盧軍 王澤荔 孫威振 張文濤

摘 要： LiDAR獲取數(shù)據(jù)的方式導(dǎo)致點云數(shù)據(jù)存在陰影、遮擋等現(xiàn)象，造成現(xiàn)有算法識別率低，魯棒性差。稀疏表示理論表明過完備字典可通過少量重構(gòu)系數(shù)重構(gòu)樣本，從而達(dá)到降噪目的。據(jù)此提出基于稀疏表示的LiDAR點云目標(biāo)識別算法。首先，在由所有訓(xùn)練樣本組成的過完備字典上重構(gòu)樣本；然后，計算每個測試樣本在字典上的稀疏表示重構(gòu)誤差，并利用該重構(gòu)誤差判別測試樣本的類別歸屬。實驗表明，所提算法對點云目標(biāo)的識別率較現(xiàn)有算法均有顯著提升，并具有較高的魯棒性。

關(guān)鍵詞： 稀疏表示； 目標(biāo)識別； LiDAR； 重構(gòu)誤差； 字典

中圖分類號：TP391.4 文獻(xiàn)標(biāo)志碼：A 文章編號：1006-8228（2018）11-01-03

Abstract： The method of LiDAR data acquisition leads to shadow and occlusion of point cloud data， which results in low recognition rate and poor robustness of existing algorithms. The sparse representation theory indicates that the over-completeness of the dictionary enables the algorithm to reconstruct samples effectively with a small number of reconstruction coefficients， so as to achieve the purpose of noise reduction. Firstly， the samples were reconstructed on the over-complete dictionary composed of all training samples. Secondly， the sparse representation of each test sample in the dictionary indicates the reconstruction error， which is used to identify the category of test samples. The experimental results show that the proposed algorithm has significantly improved the recognition rate of point cloud objects compared with the existing algorithms， and has high robustness.

Key words： sparse representation； target recognition； LiDAR； reconstruction error； dictionary

0 引言

針對不同LiDAR系統(tǒng)的數(shù)據(jù)處理問題，國內(nèi)外專家學(xué)者進行了大量的實驗研究， Zhang等[2]提出了對機載LiDAR點云分類的聯(lián)合鑒別字典與分類學(xué)習(xí)方法，該方法獲取點云數(shù)據(jù)基于分層點的特征后進行字典學(xué)習(xí)，得到基于分層特征的字典，然后聚合分層特征，最后進行稀疏表示，完成識別。Li等[3]提出了一種用于機載激光雷達(dá)的基于張量的稀疏表示分類方法，該方法為了保持空間排列的特征，每個激光雷達(dá)點都表示為一個四階張量，進而通過一些訓(xùn)練樣本來學(xué)習(xí)一套結(jié)構(gòu)化的判別字典，最后通過最小重構(gòu)誤差判斷類別歸屬。以上兩種方法使用的環(huán)境均為機載激光雷達(dá)，在基于機載雷達(dá)的目標(biāo)識別中，點云數(shù)據(jù)結(jié)構(gòu)穩(wěn)定[6]，因此使用稀疏表示等方法對其進行分類時效果十分出色。與機載LiDAR不同的是，地面LiDAR掃描為原點向外掃描獲取數(shù)據(jù)，會產(chǎn)生陰影遮擋或缺失情況，且相同物體由于反射角度和反射距離的不同導(dǎo)致反射強度也不同[5]。稀疏表示的方法在數(shù)據(jù)存在遮擋和缺失的情況時具有很強的魯棒性，John等[1]提出了稀疏表示的識別方法，在識別過程中對遮擋和缺失等情況時同樣具有較高的識別率。

本文的主要貢獻(xiàn)是，提出了通過在稀疏表示空間提取點云目標(biāo)的判別信息，大大降低目標(biāo)特征判別的數(shù)據(jù)量以及噪聲對識別結(jié)果的影響。通過基于稀疏表示的地面LiDAR點云目標(biāo)識別方法，可以提高分類精度以及魯棒性。

1 相關(guān)算法

1.1 OMP算法優(yōu)化求解稀疏表示系數(shù)

OMP算法計算的每一步都會對所選擇的全部原子進行正交化處理，這樣會使得OMP算法的收斂速度更快。OMP算法計算過程中，首先，需要初始化誤差向量、活躍集以及迭代次數(shù)；其次，搜索索引，其中選擇下一個原子的依據(jù)是需要最大程度的減少目標(biāo)的函數(shù)值；然后，對計算結(jié)果進行更新；最后，判斷迭代條件，如果小于設(shè)定的K值，繼續(xù)進行迭代計算，反之結(jié)束計算退出循環(huán)。

1.2 依據(jù)重構(gòu)誤差確定樣本類別

為了使用稀疏表示系數(shù)來確定測試樣本的類別，在使用重構(gòu)誤差來確定樣本的類別中，設(shè)測試樣本減去該樣本在字典中的重構(gòu)數(shù)據(jù)的二范數(shù)為重構(gòu)誤差，以此重構(gòu)誤差進行類別的判斷。

圖1為算法流程，由于數(shù)據(jù)場景中點云分布密度不同，所裁剪區(qū)域點云數(shù)量無法保證一致；因此，首先對數(shù)據(jù)進行規(guī)范化處理，使點云數(shù)量一致；其次，由所有訓(xùn)練樣本構(gòu)成字典以及對每類訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進行便簽化處理，為后續(xù)確定樣本類別，建立判別標(biāo)準(zhǔn)；使用OMP算法對給定的測試樣本進行稀疏表示求解，得到稀疏表示系數(shù)；最終，以重構(gòu)誤差來確定樣本的類別。

2 數(shù)據(jù)處理

文獻(xiàn)[2-3]指出，機載LiDAR的分類首先可以將地面點云數(shù)據(jù)去除后進行分類，相同目標(biāo)的反射距離及反射角度趨于相同，因此使用稀疏表示等方法對其進行分類時效果十分出色。地面LiDAR與機載LiDAR不同的是，地面LiDAR為原點向外掃描式獲取數(shù)據(jù)，相同物體由于反射角度和反射距離的不同導(dǎo)致反射強度也不同，因此該方法處理地面LiDAR具有一定的局限性。針對這一特性，本文將地面激光掃描場景中目標(biāo)點云數(shù)據(jù)預(yù)先提取，作為算法的訓(xùn)練樣本和測試樣本。

本文使用Large-Scale Point Cloud Classification Benchmark數(shù)據(jù)集[4]，采用包括sg27_1場景在內(nèi)的五個場景進行測試，該數(shù)據(jù)集信息包含三維空間信息X，Y，Z、回波強度信息I（Intensity）以及影像數(shù)據(jù)配準(zhǔn)后的顏色信息RGB，該場景下點云數(shù)量共161，044，280個。本實驗使用位置信息以及強度信息X，Y，Z，I作為特征數(shù)據(jù)，原始點云如圖2所示。

3 實驗

本文實驗使用第二節(jié)獲取的數(shù)據(jù)，該場景中目標(biāo)可大致分為四大類，草地、墻、窗戶以及屋頂，對此四類進行分割組成訓(xùn)練、測試樣本。由于點云數(shù)據(jù)的密度分布在每個區(qū)域內(nèi)都不盡相同，因此分割得到的訓(xùn)練、測試樣本的點云數(shù)量無法保證相同，為了保證點云數(shù)據(jù)的數(shù)量在本文算法中的適用性，同時為了加速計算速度及規(guī)范數(shù)據(jù)量，使數(shù)據(jù)便于全局處理，對訓(xùn)練、測試的點云數(shù)據(jù)統(tǒng)一下采樣為10，000點。

本文獲取的該數(shù)據(jù)包含草地、墻、窗戶、屋頂4類共2，560，000個LiDAR點云，其中墻樣例圖像如圖3所示。本文基于稀疏表示的目標(biāo)識別方法對實驗數(shù)據(jù)進行實驗，其相關(guān)實驗過程及結(jié)果如下。

在實驗中，每幅場景由一個4?10，000的特征量表示。在每類隨機選取數(shù)據(jù)集中的510，000個LiDAR激光點云作為訓(xùn)練集，130，000個LiDAR點云為測試集。使用貪婪算法OMP求解稀疏表示系數(shù)，圖4為利用OMP方法得到的稀疏重構(gòu)信息的結(jié)果圖，參數(shù)K為10；該結(jié)果為圖5測試樣本在訓(xùn)練集上的稀疏表示，由于附加的稀疏性約束，求解結(jié)果只有少數(shù)的非零元素，這些非零元素為重構(gòu)系數(shù)，僅依靠這些非零元素便可以在圖3所示的訓(xùn)練樣本中有效地重構(gòu)出當(dāng)前的測試樣本。

該稀疏表示方法存在控制稀疏性強弱的關(guān)鍵系數(shù)K，OMP算法的參數(shù)K由1增加到20，當(dāng)K增加到10以后識別率基本保持穩(wěn)定，如圖6繪制的參數(shù)識別率變化曲線所示。當(dāng)采用稀疏的10個字典中的原子進行重構(gòu)，便可以達(dá)到較高的識別率，即87.5%，而使用KNN算法的識別率僅為68.75%。本文在不同場景下共進行五次實驗，實驗結(jié)果如圖7所示。其中灰色為使用KNN算法識別率，黑色為使用本文算法的識別率。

4 結(jié)束語

本文針對激光點云目標(biāo)識別率低等問題，提出基于稀疏表示的LiDAR點云目標(biāo)識別方法。實驗結(jié)果表明，與傳統(tǒng)算法相比，本文所提算法具有更加良好的鑒別能力。同時表明該方法在LiDAR點云目標(biāo)識別中同樣具有很好的效果和魯棒性。由于原始字典仍然具有一定的噪聲信息，會對識別結(jié)果造成一定的影響。接下來將對字典進一步進行研究，減少字典生產(chǎn)過程中噪聲的影響。

參考文獻(xiàn)（References）：

[1] Wright J， Ganesh A， Zhou Z， et al. Demo： Robust Face Recognition Via Sparse Representation[C]// IEEE International Conference on Automatic Face & Gesture Recognition. IEEE，2009：1-2

[2] Zhang Z， Zhang L， Tan Y， et al. Joint Discriminative Dictionary and Classifier Learning for ALS Point Cloud Classification[J]. IEEE Transactions on Geoscience & Remote Sensing，2017.56（1）：524-538

[3] Li N， Pfeifer N， Liu C. Tensor-Based Sparse Representation Classification for Urban Airborne LiDAR Points[J]. Remote Sensing，2017.9（12）：1216

[4] Hackel T， Savinov N， Ladicky L， et al. Semantic3D.net： A New Large-Scale Point Cloud Classification Benchmark[J].2017，IV-1/W1.

[5] Golovinskiy A， Kim V G， Funkhouser T. Shape-Based Recognition of 3D Point Clouds in Urban Environments[C]// IEEE， International Conference on Computer Vision. IEEE，2010：2154-2161

[6] Sampath A， Shan J. Segmentation and Reconstruction of Polyhedral Building Roofs From Aerial Lidar Point Clouds[J].IEEE Transactions on Geoscience & Remote Sensing，2010.48（3）：1554-1567

[7] Mei S， He M， Zhang Y， et al. Improving Spatial-Spectral Endmember Extraction in the Presence of Anomalous Ground Objects[J]. IEEE Transactions on Geoscience & Remote Sensing，2011.49（11）：4210-4222