论文部分内容阅读
随着三维扫描测距技术的不断发展,三维点云数据在自主导航、工业检测、逆向工程等领域的应用越来越为广泛。在三维点云数据处理技术中,三维点云数据的分割和分类是两个非常关键的技术,尤其是针对于室外场景的三维点云数据分割和分类,其对于室外场景分析和智能自主导航等应用具有重要的作用。但由于室外场景结构复杂,噪声较强,干扰较多,对其进行分割和分类是一项极具挑战的工作。为了提高室外场景三维点云数据分割的准确性和鲁棒性,本文对室外场景的几何特性、拓扑结构和邻域特性进行了深入的研究,并以此为基础实现了室外场景三维点云数据的可靠分类。在室外场景三维点云数据分割的方面,本文提出了一种基于特征球的室外场景三维点云数据分割方法,该方法利用逐次分割的思想依次分割室外场景。首先,根据三维点云数据的特征值将点云分为点性点,线性点以及面性点,以此为基础构造一个特征球(三层),该特征球从内到外依次为点向层、切向层和法向层;然后,使用Meanshift聚类方法对法向层的点进行聚类,可实现面性点的有效分割;接着,判断分割后得到的面性点区域的法向量信息和高程信息,若面性点区域满足给定的阈值条件则该区域可看作初步地面的组成部分,再将邻近初步地面的离散点进一步融合到初步地面中,以获得最终完整的地面;最后,使用DBSCAN聚类算法对非地面的点进行聚类,以实现室外场景三维点云数据的可靠分割。在这一部分的试验中,本文将使用四组实验数据来验证该分割方法,实验结果显示本文的分割方法具有较强的准确性和鲁棒性。在室外场景三维点云数据分类方面,本文提出了一种基于高阶条件随机场的室外场景三维点云数据分类方法。此条件随机场模型包括单个点构成的点模型、相邻两个点构成的边模型和多个点构成的高阶团模型。在构建高阶团模型时,首先对室外场景三维点云数据特征球的法向层和切向层进行分割,然后针对每个分割片段所对应的三维场景点云数据以及点性点云数据再使用K-means聚类算法进行第二次分割,即可获得高阶团。在此基础上,计算点模型、边模型和高阶团模型的特征描述符,获得点特征向量、边特征向量、高阶团特征向量,并利用特征向量和训练样本标签,来构建面向室外场景三维点云数据的高阶团条件随机场模型;然后,利用次梯度迭代算法和训练数据对该模型进行学习,得到与该模型相关的最理想的模型参数;最后,利用图割算法对实验测试数据进行推断,以获取室外场景的分类结果。在实验部分,本文使用两组数据来验证上述分类方法,实验结果显示本文的分类方法具有较高的准确度和召回率