基于點特征直方圖的道路場景點云目標識別方法

摘要：點云目標識別在智慧交通系統(tǒng)中具有較高的應(yīng)用價值。本文主要研究了基于點特征直方圖的道路場景點云目標識別方法。首先，提取道路場景點云目標的點特征直方圖特征；接著，使用K-means聚類方法對點特征直方圖特征進行聚類，建立詞袋模型，使不同點云目標的特征維數(shù)相同；最后，將詞袋模型構(gòu)造的碼本輸入支持向量機中進行訓(xùn)練，得到最優(yōu)的分類識別模型，并對測試集的道路場景點云目標進行識別。在悉尼城市點云目標數(shù)據(jù)集上進行了實驗，該方法的識別準確率達到了98.33%。實驗結(jié)果表明，本文方法的識別效果較好。

關(guān)鍵詞：圖像處理；點云識別；點特征直方圖；K-means聚類

中圖分類號：TP391.4 文獻標識碼：A

文章編號：1009-3044（2024）17-0036-03 開放科學(xué)（資源服務(wù)）標識碼（OSID） ：

0 引言

點云目標識別是一種從三維點云數(shù)據(jù)中識別并分類目標對象的技術(shù)，已被廣泛應(yīng)用于智能交通系統(tǒng)、智能機器人和智能監(jiān)控等領(lǐng)域[1]。點云數(shù)據(jù)能夠保留三維空間中原始的幾何形狀信息[2]，國內(nèi)外許多學(xué)者已經(jīng)對點云目標識別方法進行了研究。文獻[3] 提出利用視點特征直方圖（Viewpoint Feature Histo?gram， VFH） 對鐵路場景中不同目標的三維點云特征進行提取，并利用最近點搜索方法完成單物體點云分類識別。文獻[4]中將顏色紋理的方向特征直方圖與視點特征直方圖算法相結(jié)合，以實現(xiàn)室內(nèi)場景的點云目標識別。文獻[5]先對點云數(shù)據(jù)進行聚類，然后基于支持向量機（Support Vector Machine， SVM） 分類器對Adaboost算法進行了改進，實現(xiàn)了三維激光點云目標識別。文獻[6]提出了基于局部曲面特征直方圖的點云識別方法，具有較快的識別速度。文獻[7]提出了基于局部特征的點云目標識別方法，實現(xiàn)了較高的識別性能。文獻[8]研究了基于特征匹配的點云目標識別方法，提高了點云目標識別的準確率。

綜上所述，現(xiàn)有的這些研究雖然取得了較好的識別效果，但識別準確率仍有待提高，識別時間也較長。本文研究了基于點特征直方圖的道路場景點云目標識別方法，提取點云的點特征直方圖特征（Points Fea?ture Histogram， PFH） ，并與詞袋模型（Bag of Words，BoW） 相結(jié)合，將特征維數(shù)統(tǒng)一后，輸入到SVM分類器中進行識別。在悉尼城市點云目標數(shù)據(jù)集上驗證了該方法的有效性，實驗結(jié)果表明，本文方法具有較好的識別性能。

1 基于PFH 的道路場景點云目標識別方法

點云目標識別通常包括3個步驟：1） 對點云目標進行預(yù)處理；2） 對預(yù)處理后的點云目標進行特征提取，獲取點云特征集；3） 選擇合適的分類器進行分類識別，得到最終的點云目標識別結(jié)果。

1.1 點云預(yù)處理

原始的點云目標具有無序性、稀疏性，并且包含了豐富的空間信息，比如三維坐標、顏色、強度等信息。一般情況下，在獲取原始的點云目標后，需要進行預(yù)處理，以提高點云目標的質(zhì)量，為點云識別提供準確、可靠的數(shù)據(jù)。

本文使用主成分分析法（Principal ComponentAnalysis，PCA） 將原始點云目標從三維降維到二維平面上，獲取點云目標的關(guān)鍵點，后續(xù)對點云關(guān)鍵點進行處理。點云目標關(guān)鍵點是點云目標中的代表性和區(qū)別性的點的集合，可以提高點云目標特征提取的效率和準確性。

1.2 基于詞袋模型的PFH 構(gòu)建

PFH（Points Feature Histogram） 是描述點云中的點的局部特征的方法，該方法通過計算查詢點和歐氏局部鄰域點的空間關(guān)系來得到多維直方圖，從直方圖可以看出特征的分布特點。PFH的計算過程主要包括以下4個步驟：1） 確定查詢點及其8鄰域內(nèi)的所有鄰近點。2） 計算查詢點和8鄰域內(nèi)的所有鄰近點的法線和切線，描述點的局部幾何屬性。3） 計算查詢點及8鄰域內(nèi)的所有鄰近點之間的歐氏距離。4） 根據(jù)計算結(jié)果繪制直方圖。

由于點云目標中每個點的PFH特征為64維，而點云目標的特征點數(shù)為n，因此得到的特征數(shù)據(jù)是64×n。為了保證所有點云目標的特征數(shù)據(jù)維度相同，本文采用詞袋模型（BoW） 方法對點云目標的PFH特征進行處理，得到PFH特征的訓(xùn)練碼本。主要計算過程如下：

1） 使用K-means聚類方法對n 個PFH特征進行聚類，得到k 個視覺詞。再計算點云數(shù)據(jù)的每個點的PFH特征與k 個視覺詞的距離，并映射到與其最近距離的視覺詞表中。每個點云目標成為一個與視覺詞一一對應(yīng)的詞頻矢量。

2） 對碼本矢量進行歸一化操作，得到訓(xùn)練碼本。

1.3 SVM 分類器

本文采用的分類器是支持向量機（Support VectorMachine，SVM） ，該分類器通過尋找一個超平面對樣本數(shù)據(jù)進行分割，使分類間隔最大化。在處理多分類問題時，通過核函數(shù)將原始數(shù)據(jù)映射到高維空間后再尋找最優(yōu)超平面。本文采用的核函數(shù)是高斯核函數(shù)，如公式（1） 所示。

K（x，x′） = exp（-||x - x′||2 /2σ2） （1）

式中，x 和x′是輸入的訓(xùn)練碼本， x - x′是x和x′之間的歐氏距離，σ是一個正實數(shù)，表示高斯核函數(shù)的寬度參數(shù)。

1.4 算法總體流程

基于點特征直方圖的道路場景點云目標識別方法的流程圖如圖1所示。

具體過程如下：

1） 訓(xùn)練階段。首先，提取訓(xùn)練集道路場景的點云目標的PFH特征值，然后使用詞袋模型對PFH特征進行處理，包括以下兩個步驟：一是使用K-means聚類方法對PFH特征進行聚類，以得到視覺單詞表；二是進行碼本矢量歸一化，從而獲得訓(xùn)練碼本。最后，將訓(xùn)練碼本輸入到SVM分類器中進行訓(xùn)練，以識別模型，并保存最優(yōu)的識別模型。

2） 測試階段。提取測試集道路場景的點云目標的PFH特征值，并使用詞袋模型對PFH特征進行處理，構(gòu)建PFH特征測試碼本。然后調(diào)用最優(yōu)的識別模型進行測試，得到道路場景點云目標的識別結(jié)果。

2 實驗結(jié)果及分析

2.1 實驗數(shù)據(jù)集

本文使用的道路場景點云目標數(shù)據(jù)集是悉尼城市點云目標數(shù)據(jù)集（Sydney Urban Objects Dataset） [9]，該數(shù)據(jù)集中的點云目標是通過采用Velodyne HDL-64E激光雷達對城市中的道路場景對象進行掃描得到的，包含8類粗分類對象和14類細分類對象。數(shù)據(jù)集的部分點云目標如圖2所示。本文采用汽車（四輪車、小汽車、拖車和面包車）、人和桿狀物3類粗分類對象進行實驗。對于每一類粗分類對象，隨機選取320組樣本作為訓(xùn)練目標，剩余80組樣本作為測試目標，訓(xùn)練集和測試集的樣本比例為4∶1。

2.2 實驗結(jié)果及分析

為了驗證本文方法的識別性能，在悉尼城市點云目標數(shù)據(jù)集上進行了實驗，并采用識別準確率、查準率、查全率和F1分數(shù)作為評價指標。聚類數(shù)目分別為15、25、35、45，識別的道路場景點云目標是汽車、人、桿狀物3種粗分類對象。使用MATLAB語言編程實現(xiàn)本文方法的實驗。本文方法在悉尼城市點云目標數(shù)據(jù)集上的識別準確率如表1所示。聚類數(shù)目為25時，本文方法在悉尼城市點云目標數(shù)據(jù)集上對3類粗分類對象的查準率、查全率和F1分數(shù)如表2所示。從表1可知，聚類數(shù)目為25時，本文方法對道路場景點云目標的識別準確率最高。從表2可知，本文方法對3種粗分類對象的F1分數(shù)均較高，F(xiàn)1分數(shù)是查準率和查全率的調(diào)和平均數(shù)，進一步說明本文方法的識別效果較好。

圖3為聚類數(shù)目為25時，本文方法對道路場景點云目標的識別結(jié)果的混淆矩陣。由圖3可以看出，桿狀物和人容易混淆，因為兩者均具有高度大于寬度的特征，有些桿狀物的點云圖像與人的點云圖像比較類似。

3 結(jié)論

本文研究了基于點特征直方圖（PFH） 的道路場景點云目標識別方法。首先提取了道路場景點云目標的PFH特征，隨后建立了詞袋（BoW） 特征詞典，并最終使用支持向量機（SVM） 分類器進行了分類識別。在悉尼城市點云目標數(shù)據(jù)集上的實驗結(jié)果表明，本文方法的識別準確率較高，能夠滿足道路場景點云目標識別的要求。

參考文獻：

[1] 方月.基于快速點特征直方圖的點云識別研究[D].重慶：西南大學(xué)，2023.

[2] 任金鵬.基于激光點云的道路目標檢測研究[D].上海：上海應(yīng)用技術(shù)大學(xué)，2021.

[3] 郭保青，余祖俊，張楠，等.鐵路場景三維點云分割與分類識別算法[J].儀器儀表學(xué)報，2017，38（9）：2103-2111.

[4] 杜靖遠，鄧計才.一種視點直方圖特征優(yōu)化的點云目標識別算法[J].河南科技大學(xué)學(xué)報（自然科學(xué)版），2018，39（5）：45-50，5.

[5] 徐國艷，牛歡，郭宸陽，等.基于三維激光點云的目標識別與跟蹤研究[J].汽車工程，2020，42（1）：38-46.

[6] 陸軍，華博文，朱波.基于局部曲面特征直方圖的點云識別[J].模式識別與人工智能，2020，33（10）：934-943.

[7] 劉啟康.基于局部特征的點云目標識別[J].科學(xué)技術(shù)創(chuàng)新，2021（12）：58-59.

[8] 郭子明.基于激光雷達點云的目標識別與跟蹤方法[J].照明工程學(xué)報，2023，34（5）：64-67.

[9] QUADROS ALASTAIR J. Representing 3D Shape in SparseRange Images for Urban Object Classification[D].Sydney： TheUniversity of Sydney， 2014.

【通聯(lián)編輯：唐一東】

基金項目：湖南省教育廳科學(xué)研究優(yōu)秀青年項目（21B0800） ，2023 年國家級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目（S202311528009） ，2022 年度衡陽市指導(dǎo)性計劃項目（202222015678） ，湖南工學(xué)院引進人才科研啟動項目（HQ21025） ，湖南工學(xué)院校級科學(xué)研究重點項目（2022HY023） ，2022 年湖南工學(xué)院大學(xué)生創(chuàng)新訓(xùn)練中心入駐項目（2022EP01X）