三维激光扫描系统作为对地观测系统中数据收集最重要的技术之一，具有快速获取大规模、高精度地面信息的优势，且在各种地理信息产品（城市规划、环境监测和电力线检测等）生产中起着越来越重要的作用[1]。通过机载三维激光扫描系统对城市进行扫描，可直接获取具有坐标和几何属性（如强度）的大规模三维激光点云。从点云中提取各种类型的地理信息首先需对点云进行语义分割[2]。然而，由于传感器噪声、复杂的对象结构、不完整的点和不均匀的点密度，准确而有效的点云语义分割仍是一项艰巨的任务[3]。早期的机载激光点云分类问题主要通过机器学习的方法解决。通常点云分类任务是先局部和全局提取代表点特征，再利用学习到的特征表示将每个点分类为预定义的语义类别[4]。这些方法首先计算几何特征，然后通过特定的分类器最大程度地区分各种语义特征[5-6]，从而实现逐点语义分割；但原始点云的特征计算能力有限，且过于依赖特定的先验信息或规则[7]，独立估计每个点的局部特征并生成标签预测，结合局部与全局特征的点云语义分割卷积网络摘要：点云语义分割在许多与点云相关的应用程序中具有重要作用，特别是对于机载激光点云，精确的注释可大大扩展其在各种应用中的用途。然而，受限于传感器噪声、复杂的对象结构、不完整的点和不均匀的点密度，准确而有效的语义分割仍是一项艰巨的任务。因此，提出了一种结合局部与全局特征的机载激光点云语义分割网络。首先利用改进的渐进三角化不规则网络致密化滤波算法将点云划分为地面点和非地面点，然后针对非地面点分别提取局部和全局特征，再聚合局部特征和全局特征并获得点标记结果，最后基于图优化模型进行语义标签优化。为评估该方法性能，在一个大规模机载激光点云数据集中进行测试实验。结果表明，该方法在DALES基准数据集上的总体精度可提高至97.4%，对8个语义类进行分类，mIoU为78.2%。与其他较前沿方法相比，该方法可实现更高的分割精度。关键词：机载激光点云；语义分割；深度学习；后端优化中图分类号：P231文献标志码：B文章编号：1672-4623（2023）03-0025-06PointCloudSemanticSegmentationConvolutionNetworkCombiningLocalandGlobalFeaturesSONGXiurong1,QUANXuezhen1,ZHANGJie1,ZHAOChuangxing2(1.QinghaiBasicSurveyingandMappingInstitute,Xining810001,China;2.QinghaiRemoteSensingCenterforNaturalResources,Xining810001,China)Abstract:Pointcloudsemanticsegmentationplaysanessentialro...
