道路三维点云多特征卷积神经网络语义分割方法

针对道路场景下三维激光点云语义分割精度低的问题,提出了一种基于卷积神经网络并结合几何点云多特征的端到端的语义分割方法。首先,通过球面投影构造出点云距离、相邻夹角及表面曲率等特征图像,以便于应用卷积神经网络;接着,利用卷积神经网络对多特征图像进行语义分割,得到像素级的分割结果。所提方法将传统点云特征融入到卷积神经网络中,提升了语义分割效果。使用KITTI点云数据集进行测试,结果表明:所提三维点云多特征卷积神经网络语义分割方法的效果优于SqueezeSeg V2等没有结合点云特征的语义分割方法;与SqueezeSeg V2网络相比,所提方法对车辆、自行车和行人分割的精确率分别提高了0.3、21.4、14.5个百分点。     

高低维双局部特征融合的点云分类分割网络

点云的分类和分割是三维点云网络的基础步骤,是三维重建、目标识别和自动驾驶等研究的关键环节。针对现有三维点云网络进行分类和分割时无法充分利用点云局部信息而导致精度不高的问题,提出了一种高低维双局部特征融合的点云分类分割网络。本文网络利用图卷积提取点云基于位置信息的低维局部特征,并通过注意力机制提取点云基于语义信息的高维局部特征,同时使用多层感知机提取点云的全局特征,通过多个特征融合的方式来提高点云分类和分割的精度。实验结果表明:本文网络在点云分类任务中,总体精度达到934,平均精度达到903;在点云分割任务中,平均交并比达到862;相较于现有的主流网络具有较好的分类和分割精度。同时对于稀疏点云输入的问题,本文网络具有较强的鲁棒性。     

基于全局上下文注意力的点云语义分割

点云语义分割是三维环境感知的基础，直接基于点的语义分割方法避免了因点云结构化处理所造成的信息损失，但大多数深度学习模型的研究主要集中在提取局部几何特征，没有考虑点云不同局部结构之间的上下文关系，并且忽略了低级与高级特征之间的语义差距，限制了特征表示的能力，影响了点云语义分割的精度。因此，文中提出一种基于全局上下文注意力的点云语义分割方法，该方法主要由基于外部注意力的全局上下文特征聚合和基于后向竞争性注意力的邻近尺度特征融合两部分组成。通过外部注意力学习不同局部结构之间的长距离依赖关系，从而获得丰富的全局上下文信息。为了进一步增强模型的上下文感知能力，设计基于后向竞争性注意力的邻近尺度特征融合模块，学习低级与高级语义特征之间的相似度，重新为中间特征通道分配权重。在S3DIS大规模室内点云数据集上对所提方法进行评估，结果表明，所提方法的平均交并比在Area5上达到了65.2%，相比于RandLA-Net提高了2.5%，在6折交叉验证上的平均交并比达到了71.4%，相比于RandLA-Net提高了1.4%。证明了所提方法能够有效提取全局上下文特征，提高了语义分割的精度。     

基于图像分割的点云去噪方法

在基于结构光条纹投影的三维形貌测量中，由于环境等各种因素的影响会产生各种噪声。在现有的点云去噪方法中，通过分析三维空间和点云的几何关系进行点云噪声的去除存在计算复杂、效率低等问题。为了提高点云精度和点云去噪的速度，提出了一种基于图像分割的点云去噪方法。首先，根据结构光条纹投影重构的三维点云建立二维点云映射图像；其次，利用图像阈值分割方法和区域生长方法对二维点云映射图像进行图像分割；然后，对分割出的噪声区域进行记录并去除；最后，对新的二维点云映射图像重新进行三维重建得出去除噪声的点云。实验结果表明，经过该方法处理后点云精度可以达到99.974%，去噪时间为0.954 s。所提方法可以有效去除点云噪声，避免在三维空间进行复杂的计算。     

基于多信息深度学习的3D点云语义分割

点云语义分割是三维点云数据处理的基础步骤,是三维场景理解分析、重建和目标识别的关键环节。针对目前对三维点云进行语义分割使用的点云信息少和精度不高的问题,本文在利用点云三维坐标信息的基础上,增加了点云RGB信息和所属房间的归一化坐标信息,从而丰富了神经网络输入端的信息量,进一步提高了模型的分割精度,最后利用PointNet++对改进后的三维点云语义分割效果进行检验,实验表明:在丰富了网络输入端的数据信息后,模型的总体准确度提高了6.65 %。     

基于空间图卷积的三维点云语义分割

随着科技智能化建设需求的提高，语义分割技术受到图形、图像领域内学者的广泛关注，其为目标跟踪、视觉控制等技术提供有效的决策支持。然而三维点云语义分割模型的运行效率和分割准确率是限制其发展的瓶颈所在。基于此，提出一种基于空间图卷积的三维点云语义分割网络（PCGCN）。PCGCN采用边缘图卷积网络提取局部特征，并使用残差网增强特征的传递，对不同尺度的局部特征进行融合并参与三维点云语义分割。PCGCN解决了在深度学习过程中因局部特征丢失产生的语义分割效果不佳的问题，同时，点云深度学习网络中，残差网的引入提高语义分割的准确度。在ShapeNet和S3DIS数据集上进行实验，实验结果表明，PCGCN在ShapeNet数据集的准确率达到85.1%，在S3DIS数据集的准确率达到81.3%。     

三维点云弱监督语义分割研究进展综述

在三维点云语义分割任务中,使用少量标注的点云数据进行语义分割可以节省人力标注成本,近年来得到学术界的普遍关注。传统的三维点云语义分割方法多利用完全监督的方式,这类方法往往需要耗费人力和时间去标注大量点云,而使用弱监督方式只需要对点云进行少量的标注就能达到和完全监督方法相同的目的。文章回顾和讨论了近年来三维点云弱监督语义分割的发展,从不同角度总结了弱监督语义分割的相关方法,基于这些方法,在四个公开数据集上对其结果进行了定量分析与讨论,最后总结了三维点云弱监督语义分割存在的挑战,并展望了未来的发展方向。     

顾及多尺度监督的点云语义分割

针对复杂场景点云分割精度不高、神经网络隐藏单元缺乏直接监督,难以提取语义明确的点云特征等问题,提出了一种将多尺度监督和SCF-Net相结合的点云语义分割网络。首先构建了一个类别信息生成模块,记录编码器中隐藏单元感受野内的类别,用于解码器中辅助分类器的监督学习。其次将解码阶段的点云类别预测任务分解成一系列点云感受野类别预测任务,通过对解码器中每一层添加辅助分类器,预测当前阶段点云感受野类别,编码阶段生成的类别信息作为标签监督网络学习。模型从粗到细地推理点云感受野类别,最终预测得到点云语义标签。实验结果表明,该方法能够有效提取点云关键信息,提高语义分割精度。     

基于PointNet优化网络的铁路站台语义分割

铁路站台点云语义分割是对铁路侵界现象进行检测的关键环节。文中以新型激光扫描测量系统采集的具有三维空间信息的点云数据为基础,在获取初步分割结果的基础上,设计PointNet网络整体结构提取点云数据全局特征,采用多层次金字塔结构对网络进行局部特征提取优化,实现铁路站台点云数据语义分割。研究表明,所提方法对实验点云数据的分割准确率达到84.5%,在铁路工程应用中的点云总体分割精度达到75.34%,在铁路检测中实现了大范围多尺度点云数据的可靠语义分割,满足铁路侵界现象检测分析需求。     

基于语义信息补偿全局特征的物体点云分类分割

3D点云数据处理在物体分割、医学图像分割和虚拟现实等领域起到了重要作用。然而现有3D点云学习网络全局特征提取范围小,难以描述局部高级语义信息,进而导致点云特征表述不完整。针对这些问题,提出一种基于语义信息补偿全局特征的物体点云分类分割网络。首先,将输入的点云数据对齐到规范空间,进行数据的输入转换预处理。然后,利用扩张边缘卷积模块提取转换后数据的每一层特征,并叠加生成全局特征。而在局部特征提取时,利用提取到的低级语义信息来描述高级语义信息和有效几何特征,用于补偿全局特征中遗漏的点云特征。最后,融合全局特征和局部高级语义信息得到点云的整体特征。实验结果表明,文中方法在分类和分割性能上优于目前经典和新颖的算法。     

基于车载激光点云的城市道路标线提取方法

针对车载激光点云道路标线反射强度特性,提出了一种基于车载激光点云的城市道路标线提取方法。具体而言,首先提出一种联合布料模拟滤波和高差偏度平衡的地面滤波方法,利用偏度平衡滤波的自适应性,剔除布料滤波后残留的低矮植被的问题;随后利用基于法向量密度聚类以提取路面点云,并通过反距离加权插值将路面点云转为强度特征图;为了缓解标线提取出的锯齿状现象,引入快速引导滤波来平滑道路标线的边缘信息;最后采用最大熵阈值分割和形态学比值滤波对道路标线进行精化处理。实验表明,该方法能够有效地提取出道路标线点云,提取的平均召回率为80.98%,平均准确率为96.89%,平均综合评定指标为88.19%,能够利用道路标线点云强度信息较为完整地提取出道路标线点云。     

基于激光雷达的道路不平度及可行驶区域检测

为了提高室外场景中车载激光雷达道路不平度信息检测的精度, 采用随机降采样和局部特征聚合的网络结构对道路环境信息进行提取分割。在分割过程中加入随机降采样的方法, 从而提高点云信息的计算效率, 为解决道路环境信息分割过程中关键特征丢失的问题, 加入局部特征聚合器来增加每个3维点云的接受域来保留几何细节。结果表明, 所提出的算法可以准确识别道路环境信息, 对于凸包、凹坑、道路可行驶区域的识别精度分别达到71.87%, 82.71%, 93.01%, 与传统卷积神经网络相比有显著提升。该研究可高效提取道路不平度及道路可行驶区域信息, 从而提高了车辆的主动安全性与平顺性。     

基于改进欧式聚类算法的双目主动视觉点云目标检测研究

双目视觉立体匹配时,在同色调表面因为缺乏纹理信息,不仅计算量大且匹配度低, 而且生成的 场景中的点云又具有非结构化、近密远疏的性质, 因此,提高双目视觉匹配的精度与速度, 以及准确分割点 云目标, 一直是点云获取及目标检测中的难点问题。 针对以上问题, 本文首先提出了一种融合主动激光 的 3D 点云目标采集方法, 快速准确地获得原始点云数据; 其次提出了一种基于欧式聚类的改进算法, 使用距离阈值和角度阈值作为阈值分割判断条件进行分段聚类, 得到边界明确的 3D 点云目标检测框。 实验结果表明:所设计的 3D 点云成像系统能够有效获取前方物体的 3D 点云信息,且具有比激光雷达成 本低、易实现、信息丰富等优势;改进后的欧式聚类算法能有效改善传统算法对阈值较为敏感导致的物 体易出现欠分割或过分割的问题, 提高了目标检测的准确率, 在室内场景下具有良好的检测效果。     

大数据中一种基于语义特征阈值的层次聚类方法

云计算、健康医疗、街景地图服务、推荐系统等新兴服务促使数据的种类和规模以前所未有的速度增长,数据量的激增会导致很多共性问题。例如数据的可表示,可处理和可靠性问题。如何有效处理和分析数据之间的关系,提高数据的划分效率,建立数据的聚类分析模型,已经成为学术界和企业界共同亟待解决的问题。该文提出一种基于语义特征的层次聚类方法,首先根据数据的语义特征进行训练,然后在每个子集上利用训练结果进行层次聚类,最终产生整体数据的密度中心点,提高了数据聚类效率和准确性。此方法采样复杂度低,数据分析准确,易于实现,具有良好的判定性。     

基于点云簇组合特征的激光雷达地面分割方法

针对三维激光雷达在地面分割过程中存在分割不足和过分割的问题,提出一种基于点云簇组合特征的激光雷达地面分割方法。首先将三维点云投影到扇形栅格中进行连通域聚类,将梯度相差较小的栅格聚为一类。然后根据路面点云符合平面和直线几何特征的特点,对每一簇进行特征值计算以挑选路面栅格簇的候选簇,接着对其进行径向方向上的梯度检查以剔除误判栅格。最后使用三次B样条曲线进行平滑拟合,实现地面点与非地面点的分割。在不同路面状况的场景中对所提方法进行验证。实验结果表明,所提方法在含有多障碍物路面的准确率为97.50%,计算时间为27ms,说明所提方法的地面提取准确率更高,路面适应性更强。     

DBSCAN聚类改进算法与支持向量机结合的道路路锥识别研究

基于激光雷达传感器,提出了一种道路路锥识别方法。首先,在传统DBSCAN聚类算法的基础上改进算法搜寻核心点的方式,对雷达所采集的数据进行快速地分割、聚类。接着,分析类簇,对每帧数据的类簇进行特征采样并赋予标签值。最后,通过支持向量机(SVM)训练样本数据,利用网格化搜索与交叉验证法优化SVM参数,得到类簇分类模型,用于识别路锥。实验结果表明,改进后的DBSCAN算法计算效率有了显著提升,并且对点云的聚类更具有针对性。经过多次随机数据集检测,分类模型的准确率保持在93以上,实现了对路锥的有效识别。     

利用车载激光点云的分车带识别及单木分割方法

提出了一种基于车载激光点云数据的城区分车带识别及单木点云分割方法,首先通过布料模拟算法进行点云滤波去除地面点,然后利用基于八叉树连通性分析对非地面点进行聚类并构建聚类单元的最小包围矩形,基于先验知识和高差约束进行分车带识别,最后根据单木的空间几何特征,引入基于局部最高点的区域生长算法实现分车带内点云单木分割。选取北京市某道路的车载激光点云数据进行实验,结果表明:该方法能够从车载激光点云中快速识别出分车带点云并完成单木分割,能达到较好的识别和分割效果,具有抗噪性强和提取精度高的特点。     

基于最小二乘密度聚类的城市点云去噪算法

点云作为一种简便的三维表达方式,已经被大量应用在城市三维数字化中,但是城市对象的复杂多变,导致城市点云相较于其他场景点云,其较为复杂,去噪难度更高,去噪精度要求更高。为了解决城市点云的去噪问题,本文从高维特征密度空间出发,采用最小二乘密度聚类约束,遵循标准阈值原则设计了一种新的算法。本算法先构建高维特征密度空间,再用最小二乘算法求解各维度密度拟合曲线,最后根据标准阈值原则提取各维度合限点集的交集,即为目标点集。实验表明:本文算法针对城市场景中的点云具有较高的精度与较好的剔除效果,满足城市点云去噪任务的要求,达到了预期的效果。