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%。     

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%。     

融合多特征深度学习的地面激光点云语义分割

针对当前点云语义分割研究对地面站激光点云特征利用不足、正确率较低的问题,该文提出了一种基于多尺度球形邻域特征的深度神经网络算法。该算法基于多尺度球形邻域计算的地面激光点云的粗糙度、高斯曲率,以及全方差、线性度等基于协方差的多种特征,结合XYZ坐标、RGB颜色、激光反射强度组成47维特征向量作为神经网络的输入,经过多组参数组合实验优化神经网络结构,最后通过softmax分类器输出每个点的类别。利用Semantic-3D测试集验证所提的深度神经网络模型,取得了较好的分类精度,总体正确率和平均交并比分别达到了86.6%和55.0%。实验结果表明,所提算法充分利用了地面站激光点云的特征,可有效提升语义分割的正确率。     

基于语义推理的城区机载LiDAR分割点云分类

目前,机载LiDAR系统获取的点云数据具有多回波的特性,回波特性可以揭示地物的类型信息。本文在排除粗差、首次回波和中间次回波后,对单次回波和尾次回波形成的点云子集进行基于3DHough变换分割和滤波处理以区分地面点和非地面点(包括墙面点),然后合并首次回波、中间次回波和非地面点再次进行点云分割,利用分割面片的尺寸大小、单次回波激光脚点比例、首次回波和中间次回波激光脚点比例等三个指标区分建筑物激光脚点和植被激光脚点。实验证明,上述方法可以很好地将点云数据分类为墙面点、地面点、建筑物点和植被点。     

利用局部几何特征与空洞邻域的点云语义分割

点云具有数据量大、无拓扑结构等特点,现有的深度学习语义分割模型难以充分挖掘大范围邻域内点云中所隐藏的几何特征。由此提出了一种基于空洞邻域并结合角度等几何特征作为模型输入的点云语义分割模型。首先,在局部邻域构建过程中,将图像处理的空洞卷积操作扩展至点云,建立空洞邻域结构,以扩大感受野;然后,在特征提取过程中,将中心点与邻域点之间相对坐标、距离、角度等基本几何特征作为模型输入,最大程度挖掘邻域内的几何特征;最后,基于所提邻域结构与特征提取算法构建了点云语义分割模型。采用Semantic3D数据集进行实验验证,结果表明,所提模型分割效果优于对比的点云语义分割算法,空洞邻域与局部几何输入特征能够有效改善点云语义模型的性能。     

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。     

基于多维欧氏空间相似度的激光点云分割方法

点云数据分割是对激光扫描(LiDAR)场景进行三维重建的基础。针对现有基于边界、表面或聚类的点云分割方法中存在的分割不足或过度分割问题,提出了一种基于多维欧几里德空间相似度的点云数据分割方法。通过计算激光点的法向量,结合点云的光谱特征进行数学变换,计算激光点在多维空间中的欧氏距离,比较邻近点间的相似性,最终完成对激光点云数据的分割。该方法解决了常用点云分割中几何特征和光谱特征无法同时使用的问题,融合了几何分割和颜色分割的两方面优势,提高了点云分割精度。采用2组数据分别比较了基于几何特征、光谱特征和多维空间相似度的3种不同分割算法的分割结果,实验结果验证了该方法的可行性和实用性。     

顾及法向量的点云语义分割方法

针对在复杂场景下激光雷达点云数据的语义分割研究中,存在点云特征损失大、点云语义挖掘不足和分割精度不高等问题,该文提出了一种将法向量和RandLA-Net相结合的点云语义分割方法。把点云法向量与RandLA-Net网络的局部特征聚合模块融合,提取局部语义聚合特征,利用softmax分类器对每个点进行分类。实现了复杂场景下LiDAR点云数据的语义分割。通过对Oakland点云数据集和德国Vaihingen城市语义数据集进行实验分析,验证了本文算法具有较强的泛化能力,本文算法在Oakland点云数据集和Vaihingen城市语义数据集上的平均交并比分别为96.38%和92.49%,与RandLA-Net网络相比,该算法充分利用了激光点云数据的语义特征,有效地提高了点云语义分割的准确性。     

基于深度学习的大规模点云语义分割方法综述

为了展示深度学习在点云处理上最新进展,同时促进对点云语义分割方法的研究,该文对基于深度学习的大规模点云语义分割方法进行了综述。在介绍8个室内和室外语义分割数据集的基础上,重点对近几年的深度学习点云语义分割方法进行了归纳和分析,并在S3DIS、Semantic3D、Toronto3D、ISPRS Vaihingen 3D和SemanticKITTI数据集上对不同方法进行了比较,并构建了相应的基准。最后对目前点云语义分割算法存在的问题和未来趋势进行了分析。     

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...     

一种机载激光雷达道路点云的半自动提取方法

针对直接从LiDAR点云数据中提取道路信息比较困难的问题,文章提出了一种基于点云分割和区域生长的机载LiDAR数据道路点云提取方法:采用曲面生长法对点云进行分割,直接得到包含道路信息的曲面点集合;应用LiDAR数据的回波强度对分割结果中的道路进行强度标定,并采用区域增长的思想实现了道路的精细提取。实验表明,该方法能够高效、准确地提取道路点云,在路桥建模方面有较强的使用价值。     

基于多尺度虚拟网格与坡度阈值的机载LiDAR点云滤波方法

点云滤波是机载LiDAR数据后处理的基础工作,本文提出一种基于多尺度虚拟网格与坡度阈值的机载LiDAR点云滤波方法。该方法采用类似影像金字塔的方式构建不同尺度即不同分辨率的虚拟网格,各级网格都以每个方格内最低点作为地面种子点,然后根据坡度阈值以分辨率由低到高的方式逐层对种子点进行平滑处理,最后以最高分辨率即最小尺度虚拟网格地面种子点作为基准种子点对整个数据集进行滤波处理。本文分别采用城区与郊区两块机载LiDAR数据进行了实验。实验表明,该方法能够有效地提取出地面点,运算效率也比较高,具有一定的实用价值。     

基于机载LiDAR数据的建筑物轮廓提取

建筑物轮廓作为建筑物三维重建的重要元素,在建立智慧城市和数字城市中至关重要。本文针对从机载激光雷达点云中提取建筑物轮廓数据处理的点云滤波、建筑物屋顶面提取、建筑物轮廓提取,以及提取精度评定各环节存在的一些问题,提出了一种综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法。该方法在对机载LiDAR点云数据去噪的基础上,首先利用改进的区域生长算法滤波地面点,并基于地物点到地面的归一化高程特征通过高度阈值去除高度较为低矮的地物点;再基于三维Hough变换算法从剩余建筑物和高大树木点云中提取建筑物平面;最后使用α-shape算法提取建筑物的轮廓信息。对使用RIEGLVQ-1560i机载激光雷达测量系统扫描的某城区点云数据进行计算,通过匹配度、形状相似度和位置精度等评价指标对提取的建筑物轮廓进行精度评定。结果表明,综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法可以准确提取建筑物的轮廓信息,对于大范围的建筑物轮廓提取具有稳定性和普遍适用性。     

Assessment of various parameters on 3D semantic object-based point cloud labelling on urban LiDAR dataset

Semantic labelling of LiDAR point cloud is critical for effective utilization of 3D points in numerous applications. 3D segmentation, incorporation of ancillary data, feature extraction and classification are the key stages in object-based point cloud labelling. The choice of algorithms and tuning parameters adopted in these stages has substantial impact on the quality of results from object-based point cloud labelling. This paper critically evaluates the performance of object-based point cloud labelling as a function of different 3D segmentation approaches, incorporation of spectral data and computational complexity of the point cloud. The designed experiments are implemented on the datasets provided by the ISPRS and the results are independently validated by the ISPRS. Results indicate that aggregation of dense point cloud into higher-level object analogue (e.g. supervoxels) before 3D segmentation stage offers superior labelling results and best computational performance compared to the popular surface growing-based approaches.     

机载激光雷达数据中电力线的快速提取

针对当前机载LiDAR技术在电力巡线应用中对电力线数字模型高精度和快速重建的需求,该文提出一种高效的电力线点云分类方法。首先基于局部范围点的高程统计直方图,实现电力线点的快速粗提取;然后运用随机抽样一致性算法剔除残留的电塔点,结合点云高程统计进一步剔除绝缘子点,实现电力线点的精提取;最后利用同一垂直面内电力线点的高程分布特性,实现单根电力线点的快速提取。基于实际输电线路机载LiDAR数据的实验结果表明,该方法可实现电力线点的快速、高精度提取:粗分类后的电力线点中仅含约10%的非电力线点;精分类后约有2%的电力线点被误分为绝缘子点,最终各条电力线点的提取比率平均为98%以上。     

空间域分割的机载LiDAR数据输电线快速提取

机载LiDAR具有快速、直接获取地物3维坐标的能力,在电网高压输电线路安全巡检中具有较大的应用前景。论文针对机载LiDAR输电线智能巡检的需求,提出并实现了一种基于空间域分割的LiDAR点云数据输电线自动提取方法。该方法首先利用高程直方图统计法去除地面点,再次利用点云密度差异剔除杆塔,根据相邻线之间的距离差和相邻层的高程差进行单根输电线分离。最后,采用多项式模型在3维空间中重构每根输电线空间坐标。实验结果表明该方法能够快速自动地提取多个杆塔之间的多根输电线数据,具有一定的工程应用价值。     

采用聚类分析的车载点云地物分类

针对车载激光雷达点云初始聚类中心难以确定的问题,该文提出了一种基于最大网格密度的近邻聚类算法对点云实现分割,并以高程、法向量和投影密度作为约束条件对分割后的点云块进行地物的分类识别。通过对车载激光雷达的部分点云数据进行相关试验,结果表明该方法可以精确有效地实现城市典型地物分类。     

融合LiDAR数据与航空影像的面向对象水体提取

针对单一数据源难以快速、准确提取水体信息的问题,提出一种利用面向对象技术有效融合LiDAR点云与影像数据,准确提取水体信息的新方法。采用分形网络演化算法对航空影像进行多尺度分割得到影像对象,提出对象平均回波强度概念,利用LiDAR回波强度信息计算OAI,选取对象面积和OAI构建特征空间提取水体。实验结果表明,该方法简单高效,水体提取效果良好。该文方法可为无需精确配准的高精度水体提取、利用面向对象技术处理基于LiDAR数据和航空影像的信息提取等问题提供参考。     

SANet:空间注意力机制下的LiDAR点云实时语义分割方法

语义分割是智能机器人由感知智能迈向认知智能的重要基础,当前针对点云数据的语义分割方法存在实时性差、精度低等现象。本文系统分析了点云经球面投影所得的距离图像与自然图像的差异,为基于距离图像的实时语义分割网络设计提供了思路。通过分析发现,距离图像具有强空间相关性的特点,将强空间相关性与注意力机制相结合,提出基于空间注意力机制下的LiDAR点云实时语义分割方法SANet。该方法能够高效地聚合空间分布特征与上下文特征,且模型参数量较少,满足实时性的要求。在SemanticKITTI数据集上的试验表明,与其他优秀算法相比,SANet兼顾了实时性与准确性,显著提高了LiDAR点云语义分割的精度,可为自动驾驶及其他机器人应用领域提供辅助支撑。     

车载激光点云的道路标线提取及语义关联

自动驾驶技术已成为未来智能交通的发展方向之一,高精度地图为L3级及以上自动驾驶实现高精度定位和路径规划提供先验信息,是自动驾驶车辆传感器在遮挡或观测距离受限情况下的重要补充。道路标线的位置和语义信息,比如实线和虚线的绝对位置是高精度地图的基本组成部分。本文从车载激光点云中提取扫描线,根据道路边缘位置几何形态的突变从扫描线中提取道路路面,在此基础上首先利用反距离加权插值的方法把路面点云图像以一定的分辨率转换为栅格图像,其次利用基于积分图的自适应阈值分割方法把栅格图像转化为二值图像,然后利用欧氏聚类的方法从二值图像中提取标线点云,并利用特征属性筛选的方法对提取的标线点云进行语义识别,最后建立交通标线和交通规则之间的语义关联。