基于三維激光點云的室外場景分割與分類.pdf

1、三維室外場景的分割與分類是智能機器人和計算機視覺領(lǐng)域的兩個重要研究內(nèi)容。近年來，人們提出了許多方法解決這兩個問題，但是由于三維點數(shù)量眾多以及三維場景的復(fù)雜性，解決這兩個問題仍然具有一定挑戰(zhàn)性。本文致力于實現(xiàn)快速準確的三維點云場景分割并基于此分割結(jié)果實現(xiàn)點云場景的上下文分類。
　　本文提出了一種基于區(qū)域生長算法的快速準確的三維場景分割算法。本算法得到的分割塊總數(shù)取決于場景的復(fù)雜度而非人工設(shè)置，因此分割結(jié)果較為準確合理。與傳統(tǒng)的諸如基

2、于k-means的分割方法相比，由于不存在對每個點的多次迭代過程，所以能夠進行快速分割。分割之前需要根據(jù)序列化的二維激光數(shù)據(jù)得到三維點矩陣，此矩陣包含了所有的三維點。該矩陣的重要意義在于能夠從中快速找到所有三維點的相鄰關(guān)系。之后的分割過程可以分為四個部分:(1)根據(jù)每個點的相鄰點估計其法向量;(2)基于自身法向量與周圍點法向量的方向?qū)γ總€點賦予平面/非平面標記;(3)基于高程和法向量方向提取地面點;(4)使用區(qū)域生長算法生成分割結(jié)果。<

3、br>　　在點云分類問題中，上下文分類器已經(jīng)被證明優(yōu)于傳統(tǒng)局部分類器。條件隨機場(Conditional Random Filed，CRF)模型是一種著名的判別式模型，已經(jīng)廣泛應(yīng)用于計算機視覺和智能機器人領(lǐng)域的上下文分類中，本文的分類即采用此模型。當(dāng)建立二階團結(jié)構(gòu)時，形成的隨機場會有過度復(fù)雜的連接關(guān)系，導(dǎo)致推斷時間過長。為了降低推斷時間，本文僅建立CRF節(jié)點和高階團，而不再建立二階團，其中節(jié)點即為上述分割結(jié)果，高階團生成算法采用類似于上