论文部分内容阅读
由于三维点云数据具有高密度、高精度、主动性和丰富空间信息等优势,在人工智能、自动驾驶、智慧城市等需要对场景解译要求高的领域得到广泛应用,而三维激光点云的语义分割是诸多应用的基础。随着深度学习研究的不断深入和成熟,其在三维点云数据处理中的应用得到广泛的关注,尤其在点云语义分割中的应用得到了长足的发展。本文针对目前深度学习在点云语义分割中对点云特征利用不足、正确率不高等问题进行深入的研究,研究的主要内容如下:(1)地面站激光点云数据多尺度邻域的构建及多特征的提取。由于地面站三维激光扫描仪采集得到的点云数据随着距离的增大密度不断减小,为了避免K近邻法因点云密度变化而导致特征尺度不一致的问题,研究了基于球形邻域的空间索引结构,根据不同邻域半径的组合来有效提取点云数据在多个尺度下的特征,包括曲率、粗糙度、垂直度、线性度等特征。(2)探讨了融合多特征的点云语义分割神经网络模型的构建。研究选取BP神经网络、卷积神经网络以及长短期记忆神经网络进行实验,确定深度神经网络模型的基本类型,并针对过拟合问题采用了Dropout、Batch Normalization等方式进行优化,然后进一步通过对比实验确定模型的层数、各层神经元数、激活函数、损失函数、优化器、分类器等结构,构成完整的点云语义分割算法。(3)为了验证本文所提算法的可行性和精度,采用Semantic-3D开源数据集进行语义分割,与Point Net等点云语义分割算法进行对比,总体正确率和平均交并比均有所提高,分别达到了86.6%和55.0%。为进一步评估所提算法的泛化能力,研究使用Riegl VZ2000i三维激光扫描仪获取了郑州大学部分场景的点云数据,并进行相关预处理达到实验所需标准,采用所提算法对该数据集进行语义分割,也取得了较好的结果。实验结果表明,所提算法可充分利用点云特征,提高语义分割的正确率。