对点云数据进行分类并提取出点云场景中的独立目标对象是自动化三维城市场景分析一种重要手段,其在三维数字城市重建、城市规划与分析、交通标志检测、变化检测以及自动驾驶等领域具有重大意义。随着三维激光扫描设备性能的不断提升,特别是车载三维激光扫描仪系统(Mobile Laser Scanning),可以快速获取复杂场景的高精度点云数据。其获取的海量高精度的点云被广泛应用于复杂城市场景自动分析任务中,迫切需要发展自动化的点云信息提取方法,其中点云分类是点云信息自动提取的关键步骤。然而,点云数据特殊的数据组织格式以及数据分布情况,给点云分类带来了巨大的挑战,主要困难体现在以下几点:(1)点云特征的提取依赖于单点对应的邻域(支撑区域),而三维激光扫描仪获取的点云数据是离散的点集,不具备规则的结构,且场景中的点云密度分布十分不均,使得邻域的尺寸受点云分布的影响,现有的自适应邻域估算方法虽然已经能够在较大程度上恢复点云数据的合理邻域,但仍存在自适应邻域不稳健的问题,特别是在高密度区域,邻域呈线性分布,造成分类结果中存在一定的椒盐噪声现象;(2)点云数据虽然是通过对现实场景数字复现得到的,存在大量的几何特征信息,但现实场景中地物类型复杂多样,且获取的点云数据多存在遮挡造成的缺失问题,往往容易造成分类结果不完整,出现成片的错误分类的情况,需要综合利用点云场景中更高层次的统计特征,作为约束条件融合到分类优化过程中,从而得到精度更高、更为完整的分类结果。针对以上的几个关键问题,本文从点云自适应邻域估算以及点云数据多尺度空间上下文点云分类两个方面进行设计和研究:首先着重考虑如何对点云数据的分布情况进行自适应,得到合理的邻域;然后考虑利用点云场景中的地物分布规律对点云分类结果进行优化。本文基于以上两点建立一套相对完善可行的点云分类方案,对点云数据进行分类。并基于点云分类结果进一步提取场景独立的目标对象。本文的工作的主要内容包括以下三个方面:(1)基于顾及曲率的自适应邻域的点云单点分类。经典的自适应邻域估算方法,选择固定的遍历区间,对全局范围内的点在遍历区间内进行遍历搜索,如果不考虑点云密度等分布情况,高密度区域的邻域很可能呈线状分布,而稀疏区域的邻域可能尺寸较大,进而导致特征提取不稳健,对分类结果造成明显影响。通过考虑点云数据的分布情况,可有效解决这一问题。本文假设点云数据可以粗略分为曲率较大的非规则区域与曲率较小的规则区域,提出一种顾及曲率的自适应邻域估算方法。该方法通过曲率阈值,对点云数据进行分割,当点的曲率大于阈值时,归类为非规则区域点,曲率小于阈值的归类为规则区域,本文采用一种分治策略,对分割后的点云数据在不同区域采取不同的邻域估算方法,并根据点云密度分布情况设置对应的参数区间,得到最终的自适应邻域。本文采用随机森林分类方法对点云数据进行分类实验来验证本文提出的自适应邻域估算方法的有效性。本文通过公开标准数据集的比较实验,证实了自适应邻域估算方法具有较强的可用性,其各项评价指标的平均值均比两种经典方法高出3%以上。(2)多尺度空间上下文点云分类方法研究。基于点云数据几何特征的分类方法容易受到点云数据缺失、分布不均等因素的影响,而点云场景中除了丰富的空间几何特征外,还存在大量更自然的分布规律性高层信息,借助该类信息对分类结果进行优化约束,可以得到更为平滑完整的分类结果。本文首先对经典的依赖性空间上下文进行了优化,改进边结构。不同于经典方法在全局范围内使用k近邻结构作为边结构,该方法在规则区域构造一种改进的边结构,使的近邻结构在规则区域至少跨越两条扫描线,来捕捉场景中的长距离依赖关系,将规则区域正确分类的信息扩散到非规则区域;此外,提出一种基于超级体素分割块实体的分布性空间上下文统计方法,通过类别属性统计及堆叠的方法,来模拟场景中各类地物在水平方向与垂直方向上的分布规律,将邻近区域范围内正确分类的信息扩散,来更正错误分类的成片的点云信息;本文的多尺度空间上下文分类方法基于高阶条件随机场模型,融合基于改进边结构的局部依赖以及分布性空间上下文信息,对单点分类的结果进行优化后得到最终的分类结果。通过两组公开标准数据集进行实验和比较,结果显示本文方法能够得到更为完整、精度更高的分类结果,在两组数据的关键评价指标-f1-score平均值均达到85%以上的水平(85.49%、85.57%),相对于经典方法,有8%以上的提升,在各类比较方法中,排名第一。(3)城市场景点云数据独立目标对象提取方法。点云分类的结果只得到了场景中的地物类别信息,缺少对应的对象信息,距离实际应用还有一定距离。本文首先采用超级体素分割方法对点云数据进行了分割,并分析了尺度选择对分割结果的影响;其次采用链式聚类法,结合分类结果,对超级体素实体进行自动聚类,得到三维点云场景中的各类独立目标信息。实验结果表明链式聚类方法的有效性。