一种改进的空间上下文点云分类方法

考虑到点云数据具有线性分布和密度不均匀的特点,以及现有复杂场景点云分类方法中缺少对非局部空间上下文信息的有效利用,提出了一种改进的空间上下文点云分类方法。该方法在提取点云数据顾及曲率的自适应邻域的基础上,首先估算点云局部特征与依赖性空间上下文,并基于超级体素提取分布性空间上下文,最后采用高阶条件随机场模型,实现对点云数据的自动分类,避免了利用单一点云局部特征分类的局限性。试验结果表明,本文方法能够有效提高点云数据地物分类精度。     

融合空谱特征的车载LiDAR点云道路标识线提取

道路标识线是三维道路场景中重要的交通标识之一。自动提取点云场景中的标识线信息对于道路路宽测量、自动驾驶等任务具有十分重要的意义。本文提出了一种基于空谱特征的车载Li DAR点云道路标识线提取方法。该方法充分考虑车载激光点云中道路标识线的颜色、空间邻域和高程等位置关系,直接对点云数据进行自动分类,提取道路标识线。为了验证本文方法的有效性,采用高速公路路段场景的车载激光点云数据进行试验,从中选取训练数据及测试区域进行道路标识线提取试验。最后,本文基于手动标记数据验证本文方法的效果,道路标识线提取总体精度为99.64%。