基于多特征融合的城市场景三维点云语义分割

城市场景三维点云语义分割存在点云覆盖范围广、数据规模大、局部点云量稀疏、城市建筑风格各异等问题,仅依靠形状特征与颜色特征的分割方法无法对城市点云进行准确分割。该文提出了一种基于多特征融合的城市场景三维点云语义分割方法MFFN(Multi-Future Fusion Network)。在预处理阶段对三维点云进行网格采样,降低了点云数据量,但同时最大程度保留点云的几何形状特征;引入每个采样点的法向量特征,有效弥补几何形状特征与颜色特征的不足;设计多特征局部聚合模块,将点云法向量特征和几何形状特征、颜色特征进行融合,增强网络对城市场景中表面凹凸程度相差较大的物体类别的学习能力。在SensatUrban城市数据集上的结果显示,该方法的平均交并比为55.90%,总体精度为91.90%,相比RandLA-Net网络分别提高了3.21百分点和2.12百分点,并且在多个城市类别上的分割精度均有较大提升。