面向点云语义分割的多特征融合PointNet++网络

PointNet和PointNet++方法以最大池化为聚合函数使得深度神经网络可直接分类无序点云,得到了较高的分类精度,但对点云空间相关性局部特征提取能力不足,制约了点云语义分割精度的提升。针对该问题,设计了一种面向点云语义分割的多特征融合PointNet++网络,在PointNet++网络中加入一个特征编码器,并以最小信息熵法计算的最优邻域来计算人工特征作为特征编码器的输入。在ISPRS提供的Vaihingen区域三维点云分类标准数据集上进行语义分割实验对比,结果表明多特征融合PointNet++网络语义分割精度比PointNet和PointNet++分别提高了4.3%和3.2%。     

结合自注意力机制的多特征融合点云语义分割网络

由于三维激光点云的无序性、稀疏性、非结构性以及光谱纹理信息缺乏，使得点云的语义信息提取十分困难，而可以直接对原始非结构化点云进行语义分割的PointNet++网络无法考虑点云的空间相关性。针对这个问题，本文提出了一种结合自注意力机制的多特征融合点云语义分割网络，使用PointNet++和非局部信息统计注意力模块分别提取点云的多尺度特征和空间相关性特征，并融合两种特征以进行最终的点云分割。通过在ISPRS 3D语义分割数据集上进行对比实验，证明本文通过自注意力机制提取的空间相关性特征优于人工设计的特征，可以明显提高点云语义分割的精度，本文方法较PointNet++总体精度提升了4.5%。     

联合点云压缩的多特征融合点云语义分割方法

针对PointNet++对点云空间相关性特征提取能力不足,同时难以适用于大场景高密度LiDAR点云语义分割的问题,提出一种联合点云压缩的多特征融合LiDAR点云语义分割方法。首先利用点云压缩算法降低点云密度,并使用PointNet++提取简化点云的深度语义特征,再利用拟合算法计算完整点云的深度特征;之后提取人工设计的空间相关性特征与深度特征进行串联;最后利用随机森林算法对完整点云进行语义分割。通过在ISPRS提供的LiDAR点云语义分割标准数据集进行实验,证明提出方法的有效性,总体精度较PointNet++提升了5.3%。     

基于深度残差网络与梯度优化的室内点云语义分割

三维点云语义分割是大型场景点云数据理解和分析的关键步骤之一。为实现室内场景点云更高精度的分割,提出一种基于深度残差网络与梯度优化的语义分割方法(DRN-GO),通过加深集抽象模块与特征传递模块的层数,加强对点云的特征学习,并在网络层之间引入残差网络进行特征链接。为防止网络层次的增加导致模型过拟合,在编解码后的全连接层部分加入Dropout结构,并在每层网络输入前对数据进行批量归一化处理,从而确保模型的稳定性。本文选用斯坦福大型室内数据集S3DIS设计实验,结果表明,DRN-GO方法相比PointNet++在精度上得到了大幅度提升。     

最小割与深度学习联合优化的室内粘连点云分割方法

随着数字城市的发展,城市三维模型重建对三维点云结构化的需求与精度要求越来越高。如何有效准确地分割室内语义模型与三维重构是当前研究的热点问题。点云分割分类是室内点云结构化的重要基础,如何将粘连点云构件进行准确分割并用于室内点云结构化,是当前城市建模的难点。本文提出了一种面向室内粘连点云数据的分割分类方法。首先,利用深度学习网络处理室内点云数据;其次,对点云数据进行标签分类,得到目标标签点云;然后,利用欧氏算法对目标点云进行聚类分割,通过室内语义构件包围盒信息计算各目标中心点坐标与水平半径;最后,利用点云最小割实现室内粘连点云的准确分割。利用3组室内场景中获取的数据对分割方法的精度及有效性进行了验证。结果表明,该分割优化方法具有较高的精度与数据完整性。     

3D点云震害建筑物深度学习样本增强方法

针对震后复杂场景下LiDAR点云建筑物破坏类型自动识别问题，为满足应急救援时效性、准确性需求，告别传统人工震害特征提取，充分挖掘点云数据中灾区建筑物震害信息，进一步实现建筑物自动化智能化识别。本文将3D点云深度学习方法应用于建筑物震害识别，构建了包含倒塌、局部倒塌、未倒塌3种建筑物破坏类型的点云数据集。基于PointNet++网络探究了各类别样本量及其均衡性对识别精度的影响，并提出破坏建筑物样本增强方法，丰富了各类别样本点云形态。利用2010年海地7.0级地震后机载LiDAR数据，在PointNet++网络中进行了样本增强前后分类精度比较、样本量以及均衡性分析实验，样本增强后倒塌和局部倒塌的分类精度分别提高近27%和17%，模型整体平均分类精度、Kappa系数均有近15%的提升。实验结果表明三维建筑物震害深度学习模型在各类别样本量足够且均衡时，才能取得较好的分类识别效果。     

几何特征与神经网络联合优化的室内三维点云语义分割方法

室内三维点云数据精准语义分割是实现深层次室内空间应用的基础。针对现有三维点云数据语义分割方法存在目标不完整和不一致的问题,本文提出了一种几何特征与深度神经网络联合优化的室内三维点云语义分割方法。该方法首先利用深度学习实现室内结构信息语义标签的初步提取,然后利用几何与颜色特征的点云分割方法对原始数据进行精确分割,最后利用概率模型将深度学习语义分割结果与几何分割结果进行交叉融合,实现语义分割结果的联合优化。基于开放数据集对本文提出的分割方法进行了精度和有效性验证,分别采用室内场景简单到复杂的三组室内点云数据进行了测试,试验结果表明,本文提出的方法能够有效提升室内三维点云语义分割精度。     

一种改进布料模拟滤波的地面点云提取方法

针对传统布料模拟滤波应用在城市竣工测绘中地面点云提取准确性较差的问题，提出了一种基于法线微分的布料模拟滤波算法。该方法先对输入的稠密点云进行预处理，以实现点云降采样和去噪；利用布料模拟滤波对预处理后的点云进行初步的地面提取；最后通过引入法线微分算子，过滤限定阈值外的向量域以分割出目标尺度对应的地面点与非地面点，从而实现地面点云的精确提取。实验结果表明：与渐进形态学滤波和传统的布料模拟滤波相比，该方法能够有效地将地面点与非地面点区分开，实现在大范围复杂城市竣工测绘场景下地面点云的精确提取。     

一种自适应的坡度阈值地面点云分割方法

针对城市道路斜坡地形场景中地面欠分割或过分割的问题,提出了一种自适应的激光雷达地面分割算法。首先将激光点云按照水平角度分辨率进行有序组织,然后求取同一水平角度下前后扫描圈间激光点云的距离和局部坡度,最后采用自适应水平距离、局部高度和全局高度阈值区分地面点和非地面点。结合40线激光雷达进行多场景实例分析,结果表明本文算法分割的准确率更高,处理每帧数据均用时约1ms,满足无人驾驶汽车的实时性需求。提出了一种自适应的激光雷达地面分割算法,实现了对激光雷达地面点云的准确分割。     

融合CNN和MRF的激光点云层次化语义分割方法

三维点云语义分割的结果包含着对场景中多个目标的识别,是三维场景信息提取的重要环节,在智慧城市等多个领域扮演关键角色.由于三维激光点云数据量庞大、场景复杂性高等问题,大多数现有方法只能以相对较低的识别率提取有限类型的对象.本文提出了一种在三维激光点云场景中结合残差学习和马尔可夫随机场(MRF)优化的层次化多类型目标自动提取框架.该框架首先将点云滤波为地面点和非地面点;然后从非地面点中提取建筑物以降低场景复杂度;接着基于现有深度模型引入残差学习模块对剩下点云进行逐点分类;最后采用马尔可夫随机场进行后处理和分类结果优化,以提高激光点云语义分割的准确率.对3个室外大规模点云场景分别进行的试验结果表明,本文方法可以对多种类型的点云场景进行有效语义分割,每个数据集的3项指标(召回率、精确度和F1值)分别为(94.6％、96.8％、95.7％)、(88.5％、90.5％、89.2％)和(95.3％、95.2％、95.3％).此外,与现有较前沿方法相比,本文方法显著提高了语义分割性能.     

基于PointNet的点云数据处理及识别技术应用研究

主要基于PointNet模型对点云数据进行特征分类处理,直接对无序化的三维点云数据进行无规则输入处理,通过对无序化的点云数据中的每一个点进行单独的处理,来实现点云数据的输入,与点的输入顺序没有关系,在PointNet中最重要的方法是对称函数最大池化来合并点云数据中每一个点的信息,输出分类特征集合或分割结果,然后结合计算机视觉的神经网络和深度学习等方法,来理解和分析点云数据对物体和环境的智能化识别的应用研究.     

基于LiDAR点云的建筑物分割深度学习模型研究

本文针对深度神经网络算法应用于机载激光点云进行大规模建筑物提取的问题,分别选取PointNet++和PointCNN两个网络模型进行了改进和对比。对于PointCNN,通过参数调整,使其更适合大场景信息提取。对于PointNet++,为了增加更多特征,加快大场景下网络模型的训练效率,在网络体系结构中添加了一种新的特征提取层——K-means层。另外,通过在测试数据集上的训练和验证发现,本文基于深度学习方法的分类较好地克服了点云的无序特性,能够更好地利用点之间的空间相关性,改进后两种模型的精度均达96%以上,在建筑物提取的时间效率和效果上优于原始模型。     

智能驾驶中点云目标快速检测与跟踪

利用实时车载激光点云，实现城市环境下的多目标快速检测与跟踪。动态目标跟踪是实现城市环境下自动驾驶的关键，是三维城市场景感知的研究难点。相比于图像，三维激光点云数据更适合用于目标三维形状估计和运动预测，所以广泛应用于无人驾驶方案中。使用基于目标模型和卡尔曼滤波的目标跟踪框架，针对稀疏点云数据中常见的过分割和欠分割问题，提出一种关联历史跟踪结果和目标检测的快速跟踪算法。将跟踪结果作为先验知识，与下一时刻的目标检测关联，增强目标检测的稳定性。该算法已经应用到搭载三维激光扫描仪的自动驾驶汽车中，实验证明，该算法适用于城市交通场景，且满足实时解算需求，单帧处理平均耗时58 ms。     

三维激光扫描技术在异形建筑竣工测量中的应用

全站仪、GNSS接收机等传统测绘仪器为单点测量模式,其对异形建筑进行竣工测量难以全面反映不规则曲线的空间变化情况。本文以青岛市世园会主题馆为例,提出了以三维激光扫描仪作为异形建筑竣工测量数据采集设备,经过内业处理将外业不同测站采集的点云数据在当地绝对坐标系下进行拼接,并根据规划竣工验收需要提取指定剖面的线划图,该方法不仅可全面反映异形建筑的空间形态,还可对三维点云数据进行建模,制作三维漫游场景等形式辅助规划竣工验收。     

顾及局部特征的深度学习点云分类研究

针对PointNet深度学习算法可以直接处理无序点云并取得了良好的精度,但是缺乏对局部信息学习过程的问题,该文基于图卷积模型,在PointNet基础上构造层次化的K邻域图,扩大局部感受野,获得高层次的特征抽象,有效提取了点云的局部特征从而提高了分类精度.分类实验在ModelNet40数据集上进行,取得了91.2％的测试精度.研究结果表明,该文提出的算法比PointNet分类结果高出2.0％,同时本文构造的分类网络鲁棒性优于PointNet算法,为点云分类工作提供了一种有效思路.     

图像语义分割辅助的车载激光点云道路提取方法

针对车载激光扫描系统获得的点云数据量大,难以获得有效特征进行分割分类提取道路的现状,提出一种深度学习图像语义分割辅助的激光点云道路提取方法。采用二维图像语义分割、数据融合配准粗分类、三维霍夫变换点云平面分割拟合和局部优化点云细分类的四步工作流程对车载激光点云进行道路提取。在2段不同的城市道路点云数据中进行提取与评测,获取的道路数据正确率与完整率均达到99%以上,提取质量优异,可满足实际应用需求。经实验分析,该方法可有效提取不同道路情况的道路点云,对点云数据的原始条件约束较少,相比其他方法在普适性和鲁棒性上都有大幅的提升。     

基于语义的倾斜影像单体建模技术研究

针对应用倾斜航空影像进行自动化建模所创建的建筑物建模存在诸如模型细节缺失,难以获取语义信息的问题,该文提出了一种采用基于语义的建模方式构建建筑物模型的方法;首先对密集图像匹配(DIM)点云进行建筑物类提取,实现场景中建筑和其它地物的分离;然后进行基于点云分割和建筑物验证的建筑物单体标注,以保证对单体建筑物的有效标记;最后利用倾斜航空影像和DIM点云的建筑物各组件的语义识别和提取算法,实现以单体建筑物为建模对象的模型重建;同时,设计适用于建筑物重建的语义建模框架,对单体语义模型进行自动化纹理映射,构建出语义化的建筑物模型。该文提出的建模关键技术方法将有助于减少城市建模成本,提高建模效率,为智慧城市基础数据的建设提供关键技术储备,并发挥相应的的社会和经济效益。     

基于激光点云技术的山区工程测绘信息提取

由于山区工程测绘信息提取的过程中没有对原始山区激光数据进行清洗处理,导致测绘信息提取效果较差,为此,本文提出基于激光点云技术的山区工程测绘信息提取方法。使用不规则三角渐进加密滤波方法确定地面点,采集山区工程激光数据,根据各点之间的距离,确定点云数据存在的合理性,对原始山区激光数据进行清洗处理,剔除异常数据,并将二维数据转化为三维数据,根据数据转化结果,计算山区结构参数,将其与点云数据融合,完成山区工程测绘信息提取。至此,基于激光点云技术的山区工程测绘信息提取方法设计完成。构建实验环节,实验结果证实,此方法信息提取安全性较高,工作量较少,且可有效提升测绘信息提取结果的可靠性。     

室内三维点云空间自动划分与规则化方法北大核心CSCD

精准空间划分是实现室内语义建模与拓扑结构重建的重要基础。三维点云作为常用的室内空间数据载体,如何基于三维点云进行室内空间语义信息提取与规则化具有重要意义。本文提出了一种基于形态学分割方法实现室内场景的分割,并结合矢量规则化方法完成分割场景的规则化。首先,基于区域增长算法与线性拟合方法提取空间分割要素,通过平面投影生成二进制影像,进而利用距离变换和分水岭算法完成空间分割;然后,对空间分割要素进行线性拟合,进行室内空间格网划分,采用矢栅叠加方法实现空间要素规则化;最后,通过4组实际场景(包含3组ISPRS数据集及1组实际场景采集数据)进行数据验证。试验结果显示,本文提出的室内空间分割与规则化方法可以准确快速地完成室内空间要素的提取。     

激光测量采集车在城市部件调查中的应用

车载移动测量技术在国内已经发展了几年的时间,三维点云数据结合多相机曝光的RGB信息可以直接生成真实三维场景,通过该技术手段可以大大提高城市部件数据采集能力。激光点云数据经过处理后,将基于点云采集的城市部件信息导入SuperMap二三维一体化GIS平台,实现了城市部件数据的管理与三维场景展示。