【论文速读】车载点云中杆状地物的形态分析与分类研究
标题：车载点云中杆状地物的形态分析与分类研究
作者：杨 洲，康志忠，杨俊涛，周梦蝶，孔 民
星球ID：particle
本文系作者联系分享，欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈分享快乐。
论文阅读模块将分享点云处理，SLAM，三维视觉，高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享，欢迎各位加入我，我们一起每天一篇文章阅读，开启分享之旅,有兴趣的可联系微信dianyunpcl@163.com。
●论文摘要
针对车载激光雷达（LIDAR）数据中 杆 状 地 物 分 类 效 果 不 理 想 的 问 题，该文对从车载 LIDAR 数 据 中 提 取 的 杆 状地物进行形态分析与分类研究。首先，利用基于体素的方法对杆状地物进行提取。其次，对提取出的杆状地物进行形态 分析，使用 ESF特征、几何特征及附属物拓扑特征作为杆状地物的特征向量集。最后，利用随机森林分类器对特征向量集 进行重要性分析，构建最优特征子集，对杆状地物进行精细分类。
●内容介绍
针对道路廊道两侧杆状地物的研究，有利用投影点密度结合几何特性对电线杆进行提取,该方法简单可靠， 有较好的提取效果， 但容易受 到格网、扫描距离等因素的限制。有提出 了一种局部特征和全局特征描述子相结合的方法， 对杆状地物进行提取和分类。有利用先验 信息和形状信息的滤波器对聚类后的非地面点进 行检测，从而提取杆状地物。 针 对 杆 状 地 物 的 分 类，支 持 向 量 机 （SVM） 和随机 森 林作 为 常 用 的 分 类 器， 被 广 泛 地 应 用于杆状地物的分类研究。
本文在 已有研究的基础上，通过对杆状地物的形态分析， 采用形状函数集合和几何特征及 附 属 物 拓 扑 结 构 相结合的方法，构建杆状地物特征向量集。同时，使用随机森林分类器对杆状地物进行分类， 利用 随机森林 分 类 器 对 特 征 向 量 集 进 行 重 要 性 分 析， 构建最优特征子集， 得到最优分类结果。 本文流程图如图１所示
流程图
基于体素方法的杆状地物提取
通过基于体 素 的 形 状 识 别 生 成 一组线性体素作为 杆状对象候选者，并 用 作 后 续 模 块 的 输 入。其次， 根据杆状地物间的局部孤立性且主方向是沿着 Ｚ 轴的特点，采用一种自适应半径的圆柱模型识别 属于杆状物体的体素。 最后， 依 靠 之 前 检 测 出 的 杆状地物体素，通过使用基于垂直区域生长算法， 确定种子点和设置垂直生长阈值， 遍历所有属于 杆状地物 的 体 素 点， 从 而 提 取 出 单 个 杆 状 物 体。 对于存在破损缺失的部分杆状地物， 使用随机抽 样一 致 性 （RANSAC） 算法进行 三 维 线 拟 合， 以 获 得 完 整 的 杆 状 物 体。
类别确定
本文综 合 考 虑 实 验 区 域 杆 状 地 物 的 结构和功能，将杆状地物分为交通标志、电线杆、 单臂街灯和路灯４类
特征提取
为了 全 面 描 述 杆 状 地 物 的 特 征， 本 文 选 用 ESF（ ensemble of shape function）特 征描述子、 几何特征和附属物拓扑特征作为 杆 状 地 物 的 特 征 描述。 ESF是 一 种 描 述 点 云 全 局特征的描述子。由 ３ 种 不同 形 状 的 函 数 组 合 而 成，用于 描 述 点 云 的 距 离、 角 度 和 面 积 等 属 性。 该算法具有很强的独特性，不需要其他普通信息。 同时，它对噪声和不完整的表面很稳健， 因此不 需要进行预处理等操作。 该算 法 使 用 体 素 网 格 作 为真实表面的近似， 然后 进行 迭 代 遍 历 点 云 中 的 所有点。
杆状地物类别的 ESF直方图
杆状地物的附属物分析
随机森林分类
经过杆状 地物的 形 态 分 析 并 进 行 特 征 提 取 得到特征向量集后， 需要 对杆 状 地 物 进 行 分 类。 本文采用一种 基 于 机 器 学 习 方法的随机森林分类器进行分类。
随 机 森 林 是 一 种 基于决策树的分类器， 并进一步在决策树的训练 过程中引 入 随 机 属 性 选 择。 与 其 他 分 类 器 相 比， 随机森林作为一种集成学习中的Bagging类别下的 分类器，对过度 拟 合 不 太 敏 感， 同 时 具 备 方 法 简 单、运行效率快等优点，被 广 泛 应 用 于 遥 感 图 像、 点云分类等领域
●试验与分析
为了验证上述所提方法，本文选用３个公开的数据集进行试验与分析。数据集Ｉ是代尔夫特理工大学所提供的面积约430×165ｍ^2的车载激光点云街景数据。数据集Ⅱ是里尔街的车载激光点云数据（Lillel）， 数据长1150ｍ，7130 万 个点；数据集Ⅲ 是巴黎街的车载激光点云数据（pairs），数据长450ｍ，约4570万个点。
随机森林特征重要性分析
不同形状的交通标志
试验分类结果（不同颜色代表不同类别）
●总结
本文对提 取后的 道 路 廊 道 两 侧 杆 状 地 物 进 行 形态研究，结合 ＥＳＦ 特 征与几何特征及附属物拓 扑特征，利用随机森 林 分 类 器进 行 训 练 并 分 类 杆状地物，同时通 过 计 算 特 征 重 要 性， 构建最优特 征子集以提 高 分 类 准 确 率。 通过试验表明， 该方 法对于不同 数 据 集 的 杆 状 地 物 都有较好的分类结 果。本文提出的方法流程简单、 稳健， 有较强的 普适性。但是当 类 别 确 定 没 有 考 虑 形 状 时， 其分类效果较差。
资源
三维点云论文及相关应用分享
【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法
3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
更多文章可查看：点云学习历史文章大汇总
SLAM及AR相关分享