车载激光点云道路标线分类提取方法

利用车载激光道路点云提取道路标线的难度较大。针对此问题,文章采用一种改进的基于点云特征图像的道路标线分类提取方法。首先将道路点云投影生成点云特征图像,通过结合图像梯度分析、图像二值化和连通域分析等操作,进一步进行道路标线像素提取;然后反投影到三维点云后,利用高斯混合模型对道路标线精细优化,从而提取出完整的道路标线点云;最后通过模板匹配分类,对道路标线点云进行分类提取。实验结果表明,该方法对不同道路环境下道路标线提取的准确度、完整度以及综合评价都超过90%。

基于移动激光扫描点云特征图像和SVM的建筑物立面半自动提取方法

建筑物立面是城市地物的重要组成部分,而移动激光扫描是获取城市地物三维信息的重要手段之一。本文提出了一种基于移动激光扫描点云的建筑物立面半自动提取算法。该方法首先构建研究区水平网格;然后计算局部点云几何特征,并且将特征投影到水平网格生成点云特征图像;接着基于支持向量机(Support Vector Machine,SVM)对建筑物立面网格进行粗提取;最后使用网格属性(形状系数、网格面积、最大高程)对粗提取结果进行过滤,并将结果反投影到三维空间中得到精确的建筑物立面。以卡内基梅隆大学的移动激光扫描点云进行试验后表明,本算法能够较好地提取出建筑物立面,提取精度为84%,召回率为90%,数据修正后精度为88%,召回率为91%。通过与现有算法对比,本文提出的算法具有较高精度。

基于Light-BotNet的激光点云分类研究

三维点云在机器人与自动驾驶中都有着普遍的应用,深度学习在二维图像上的研究成果显著,但是如何利用深度学习识别不规则的三维点云,仍然是一个开放性的问题。目前大场景点云自身数据的复杂性,点云扫描距离的变化造成点的分布不均匀,噪声和异常点引起的挑战性依然存在。针对于现有的深度学习网络框架对于激光点云数据的分类效率不高以及分类精度低的问题,提出一种基于激光点云特征图像与Light-BotNet相结合的CNN-Transform框架。该框架在于通过对点云数据进行特征提取,以相邻的特征点构造点云特征图像作为网络框架的输入,最后以Light-BotNet为网络框架模型进行点云分类训练。实验结果表明,该方法与现有的多数点云分类方法相比,能够较好地提升激光点云的分类效率以及分类精度。

基于Feature-RNet的三维大场景点云分类框架

随着大场景三维点云应用在越来越多的领域中,近些年对激光点云大场景下的分类研究不断深入,各种分类模型层出不穷,在大场景点云分类任务中表现优异,但是依然存在训练时间长、计算复杂以及分类精度低等问题。针对分类精度低这一问题,提出一种基于Feature-RNet的三维大场景点云分类框架模型来实现点云分类工作。该框架模型不直接以三维点云数据作为输入,而是以通过KNN方法提取三维点云的二维特征和三维特征构建的特征图像作为输入,避免了网络框架对三维点云数据直接处理的不适应性;该模型设计的RNet框架结构利用了残差模块,并对其进行变型以达到提高分类精度的效果。采用公开的Oakland三维数据集对Feature-RNet框架模型进行训练,与现有的其他深度学习分类框架相比,提出的Feature-RNet框架模型在分类精度上有较大的提升,总体分类准确率能达到97.7%。