｒ和Ｓｈｉｂａｓａｋｉ提出了根据断面扫描点的点位空间分布特征将点云分成不同组的算法，该方法能将建筑物、道路和树木初步分离；Ｓｈｉ和Ｖｏｓｓｅｌｍａｎ提出了基于建筑物语义的点云数据特征提取方法，该方法首先对点云进行分割，然后根据语义特征进行分类；李必军等提出了基于建筑物几何特征的信息挖掘方法，该方法在点云去噪及分类方面，均需根据已知信息对观测值进行概算； 史文中等提出了基于投影点密度的车载ＬｉＤＡＲ 点云距离图像分割方法，该方法主要通过阈值对点云分类，但没有考虑到投影时地面点与非地物点叠加对结果的影响；杨必胜等提出了面向车载ＬｉＤＡＲ 点云快速分类的点云特征图像生成方法；有学者提出基于地物特征提取点云数据并分类的方法；还有很多学者对ＬｉＤＡＲ 点云进行了道路、建筑物、行道树等专题信息的提取方法研究。

本文结合ＬｉＤＡＲ 点云的基本特征及上下文语义环境，构建了点云的原始特征向量和扩展特征向量，并采用支持向量机（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）对行道树点云进行目标识别实验。

本文主要采用ＳＶＭ 对车载ＬｉＤＡＲ 点云进行学习和目标识别。ＳＶＭ 的分类精度和运行效率主要取决于核函数及其参数， 本文采用径向基函数（ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ，ＲＢＦ）作为核函数，并利用粒子群优化算法（ＰＳＯ）和遗传算法（ＧＡ）对模型进行参数寻优。这两种算法都属于仿生算法， 不同之处在于：ＰＳＯ 在计算过程中最优解信息通过粒子单向流动，存在收敛于局部极值的不足；ＧＡ 主要通过染色体的复制、交叉与变异传接最优解信息，算法收敛于最好的染色体， 优化效果与信息的编码方式密切相关。为实验ＳＶＭ 在车载ＬｉＤＡＲ点云目标识别中的精度，分别分析不同数目样本、不同特征向量对识别结果的影响。主要步骤如下。①道路中心线提取：根据采集的彩色ＬｉＤＡＲ 点云数据提取道路中心线； ② 点云裁剪： 对道路中心线进行缓冲分析， 根据缓冲区裁剪点云； ③ 坐标转换：将裁剪后的点云通过角度旋转、坐标平移、镜像变换等计算实现系统坐标系与工作坐标系之间的转换；④ 特征计算与提取： 根据前文点云特征向量及语义环境中的计算公式对点云的特征进行计算和提取，以制作点云分类的训练样本和测试样本；⑤训练样本与测试样本制作： 在可视化环境下制作训练样本和测试样本， 保证行道树点云数量与非行道树点云数量之间的比例；⑥ＳＶＭ学习：利用ＳＶＭ 对训练样本进行学习，采用ＰＳＯ算法和ＧＡ 算法对ＳＶＭ 的学习模型进行参数寻优，比较分析并选取较好的参数寻优算法； ⑦ 采用不同数目的训练样本进行学习与目标识别： 通过对不同数目的训练样本进行学习， 分析不同训练样本数量对识别精度的影响； ⑧ 采用不同特征向量进行学习与目标识别：分别采用由７个原始特征构成的原始特征向量和由１７ 个特征构成的扩展特征向量进行学习和目标识别， 分析不同特征向量对识别精度的影响。

车载ＬｉＤＡＲ 点云的快速处理与应用是移动测量系统的瓶颈问题。通过对点云对象及周边点群进行分析，归纳并扩展计算了点云对象的原始特征值向量和１７ 特征值向量。在此基础上， 采用ＳＶＭ 方法对车载ＬｉＤＡＲ 点云进行了行道树分类识别实验。实验过程中分别采用了粒子群优化算法和遗传算法对支持向量机模型参数进行寻优，对原始特征值向量和１７ 特征值向量分别进行不同训练样本下的分类识别实验， 二者的分类精度均随训练样本的增大而增加，且采用１７ 特征值向量的识别效果明显优于原始特征向量的识别效果。实验结果表明，在对车载ＬｉＤＡＲ 点云特征进行扩展计算的基础上，采用ＳＶＭ 方法对点云数据进行目标识别具有良好的可行性。

引用格式：李海亭，王厚之，李艳红，等．支持向量机的车载雷达点云目标识别［Ｊ］．测绘科学，２０１６，４１ （５）：４５-４９．

作者简介：李海亭（１９８０—），男，山东寿光人，高级工程师，博士，从事车载ＬｉＤＡＲ点云数据处理方法研究。

Ｅｍａｉｌ：[e-mail]

基金项目：国家自然科学基金青年基金资助项目（４１１０１４４９）； 精密工程与工业测量国家测绘地理信息局重点实验室开放研究基金资助项目（ＰＦ２０１１２６）