室外场景三维点云数据分割分类算法研究

摘要

作为计算机科学中的一个重要研究领域，计算机视觉如今已成为热门的研究课题，特别是其中的三维数据处理技术，它因具有丰富的信息而被人们广泛关注。在三维数据处理技术中，点云这种数据存在形式具有独特的优点，并且已被广泛应用于如逆向技术、三维建模、航空测绘、机器视觉、人机对话、虚拟仿真等各个领域中。在数字化城市、智能交通等综合性平台中，室外场景三维点云数据是智慧城市建设中必不可少的数据源，目前已成为实现城市虚拟现实的关键所在。作为一种复合性综合场景，室外场景具有丰富的地物种类。在该环境中进行数据采集时，收集到的数据往往伴随着大量的干扰与噪声，这将在无形中增加数据应用的难度和成本。点云数据的分割与分类是三维点云数据常见的处理方式，它能够语义化点云数据，降低点云数据的应用难度。因此，针对室外场景点云数据分割分类的研究与应用便成为了计算机视觉研究的热点方向。 本文综述了国内外典型的点云数据分割与分类方法，包括分析、测试和对比不同类型的算法原理及优缺点。在此基础上，针对室外场景三维点云数据，研究了对其最适合的分割与分类方法，并提出了一种结合渐进式形态学分割与半监督支持向量机的室外场景点云分类算法。本文的主要工作包括以下两个方面： （1）根据室外场景的特点，本文研究了典型的基于随机采样一致性的点云分割、基于区域增长的点云分割和基于聚类的点云分割的基本原理与优缺点，全面测试了随机采样一致性分割算法、区域增长法、K均值聚类法、超体素聚类等算法的实际分割效果。最终对地面数据点采用了一种渐进式的形态学分割算法，即根据动态变化的高程差，对数据进行先腐蚀后膨胀的开运算处理。通过使用渐进增加大小的结构元素，精确地识别出地面点和非地面点。 （2）针对非地面数据点的分类，本文研究了迭代自组织数据聚类分析和基于条件随机场的分类两种类型的点云分类算法，并根据非地面点云数据的维度特性以及有效的监督学习模型，设计了一种基于半监督支持向量机的点云分类算法。首先根据多尺度点云球计算出数据样本在多种尺度下的维度特征，然后采用机器学习中直推式学习的方法构建分类器，对地物点云数据进行分类。本研究采用国际摄影测量与遥感学会收集的室外场景点云数据对算法进行测试与评估，从而验证所提出方法的有效性。与传统点云分割分类方法相比，本文所提出的方法具有数据获取成本低、计算精度高等优点，在实际工程中具有良好的应用前景。

目录

第一个书签之前