论文部分内容阅读
随着三维扫描技术的不断深入发展,点云数据的获取变得简单快捷。目前,通过各类机载、车载、手持扫描仪等设备均可高效地获取高精度大范围的点云数据,这为点云的分析和重建创造了极好的条件。在点云处理的一系列过程中,点云分类是不可缺失的重要组成部分,也是当前计算机科学相关领域的研究重点和热点。近年来,有关点云分类的研究取得了较大进展。但是,对于诸如道路桥梁、树木等包含相互交错遮挡的复杂三维点云数据,现有方法的性能仍难以达到相关应用需求。为此,本文将针对地形地貌数据和多种树木等点云数据进行形态特征统计分析,并在此基础上开展点云分类研究工作。本文的主要研究工作和贡献如下: 1.基于点云形状特征统计,提出局部形状特征概率混合的半自动三维点云分类方法。 具体地,首先利用形状概率统计特征对点云数据进行计算,再利用解析曲面模拟采样点集,对近邻距离、近邻四面体体积、近邻法向量差异度和主曲率方向差异度这四个点的形状特征进行统计分析和比较;然后,针对上述四种特征,提出了一种基于概率混合的多特征融合方法,从而弥补单一特征在分类判别能力上的不足;在此基础上,提出基于主曲率阈值投票的快速点云聚类方法。实验验证了所提方法的有效性。 2.提出了一种基于条件随机场的点云分类方法。 具体地,基于点的最近邻四面体体积、高斯曲率、点对势能等局部形状特征,首先利用点云的位置坐标信息进行密度条件随机场模型构建;然后通过正则化对数条件概率(Regularized Log Likelihood)构造似然函数,在总体分类精度最优准则下利用蒙特卡洛方法进行参数推断;在此基础上,进一步提出了一种基于最大化类间加权准确率的参数学习准则,该准则强调各个类别的准确率,可使得最后分类结果中每一类的准确分类达到一个平衡。在一系列树林点云数据的实验结果表明,所提方法能够极大地提高树木点云的分类正确率。