点云分类

摘要： 点云分类在计算机视觉、测绘科学领域占据重要地位,使用计算机进行自主高效的点云分类对科技发展具有重要作用。可以使用PointNet直接对原始点云数据进行分类,将深度学习应用至点云分类。文章改进PointNet在提取点云特征时缺少点云的局部特征等问题,使用基于图卷积的EdgeConv卷积层进行特征提取,将每一层输出的特征与该层之前输出的特征图进行连接再提取,增加局部特征与全局特征的联系,提高整体点云分类准确率。采用ModelNet40数据集进行试验,对比PoineNet、PointNet++的分类准确率以及在不同的k取值下模型的分类精度。结果表明,k值为20时,改进方法的分类准确率比PointNet高2.0%,比PoineNet++高0.5%。

摘要： 点云数据具有可量测、精度高、细节精细和快速获取等特点,为了能够实现利用点云数据构建古建Revit模型,以古建筑的彩色三维激光点云数据为研究对象,提出了古建点云快速自动分类及目标提取的方法。首先,将原始点云转换为栅格数据,通过多层感知机提取出不同尺度下的点特征和全局特征,然后,利用粒子群优化算法对MLP参数进行优化,实现了点云数据的自动分类及提取。最后以Z+F5010C扫描仪采集的某古建的点云数据为试验对象,验证本文算法的可行性和实用性,为实现古建筑Revit参数化建模,进而实现基于信息化平台统一管理打下基础。

摘要： 随着深度学习和3D传感技术的快速发展,点云分类已在智能分级等领域得到了广泛的应用。为了更好地推进点云分类技术的研究与应用,利用管道体系结构对相关方法的研究进展进行全面而系统的梳理、分析和总结。首先,根据点云数据处理方式的不同,将现有的点云分类方法归纳为间接基于点云的方法和直接基于点云的方法。然后,着重介绍了具有代表性的方法和最新研究成果,同时比较分析了主要方法的核心思想、优缺点、适用范围、应用场景以及实验结果。最后,从四个方面对点云分类的未来发展以及研究方向进行了展望,结果表明,将间接和直接点云的方法进行2D-3D特征融合是未来的一个重要发展方向。

摘要： 提出一种基于机载激光点云数据的电力线提取方法。首先利用栅格区域高差特征提取电力线候选点,然后构建多类型、多邻域、多尺度点云特征,最后结合基于离散二进制粒子群算法与SVM分类器进行电力线点云分类提取。实验结果表明,电力线点云的精确率和召回率分别达到97.24和99.11,验证了本文方法对电力线点云提取的有效性。

摘要： 大比例尺地形图(1∶500)需求依旧旺盛,与此同时三维化、全要素化成果需求急速增长。而传统地形图生产方式不仅外业工作量大,且仅能提供单一化的地形图产品,难以满足三维化需求。倾斜摄影测量和三维激光扫描技术(LiDAR)是测绘领域近些年发展起来的高新技术,本文结合这两种技术同步对测区进行数据采集,实现了LiDAR点云分类以及两种类型数据的联合测图工艺,并成功地将该工艺应用于多个实际工程项目中,满足1∶500地形图测绘精度的同时,提升了大比例尺测图整体效率,并且形成了实景模型、高精度DEM等更加多样化的测绘产品。

摘要： 三维点云数据包含着丰富的形状和比例信息,如何有效准确地对点云数据进行分类已经成为了目前计算机视觉领域的研究热点。由于点云在非欧氏空间中的不规则稀疏结构,并且现有的基于深度学习的三维点云分类模型中缺乏对各个点的局部信息和全局信息的有效利用,从而导致较低的分类精度。为了解决上述问题,提出了一种基于SA-PointNetVLAD的点云分类模型框架。该网络采用逐点特征提取和汇集操作来解决无序的点云问题,通过自注意力机制来计算每个点与其他所有点之间的关联,充分挖掘点云的局部区域细粒度特征以及全局信息,采用KNN邻近算法感知点云的局部形状结构,通过VLAD层将每个点的低层几何描述符与视觉单词相关联来间接描述高层特征信息。此外,该网络还引入一个有效的关键点描述符帮助识别整体几何图形。经过实验得出SA-PointNetVLAD模型在公开的ModelNet40数据集上仅使用512个点就可以达到90.9%的精度,显著高于相同条件下的其他方法。

摘要： 现阶段点云分类研究已被广泛应用于机器人操作、自主驾驶和虚拟现实等多个领域,提取既丰富又具有高判别能力的特征是3D点云分类的关键.为此,文中设计基于局部-非局部交互卷积的3D点云分类算法,改善点云的特征提取.首先,构造局部-非局部交互卷积模块,在获取局部相似特征和非局部相似特征的基础上,采用交互增强,缓解单个邻域在表示封闭区域时存在的冗余问题,增强网络的层次性和稳定性,同时也缓解网络的退化问题.然后,以该模块为基本单元构建卷积神经网络.最后,采用自适应特征融合,充分利用不同层次的特征,实现3D点云的分类.在ModelNet40、ScanObjectNN基准数据集上的实验表明,文中算法性能较优.

摘要： 点云数据被广泛用于多种三维场景,深度学习凭借提取特征自动化、泛化能力强等优势在三维点云的应用领域快速发展,逐渐成为点云分类的主流研究方法。根据提取方式的不同,将现有算法归纳为传统方法以及深度学习算法。着重介绍基于深度学习的代表性方法和最新研究,总结其基本思想以及优缺点,对比分析主要方法的实验结果;展望深度学习在点云分类领域的未来工作以及研究发展方向。

摘要： 为了对比分析雷达点云和摄影测量数字高程模型精度差异,以山西某地的数据为例,设计对比分析方案,通过数据计算的结果分析得到相关结论。具体方法为对两份点云数据分别做点云分类,分为植被、建筑物、地面点三类,注意两份地面点需要转换为参数相同的规则格网DEM。对比方法使用python编程实现,需要编程实现的步骤有数据整合、去除粗差、运用相关公式编写对比方法、输出结果。研究表明:Lidar点云和影像点云中不同地物的高程差异比较大,例如当不做点云分类时得到的均方根误差(E_(RMS))达到724 mm,而做过点云分类之后,植被层的E_(RMS)可以达到1138 mm,涨幅57%,建筑物层经计算降幅达85%,DEM降幅13%。可见在硬化表面地区,传统摄影测量得到的影像点云可以代替Lidar点云,其他复杂环境做精度对比分析时一定要先做点云分类,对比结果相对更合理。文章使用了一套成熟的点云精度对比方案,经过验证有很高的可行性,具有一定参考意义。

摘要： 随着激光点云在电力场景中的运用深入,为进一步发挥杆塔点云作用,针对传统方法对杆塔点云精细分类自动化能力不足问题,本文结合无人机激光扫描点云,运用深度学习技术中新兴的针对3D点云处理技术PointNet,利用PointNet技术来对电力杆塔激光点云精细分类,精细分出电力杆塔点云中电力杆塔、输电线路、绝缘子、跳线等部分,共7个种类。试验取得了较好效果,总精度达到0.91。并测试了点云抽稀缺陷情况下电力杆塔点云的分类效果,为电力场景中点云分类提供了可行的解决方案。

摘要： 三维激光扫描获取的点云数据可以用于数字城市建设,三维模型获取,场景分析与物体测量等多个领域.但是,由于遮挡的影响,噪声的干扰,采样精度的局限,以及扫描场景的复杂,使得经典的曲面分析和三维空间理论不能直接对点云数据进行有效分析和处理.分类是点云数据预处理的重要方式之一.利用近邻四面体体积,近邻法向量差异度,主方向差异度和主曲率值等四个局部形状特征,采用概率混合策略,构建出一种点云数据的半自动分类方法,实现平面点集,柱面点集和其他点集的有效区分.其中,概率混合策略是依据近邻点平均距离和单指标类别一致程度来估计每个特征推断形状的概率,并通过加性方法混合后,依据概率赋权函数最大值准则进行局部形状推断.其用户交互主要是确定这四个特征量分别进行点云分类的阈值选取以及概率混合时候的混合权重选取,以便处理不同扫描尺度和不同扫描精度的点云数据.模拟生成点云,单棵树木点云,街道场景点云,旷野自然场景扫描点云以及航空机载扫描点云等多组数据的实验,表明基于局部形状特征概率混合方法对各种点云数据都具有良好的分类效果.

摘要： LiDAR技术为三维空间信息的实时精确获取提供了重要手段,LiDAR点云高精度高效率的分类是其他应用的前提.针对现有LiDAR点云分类算法中存在数据内插误差以及自动化水平不高的问题,在单个激光点特征提取的基础上,利用AdaBoostM2算法实现了点云特征的优化及点云分类,得到了地面点、建筑物、树木和草地4类,取得了93.67％的总体精度.算法最大程度的保留了激光脚点的原始信息,同时提高了分类的自动化程度.

摘要： 车载移动激光扫描系统代表移动测量系统的最新发展趋势,在基础测绘和大规模城市场景的三维重建中具有越来越明显的优势.本文综述了当前国内外车载移动激光扫描系统发展现状、车载移动激光扫描系统的测量原理,以及车载激光数据处理方面的发展与局限,为城市三维空间信息的采集、处理及应用提供相应的参考.尽管市场上的车载激光系统种类繁多，但车载激光扫描系统通常都由以下几个设备组成：激光扫描仪，导航系统（全球卫星导航系统，惯导系统），里程计，高分辨率CCD相机，以及计算机控制系统。现有大部分车载激光数据处理算法一般集中在基于扫描模式的点云分类，以及利用强度以及回波数等进行车载点云的分类。对大范围车载点云数据来说，如直接从三维上进行点云的分类，计算量巨大，效率低下。对于车载激光数据的三维模型重建，与传统地面激光类似，学者的研究集中在建筑物立面特征的识别和提取方面。但是难以进行屋顶的精细建模，未来的趋势是融合机载激光扫描数据后，实现整个建筑物的精细建模。现有的数字城市建模方式还是采用传统的三维建模软件包，基本工作流程都是在建模平台导入激光点云文件后，通过大量交互式人工编辑建立建筑物三维模型，存在作业效率不高，对于精细模型必须人工精细编辑的缺陷。

摘要： 在对机载LiDAR扫描数据的深加工处理方法阐述的基础上,对其数据产品应用进行了简单探讨，本文是在对机载激光雷达点云进行分类试验的基础上，对点云进行数据后处理过程进行了简单研究。涉及的每个环节采用了多种方案进行尝试，最后总结一套适合规模化生产的完整LiDAR数据系列产品制作的技术流程。

摘要： 在对机载LiDAR扫描数据的深加工处理方法阐述的基础上,对其数据产品应用进行了简单探讨，本文是在对机载激光雷达点云进行分类试验的基础上，对点云进行数据后处理过程进行了简单研究。涉及的每个环节采用了多种方案进行尝试，最后总结一套适合规模化生产的完整LiDAR数据系列产品制作的技术流程。

摘要： 在对机载LiDAR扫描数据的深加工处理方法阐述的基础上,对其数据产品应用进行了简单探讨，本文是在对机载激光雷达点云进行分类试验的基础上，对点云进行数据后处理过程进行了简单研究。涉及的每个环节采用了多种方案进行尝试，最后总结一套适合规模化生产的完整LiDAR数据系列产品制作的技术流程。

摘要： 在对机载LiDAR扫描数据的深加工处理方法阐述的基础上,对其数据产品应用进行了简单探讨，本文是在对机载激光雷达点云进行分类试验的基础上，对点云进行数据后处理过程进行了简单研究。涉及的每个环节采用了多种方案进行尝试，最后总结一套适合规模化生产的完整LiDAR数据系列产品制作的技术流程。

摘要： 本发明公开一种激光雷达点云数据的分类方法及分类系统，分类方法包括：步骤一、从全部的样本数据中选择若干个样本数据形成训练数据集，并且将剩余的其他样本数据形成测试数据集；步骤二、基于训练数据集构建分类模型，包括使用聚类算法将训练数据集中的全部的训练样本数据划分为多个不同类别的小数据集，对于每个类别的若干个小数据集，分别从中选择一个小数据集作为起始小数据集，将其他小数据集与起始小数据集进行聚合以形成大数据集；步骤三、使用测试数据集对于构建完成的分类模型的分类精度进行检验，本发明能够在样本数据的数量不够多的情况下，生成高精度的分类模型。

摘要： 本发明公开了一种基于自适应特征融合的点云图神经网络的点云分类方法，使用残差结构缓解梯度消失；使用全局特征与局部特征相融合，提升网络性能；使用权重自适应机制指导特征融合；本发明利用图神经网络关注局部特征，点云网络提取全局特征的同时加入残差块，将提取的全局特征与局部特征融合，在特征融合的时候对于不同的特征加入了权重自适应机制，从而优化模型性能。

摘要： 本发明涉及一种基于点云语义标注和优化的点云分类方法，该方法包括以下步骤：步骤1：使用PointNet++对原始点云数据进行预分类，获得点云预分类结果；步骤2：针对预分类结果使用全局空间正则化进行分类结果优化，得到最终点云分类结果。与现有技术相比，本发明提出了获取点云语义标签并改进分类结果的通用框架。在提出的通用框架内，可以使用同类算法对现有步骤进行替换，对三维点云的初始标注结果进行了基于图结构正则化的优化方法，实现了语义标注的空间平滑性，可以在实现相同点云分类结果的前提下，仅需求较少量的训练数据。

摘要： 本申请提供一种点云分类模型的训练方法、点云分类方法及装置，涉及智能驾驶技术领域，包括：获取多个训练样本，对每个训练样本的点云进行特征提取，获得每个点云的特征向量；根据每个点云的特征向量，获取每个点云的相似度信息，根据每个点云的特征向量和相似度信息以及点云的类别，对点云分类模型进行训练，得到训练完成的点云分类模型。通过训练好的点云分类模型对点云进行分类，可以提升分类的准确性，同时，由于在训练过程中结合的点云的相似度信息，该训练好的点云分类模型具有更好的泛化能力。

摘要： 本发明公开点云分类模型构建方法、点云分类方法、装置及设备，本发明涉及数据处理技术领域，用于解决现有技术中点云模型结构复杂、模型推理速度低的问题。包括：获取点云样本数据，搭建模型开始训练，得到初始训练模型；提取初始训练模型的权重；并利用结构重参数化技术，将初始训练模型中的一维卷积层以及激活层进行权重融合，得到目标一维卷积层；并利用结构重参数化技术，将线性层以及激活层进行权重融合，得到目标线性层；基于目标一维卷积层以及目标线性层，构建得到无分支的目标点云分类模型。将模型进行权重融合化为基本由一维卷积层以及目标线性层组成的无分支简单结构网络，以此降低模型复杂度，提升模型推理速度。

摘要： 本发明公开了一种基于自适应特征融合的点云图神经网络的点云分类方法，使用残差结构缓解梯度消失；使用全局特征与局部特征相融合，提升网络性能；使用权重自适应机制指导特征融合；本发明利用图神经网络关注局部特征，点云网络提取全局特征的同时加入残差块，将提取的全局特征与局部特征融合，在特征融合的时候对于不同的特征加入了权重自适应机制，从而优化模型性能。

摘要： 本发明公开一种利用点云密度与旋转信息对稀疏点云进行分类与分割的方法，包括如下步骤：预处理点云；对稀疏点云的坐标信息进行分析；对稀疏点云的空间和密度信息进行分析；结合点云空间坐标特征与密度及旋转特征进行点云分类与分割。本发明通过对点云的预处理方式以及对稀疏点云空间信息和旋转信息的挖掘与利用，从而提升点云分类与分割的工作模式，采用本算法对不同密度的点云(稀疏点云，密集点云)的分类和分割进行对比，效率提高十倍以上；用本方法对稀疏点云的分类和分割与传统机器学习方法(滤波)的分类和分割进行对比，精度提升7％，由87％提升至93％；与PoineNet算法和3DCNN算法相比，精度提高4％。

摘要： 本发明涉及一种基于点云语义标注和优化的点云分类方法，该方法包括以下步骤：步骤1：使用PointNet++对原始点云数据进行预分类，获得点云预分类结果；步骤2：针对预分类结果使用全局空间正则化进行分类结果优化，得到最终点云分类结果。与现有技术相比，本发明提出了获取点云语义标签并改进分类结果的通用框架。在提出的通用框架内，可以使用同类算法对现有步骤进行替换，对三维点云的初始标注结果进行了基于图结构正则化的优化方法，实现了语义标注的空间平滑性，可以在实现相同点云分类结果的前提下，仅需求较少量的训练数据。

摘要： 本发明公开了深度‑宽度结合分类网络及其对应的点云分类方法，采用基于PointNet深度学习模型的点云特征提取网络以及基于宽度学习的点云分类网络相结合的方式，解决深度学习网络结构复杂、计算量大、训练时间长的缺点以及宽度学习网络无法直接处理三维点云数据的缺点，实现简单、准确、快速的三维点云信息分类。本发明中的深度‑宽度结合网络以深度学习网络作为主干，提取三维点云的特征，并将该特征输入宽度学习网络进行分类。宽度学习网络具有结构简单、训练速度快的优点，能够在提高点云分类准确率的同时，显著缩短训练时间，适用于计算能力受限或需要算法快速投入应用的场景。

摘要： 本发明公开了一种用于点云分类分割的网络模块、分类及分割网络，所述网络模块包括至少两个依次串联连接的稀疏边卷积层，所述稀疏边卷积层的稀疏率不同且逐渐增大，各个稀疏边卷积层的近邻点的个数相同。本发明的网络模块解决了现有的DGCNN在处理三维物体点云数据时存在的感受野随层数增加而扩大的效率低且存在大量复用信息的问题。