结合上下文特征和图割算法的车载点云聚类方法

刘亚文，张 颖

武汉大学遥感信息工程学院，湖北武汉430079

移动车载扫描系统能够实现城市街景点云数据的快速采集，而对大量、无序的点云数据进行聚类是准确分析、解译场景目标的前提.

点云聚类方法的原理是依据数据点的相似性对点云进行分割，从而形成不同的簇，常用的方法有基于点或基于体素的方法.基于点方法的聚类精度会受到点云数据质量的影响，基于体素方法的聚类精度则会受到点云数据体素离散化分辨率的影响.点云聚类的约束逐渐从局部范围优化转向全局优化，如条件随机模型（conditional random field, CRF）及图割[1]等全局优化模型已经用于点云数据聚类.在基于图模型的全局优化算法中，边的权值描述了节点间的相关性.现有的算法多用点间距离来定义边的权值，而对于点间蕴含的空间和属性关联则考虑不足，因此容易造成聚类结果出现过分割的现象.针对上述问题，本文提出一种新的基于上下文特征和图割算法的车载点云聚类方法，目的在于改善过分割现象，提高点云数据聚类精度.

传统点云聚类方法分为基于划分的聚类方法（如K-means 算法）、基于层次的聚类方法（如AGNES(AGglomerative NESting)和DIANA(divisive analysis)算法）、基于密度的聚类方法（如DBSCAN(density-based spatial clustering of applications with noise)算法）、基于模型的聚类方法（如COBWEB 算法）和基于智能计算的聚类方法（如SOM(self organizing maps)[2]）.一些研究对传统方法进行了改善，如文献[3]提出了自适应种子点计算的区域生长点云分割方法，不仅有效降低了噪声对算法的影响，而且增加了算法……