基于稀疏表示的LiDAR點云目標識別

盧軍 王澤荔 孫威振 張文濤

摘 要： LiDAR獲取數據的方式導致點云數據存在陰影、遮擋等現象，造成現有算法識別率低，魯棒性差。稀疏表示理論表明過完備字典可通過少量重構系數重構樣本，從而達到降噪目的。據此提出基于稀疏表示的LiDAR點云目標識別算法。首先，在由所有訓練樣本組成的過完備字典上重構樣本；然后，計算每個測試樣本在字典上的稀疏表示重構誤差，并利用該重構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的識別率較現有算法均有顯著提升，并具有較高的魯棒性。

關鍵詞： 稀疏表示； 目標識別； LiDAR； 重構誤差； 字典

中圖分類號：TP391.4 文獻標志碼：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系統的數據處理問題，國內外專家學者進行了大量的實驗研究， Zhang等[2]提出了對機載LiDAR點云分類的聯合鑒別字典與分類學習方法，該方法獲取點云數據基于分層點的特征后進行字典學習，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，每個激光雷達點都表示為一個四階張量，進而通過一些訓練樣本來學習一套結構化的判別字典，最后通過最小重構誤差判斷類別歸屬。以上兩種方法使用的環境均為機載激光雷達，在基于機載雷達的目標識別中，點云數據結構穩定[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據，會產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致反射強度也不同[5]。稀疏表示的方法在數據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。

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

1 相關算法

1.1 OMP算法優化求解稀疏表示系數

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；其次，搜索索引，其中選擇下一個原子的依據是需要最大程度的減少目標的函數值；然后，對計算結果進行更新；最后，判斷迭代條件，如果小于設定的K值，繼續進行迭代計算，反之結束計算退出循環。

1.2 依據重構誤差確定樣本類別

為了使用稀疏表示系數來確定測試樣本的類別，在使用重構誤差來確定樣本的類別中，設測試樣本減去該樣本在字典中的重構數據的二范數為重構誤差，以此重構誤差進行類別的判斷。

圖1為算法流程，由于數據場景中點云分布密度不同，所裁剪區域點云數量無法保證一致；因此，首先對數據進行規范化處理，使點云數量一致；其次，由所有訓練樣本構成字典以及對每類訓練數據和測試數據進行便簽化處理，為后續確定樣本類別，建立判別標準；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；最終，以重構誤差來確定樣本的類別。

2 數據處理

文獻[2-3]指出，機載LiDAR的分類首先可以將地面點云數據去除后進行分類，相同目標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據，相同物體由于反射角度和反射距離的不同導致反射強度也不同，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點云數據預先提取，作為算法的訓練樣本和測試樣本。

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

3 實驗

本文實驗使用第二節獲取的數據，該場景中目標可大致分為四大類，草地、墻、窗戶以及屋頂，對此四類進行分割組成訓練、測試樣本。由于點云數據的密度分布在每個區域內都不盡相同，因此分割得到的訓練、測試樣本的點云數量無法保證相同，為了保證點云數據的數量在本文算法中的適用性，同時為了加速計算速度及規范數據量，使數據便于全局處理，對訓練、測試的點云數據統一下采樣為10，000點。

本文獲取的該數據包含草地、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識別方法對實驗數據進行實驗，其相關實驗過程及結果如下。

在實驗中，每幅場景由一個4?10，000的特征量表示。在每類隨機選取數據集中的510，000個LiDAR激光點云作為訓練集，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，圖4為利用OMP方法得到的稀疏重構信息的結果圖，參數K為10；該結果為圖5測試樣本在訓練集上的稀疏表示，由于附加的稀疏性約束，求解結果只有少數的非零元素，這些非零元素為重構系數，僅依靠這些非零元素便可以在圖3所示的訓練樣本中有效地重構出當前的測試樣本。

該稀疏表示方法存在控制稀疏性強弱的關鍵系數K，OMP算法的參數K由1增加到20，當K增加到10以后識別率基本保持穩定，如圖6繪制的參數識別率變化曲線所示。當采用稀疏的10個字典中的原子進行重構，便可以達到較高的識別率，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 結束語

本文針對激光點云目標識別率低等問題，提出基于稀疏表示的LiDAR點云目標識別方法。實驗結果表明，與傳統算法相比，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，減少字典生產過程中噪聲的影響。

參考文獻（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