基于稀疏表示的LiDAR点云目标识别

卢军 王泽荔 孙威振 张文涛

摘 要： LiDAR获取数据的方式导致点云数据存在阴影、遮挡等现象，造成现有算法识别率低，鲁棒性差。稀疏表示理论表明过完备字典可通过少量重构系数重构样本，从而达到降噪目的。据此提出基于稀疏表示的LiDAR点云目标识别算法。首先，在由所有训练样本组成的过完备字典上重构样本；然后，计算每个测试样本在字典上的稀疏表示重构误差，并利用该重构误差判别测试样本的类别归属。实验表明，所提算法对点云目标的识别率较现有算法均有显著提升，并具有较高的鲁棒性。

关键词： 稀疏表示； 目标识别； LiDAR； 重构误差； 字典

中图分类号：TP391.4 文献标志码：A 文章编号：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

针对不同LiDAR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， Zhang等[2]提出了对机载LiDAR点云分类的联合鉴别字典与分类学习方法，该方法获取点云数据基于分层点的特征后进行字典学习，得到基于分层特征的字典，然后聚合分层特征，最后进行稀疏表示，完成识别。Li等[3]提出了一种用于机载激光雷达的基于张量的稀疏表示分类方法，该方法为了保持空间排列的特征，每个激光雷达点都表示为一个四阶张量，进而通过一些训练样本来学习一套结构化的判别字典，最后通过最小重构误差判断类别归属。以上两种方法使用的环境均为机载激光雷达，在基于机载雷达的目标识别中，点云数据结构稳定[6]，因此使用稀疏表示等方法对其进行分类时效果十分出色。与机载LiDAR不同的是，地面LiDAR扫描为原点向外扫描获取数据，会产生阴影遮挡或缺失情况，且相同物体由于反射角度和反射距离的不同导致反射强度也不同[5]。稀疏表示的方法在数据存在遮挡和缺失的情况时具有很强的鲁棒性，John等[1]提出了稀疏表示的识别方法，在识别过程中对遮挡和缺失等情况时同样具有较高的识别率。

本文的主要贡献是，提出了通过在稀疏表示空间提取点云目标的判别信息，大大降低目标特征判别的数据量以及噪声对识别结果的影响。通过基于稀疏表示的地面LiDAR点云目标识别方法，可以提高分类精度以及鲁棒性。

1 相关算法

1.1 OMP算法优化求解稀疏表示系数

OMP算法计算的每一步都会对所选择的全部原子进行正交化处理，这样会使得OMP算法的收敛速度更快。OMP算法计算过程中，首先，需要初始化误差向量、活跃集以及迭代次数；其次，搜索索引，其中选择下一个原子的依据是需要最大程度的减少目标的函数值；然后，对计算结果进行更新；最后，判断迭代条件，如果小于设定的K值，继续进行迭代计算，反之结束计算退出循环。

1.2 依据重构误差确定样本类别

为了使用稀疏表示系数来确定测试样本的类别，在使用重构误差来确定样本的类别中，设测试样本减去该样本在字典中的重构数据的二范数为重构误差，以此重构误差进行类别的判断。

图1为算法流程，由于数据场景中点云分布密度不同，所裁剪区域点云数量无法保证一致；因此，首先对数据进行规范化处理，使点云数量一致；其次，由所有训练样本构成字典以及对每类训练数据和测试数据进行便签化处理，为后续确定样本类别，建立判别标准；使用OMP算法对给定的测试样本进行稀疏表示求解，得到稀疏表示系数；最终，以重构误差来确定样本的类别。

2 数据处理

文献[2-3]指出，机载LiDAR的分类首先可以将地面点云数据去除后进行分类，相同目标的反射距离及反射角度趋于相同，因此使用稀疏表示等方法对其进行分类时效果十分出色。地面LiDAR与机载LiDAR不同的是，地面LiDAR為原点向外扫描式获取数据，相同物体由于反射角度和反射距离的不同导致反射强度也不同，因此该方法处理地面LiDAR具有一定的局限性。针对这一特性，本文将地面激光扫描场景中目标点云数据预先提取，作为算法的训练样本和测试样本。

本文使用Large-Scale Point Cloud Classification Benchmark数据集[4]，采用包括sg27_1场景在内的五个场景进行测试，该数据集信息包含三维空间信息X，Y，Z、回波强度信息I（Intensity）以及影像数据配准后的颜色信息RGB，该场景下点云数量共161，044，280个。本实验使用位置信息以及强度信息X，Y，Z，I作为特征数据，原始点云如图2所示。

3 实验

本文实验使用第二节获取的数据，该场景中目标可大致分为四大类，草地、墙、窗户以及屋顶，对此四类进行分割组成训练、测试样本。由于点云数据的密度分布在每个区域内都不尽相同，因此分割得到的训练、测试样本的点云数量无法保证相同，为了保证点云数据的数量在本文算法中的适用性，同时为了加速计算速度及规范数据量，使数据便于全局处理，对训练、测试的点云数据统一下采样为10，000点。

本文获取的该数据包含草地、墙、窗户、屋顶4类共2，560，000个LiDAR点云，其中墙样例图像如图3所示。本文基于稀疏表示的目标识别方法对实验数据进行实验，其相关实验过程及结果如下。

在实验中，每幅场景由一个4?10，000的特征量表示。在每类随机选取数据集中的510，000个LiDAR激光点云作为训练集，130，000个LiDAR点云为测试集。使用贪婪算法OMP求解稀疏表示系数，图4为利用OMP方法得到的稀疏重构信息的结果图，参数K为10；该结果为图5测试样本在训练集上的稀疏表示，由于附加的稀疏性约束，求解结果只有少数的非零元素，这些非零元素为重构系数，仅依靠这些非零元素便可以在图3所示的训练样本中有效地重构出当前的测试样本。

该稀疏表示方法存在控制稀疏性强弱的关键系数K，OMP算法的参数K由1增加到20，当K增加到10以后识别率基本保持稳定，如图6绘制的参数识别率变化曲线所示。当采用稀疏的10个字典中的原子进行重構，便可以达到较高的识别率，即87.5%，而使用KNN算法的识别率仅为68.75%。本文在不同场景下共进行五次实验，实验结果如图7所示。其中灰色为使用KNN算法识别率，黑色为使用本文算法的识别率。

4 结束语

本文针对激光点云目标识别率低等问题，提出基于稀疏表示的LiDAR点云目标识别方法。实验结果表明，与传统算法相比，本文所提算法具有更加良好的鉴别能力。同时表明该方法在LiDAR点云目标识别中同样具有很好的效果和鲁棒性。由于原始字典仍然具有一定的噪声信息，会对识别结果造成一定的影响。接下来将对字典进一步进行研究，减少字典生产过程中噪声的影响。

参考文献（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