基于点特征直方图的道路场景点云目标识别方法

摘要：点云目标识别在智慧交通系统中具有较高的应用价值。本文主要研究了基于点特征直方图的道路场景点云目标识别方法。首先，提取道路场景点云目标的点特征直方图特征；接着，使用K-means聚类方法对点特征直方图特征进行聚类，建立词袋模型，使不同点云目标的特征维数相同；最后，将词袋模型构造的码本输入支持向量机中进行训练，得到最优的分类识别模型，并对测试集的道路场景点云目标进行识别。在悉尼城市点云目标数据集上进行了实验，该方法的识别准确率达到了98.33%。实验结果表明，本文方法的识别效果较好。

关键词：图像处理；点云识别；点特征直方图；K-means聚类

中图分类号：TP391.4 文献标识码：A

文章编号：1009-3044（2024）17-0036-03 开放科学（资源服务）标识码（OSID） ：

0 引言

点云目标识别是一种从三维点云数据中识别并分类目标对象的技术，已被广泛应用于智能交通系统、智能机器人和智能监控等领域[1]。点云数据能够保留三维空间中原始的几何形状信息[2]，国内外许多学者已经对点云目标识别方法进行了研究。文献[3] 提出利用视点特征直方图（Viewpoint Feature Histo⁃gram， VFH） 对铁路场景中不同目标的三维点云特征进行提取，并利用最近点搜索方法完成单物体点云分类识别。文献[4]中将颜色纹理的方向特征直方图与视点特征直方图算法相结合，以实现室内场景的点云目标识别。文献[5]先对点云数据进行聚类，然后基于支持向量机（Support Vector Machine， SVM） 分类器对Adaboost算法进行了改进，实现了三维激光点云目标识别。文献[6]提出了基于局部曲面特征直方图的点云识别方法，具有较快的识别速度。文献[7]提出了基于局部特征的点云目标识别方法，实现了较高的识别性能。文献[8]研究了基于特征匹配的点云目标识别方法，提高了点云目标识别的准确率。

综上所述，现有的这些研究虽然取得了较好的识别效果，但识别准确率仍有待提高，识别时间也较长。本文研究了基于点特征直方图的道路场景点云目标识别方法，提取点云的点特征直方图特征（Points Fea⁃ture Histogram， PFH） ，并与词袋模型（Bag of Words，BoW） 相结合，将特征维数统一后，输入到SVM分类器中进行识别。在悉尼城市点云目标数据集上验证了该方法的有效性，实验结果表明，本文方法具有较好的识别性能。

1 基于PFH 的道路场景点云目标识别方法

点云目标识别通常包括3个步骤：1） 对点云目标进行预处理；2） 对预处理后的点云目标进行特征提取，获取点云特征集；3） 选择合适的分类器进行分类识别，得到最终的点云目标识别结果。

1.1 点云预处理

原始的点云目标具有无序性、稀疏性，并且包含了丰富的空间信息，比如三维坐标、颜色、强度等信息。一般情况下，在获取原始的点云目标后，需要进行预处理，以提高点云目标的质量，为点云识别提供准确、可靠的数据。

本文使用主成分分析法（Principal ComponentAnalysis，PCA） 将原始点云目标从三维降维到二维平面上，获取点云目标的关键点，后续对点云关键点进行处理。点云目标关键点是点云目标中的代表性和区别性的点的集合，可以提高点云目标特征提取的效率和准确性。

1.2 基于词袋模型的PFH 构建

PFH（Points Feature Histogram） 是描述点云中的点的局部特征的方法，该方法通过计算查询点和欧氏局部邻域点的空间关系来得到多维直方图，从直方图可以看出特征的分布特点。PFH的计算过程主要包括以下4个步骤：1） 确定查询点及其8邻域内的所有邻近点。2） 计算查询点和8邻域内的所有邻近点的法线和切线，描述点的局部几何属性。3） 计算查询点及8邻域内的所有邻近点之间的欧氏距离。4） 根据计算结果绘制直方图。

由于点云目标中每个点的PFH特征为64维，而点云目标的特征点数为n，因此得到的特征数据是64×n。为了保证所有点云目标的特征数据维度相同，本文采用词袋模型（BoW） 方法对点云目标的PFH特征进行处理，得到PFH特征的训练码本。主要计算过程如下：

1） 使用K-means聚类方法对n 个PFH特征进行聚类，得到k 个视觉词。再计算点云数据的每个点的PFH特征与k 个视觉词的距离，并映射到与其最近距离的视觉词表中。每个点云目标成为一个与视觉词一一对应的词频矢量。

2） 对码本矢量进行归一化操作，得到训练码本。

1.3 SVM 分类器

本文采用的分类器是支持向量机（Support VectorMachine，SVM） ，该分类器通过寻找一个超平面对样本数据进行分割，使分类间隔最大化。在处理多分类问题时，通过核函数将原始数据映射到高维空间后再寻找最优超平面。本文采用的核函数是高斯核函数，如公式（1） 所示。

K（x，x′） = exp（-||x - x′||2 /2σ2） （1）

式中，x 和x′是输入的训练码本， x - x′是x和x′之间的欧氏距离，σ是一个正实数，表示高斯核函数的宽度参数。

1.4 算法总体流程

基于点特征直方图的道路场景点云目标识别方法的流程图如图1所示。

具体过程如下：

1） 训练阶段。首先，提取训练集道路场景的点云目标的PFH特征值，然后使用词袋模型对PFH特征进行处理，包括以下两个步骤：一是使用K-means聚类方法对PFH特征进行聚类，以得到视觉单词表；二是进行码本矢量归一化，从而获得训练码本。最后，将训练码本输入到SVM分类器中进行训练，以识别模型，并保存最优的识别模型。

2） 测试阶段。提取测试集道路场景的点云目标的PFH特征值，并使用词袋模型对PFH特征进行处理，构建PFH特征测试码本。然后调用最优的识别模型进行测试，得到道路场景点云目标的识别结果。

2 实验结果及分析

2.1 实验数据集

本文使用的道路场景点云目标数据集是悉尼城市点云目标数据集（Sydney Urban Objects Dataset） [9]，该数据集中的点云目标是通过采用Velodyne HDL-64E激光雷达对城市中的道路场景对象进行扫描得到的，包含8类粗分类对象和14类细分类对象。数据集的部分点云目标如图2所示。本文采用汽车（四轮车、小汽车、拖车和面包车）、人和杆状物3类粗分类对象进行实验。对于每一类粗分类对象，随机选取320组样本作为训练目标，剩余80组样本作为测试目标，训练集和测试集的样本比例为4∶1。

2.2 实验结果及分析

为了验证本文方法的识别性能，在悉尼城市点云目标数据集上进行了实验，并采用识别准确率、查准率、查全率和F1分数作为评价指标。聚类数目分别为15、25、35、45，识别的道路场景点云目标是汽车、人、杆状物3种粗分类对象。使用MATLAB语言编程实现本文方法的实验。本文方法在悉尼城市点云目标数据集上的识别准确率如表1所示。聚类数目为25时，本文方法在悉尼城市点云目标数据集上对3类粗分类对象的查准率、查全率和F1分数如表2所示。从表1可知，聚类数目为25时，本文方法对道路场景点云目标的识别准确率最高。从表2可知，本文方法对3种粗分类对象的F1分数均较高，F1分数是查准率和查全率的调和平均数，进一步说明本文方法的识别效果较好。

图3为聚类数目为25时，本文方法对道路场景点云目标的识别结果的混淆矩阵。由图3可以看出，杆状物和人容易混淆，因为两者均具有高度大于宽度的特征，有些杆状物的点云图像与人的点云图像比较类似。

3 结论

本文研究了基于点特征直方图（PFH） 的道路场景点云目标识别方法。首先提取了道路场景点云目标的PFH特征，随后建立了词袋（BoW） 特征词典，并最终使用支持向量机（SVM） 分类器进行了分类识别。在悉尼城市点云目标数据集上的实验结果表明，本文方法的识别准确率较高，能够满足道路场景点云目标识别的要求。

参考文献：

[1] 方月.基于快速点特征直方图的点云识别研究[D].重庆：西南大学，2023.

[2] 任金鹏.基于激光点云的道路目标检测研究[D].上海：上海应用技术大学，2021.

[3] 郭保青，余祖俊，张楠，等.铁路场景三维点云分割与分类识别算法[J].仪器仪表学报，2017，38（9）：2103-2111.

[4] 杜靖远，邓计才.一种视点直方图特征优化的点云目标识别算法[J].河南科技大学学报（自然科学版），2018，39（5）：45-50，5.

[5] 徐国艳，牛欢，郭宸阳，等.基于三维激光点云的目标识别与跟踪研究[J].汽车工程，2020，42（1）：38-46.

[6] 陆军，华博文，朱波.基于局部曲面特征直方图的点云识别[J].模式识别与人工智能，2020，33（10）：934-943.

[7] 刘启康.基于局部特征的点云目标识别[J].科学技术创新，2021（12）：58-59.

[8] 郭子明.基于激光雷达点云的目标识别与跟踪方法[J].照明工程学报，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.

【通联编辑：唐一东】

基金项目：湖南省教育厅科学研究优秀青年项目（21B0800） ，2023 年国家级大学生创新创业训练计划项目（S202311528009） ，2022 年度衡阳市指导性计划项目（202222015678） ，湖南工学院引进人才科研启动项目（HQ21025） ，湖南工学院校级科学研究重点项目（2022HY023） ，2022 年湖南工学院大学生创新训练中心入驻项目（2022EP01X）