基于无人机激光点云分类方法研究综述.pdf

信息通信基于无人机激光点云分类方法研究综述杨义乾（三峡大学，湖北宜昌4430 0 0）摘要：三维点云为无人机在做树障分析过程中的关键数据，能有效的表示物体特征信息。点云分类，是指通过物体属性特征对周围事物和状态的分类标记，给每个点划分一种语义标记，从而识别特定物体。文章在点云分类任务分析的研究基础上，通过国内外研究成果对分类技术加以归纳，并分别介绍了四种分类技术的基本概念，详尽阐述了四种划分方式和常见的划分技术以及进行研究，并分析归纳了各个分类技术不足之处，针对当前分类技术的发展状况，介绍了点云分析技术的发展热点与未来发展趋势。关键词：激光雷达；点云分类；深度学习；关键应用中图分类号：P231Summary of research on laser point cloud classification based on UAVAbstract:3D point cloud is the key data of UAV in the process of tree obstacle analysis,which can effectively represent the ob-ject feature information.Point cloud classification refers to the classification and marking of surrounding things and states byattribute features,and the division of a semantic mark for each point.Based on the research of point cloud classification taskanalysis,the classification technology is summarized through domestic and foreign research results,and the basic concepts ofthe three classification technologies are introduced,the three classification methods and common classification technologies are elab-orated,and the research is carried out,and the shortcomings are analyzed and summarized.According to the current development of clas-sification technology,this paper introduces the development hotspot and future development of point cloud analysis technology.Keywords:laser radar;Point cloud classification;Deep learning;Key applications由于三维激光扫描技术的发展和广泛应用，点云数据的采集越来越方便和廉价，点云分析技术也已成为了三维电脑可视化应用领域的科研热点。在遗址环境保护，机器人，照相等方面也有着越来越广阔的应用领域。点云分类，也就是在繁杂不规则的点云抽取人造和天然地物要素的流程，是对大场景进行三维场景重建和数据模型生成等后期研究的重要基石，基于点云具备海量，离散，精准等特点，针对规模，大场景的点云，怎样迅速地获取其语义信息，毫无疑问，需要对其作出合理分类。由于在计算过程中，经常会收到噪音、阻碍和干扰信息，这也就给点云的语义标记提供了诸多困难。因传统点云分类法获得结构特点的方法有所差异，因此本文将三维点云分类方法分为了四个类别：根据点的类别，根据机器学习方式的类别，根据深度学习的类别及其根据更多融合特性的点云分类法，并对各个方法做了详细地介绍与总结。1基于点的分类方法点签名法（Point Signature），是由Chua等人在19 9 4年发明的。签名距离是由平面法向量和参考向量之间的旋转距离拟合在每个点的球半径邻域和目标的交线C上得到的，即每个点的签名，然后再利用匹配签名进行排序。这种技术尽管减少了一阶导数的运算步骤，但对于模糊信息的处理性能仍不理想。在外部信息中，根据点云形状特征有些科学家可以对点云作出判断，包括旋转图像中的体素网格；文献中给出了一个旋转图像法，利用二维数据形成的螺旋图像可以表示三维点云，从而有效的克服了多目标分析中对于大区域内的遮挡物体无法实现有效辨识的问题。董等人给出了一个利用激光收稿日期：2 0 2 3-0 2-13作者简介：杨义乾（19 9 7-），男，河南周口人，研究生，硕士，主要研究方向：计算机和通信网络。2023年第0 5期(总第2 45期)文献标识码：A文章编号：2 0 9 6-9 7 59(2 0 2 3)0 5-0 0 40-0 4YANG Yiqian(China Three Gorges University,Yichang,Hubei 443000)扫描数据的多目标层次化获取方案，该方法通过使用目标点云的形状、激光反射程度、法矢量大小、主方位等特征产生超体素，可用于小尺度场景中多目标点云的快速分割和分类，在识别没有树冠的树木和被大树遮挡的路灯时仍存在识别错误的问题。2基于机器学习的分类方法通过机器学习技术对点云的分析实质上是在模型的支持下对数据的自动选择和排序。国内众多专家做出了丰富的成果，通过机器学习技术进行特征云分析，关键是通过模型实现数据的自动选择与排序，国内不少专家创造出不少成果，常见的监督式学习包含：随机森林，支持向量机（SVM)，马尔可夫随机场等。如孙等人就提供了一个基于随机森林的城市航空点云识别方法，该方法可以根据几何纹理、空间特性以及其他特性对城市特点进行划分，试验结果显示，自动特征选择的准确度略高于所有特征选择，通过特征选择，在减少特征的情况下仍能够达到较高的分类精度。1995年，Drucker等人整理总结了向量机支持向量机的数学思想，支持向量机将数据和构建的模型分成两组。最优模型通过求解凸二次规划来获得是其基本思想，从而可以正确有效地划分点云计算集合，并求解最大划分超平面，大多数节点云分类任务都采用非线性支持向量机进行划分，分类任务的决策函数采用核函数作为内积，核函数的选择对最终的分类结果有重要影响。Lai等 2 在构造核函数时，运用了小波分析的基本理论，并利用小波函数的局部化特征构造了各种类型的小波支持向量机，解决了过拟合和欠综合现象，该方式具备较强的鲁棒性。40Changjiang Information&Communications由于不同类型数据之间的特征差异较小，提出了结合一组基础分类器来确定输出结果的集成学习，并使用SVM集成来提高判别能力，SVM以前的内核函数通常会导致欠拟合或过度拟合，从而降低泛化性能。因此,利用一系列基于小波分析的核函数来构造不同的小波支持向量机（WSVM)，以提高集成系统的异构性。同时，支持向量机的参数对分类结果有显著影响。本文通过WSVM集成对FWL点云进行分类，并利用粒子群优化来求解WSVM的最优参数，实验结果表明，所提方法具有鲁棒性和有效性，适用于一些实际工作。Wu等3还提出了多维度基于SVM分割器的基本理论，根据不同尺度的空间结构对点云进行划分，从而形成不同层次的划分，并确定条件概率模型来完成最终的划分，从而实现了自动地在与激光雷达点云分离的数字高程模型。SVM分类器具备了良好的泛化功能，对地球表面和其他陆地物体类型的显示中，分类效率和准确性都得到了提升，当物体数量被激光雷达中探测到的数量较少时，良好的可解释性也被分析人员广泛使用，但在大量点云训练中速度较慢，不适合多目标提取的复杂场景。3基于深度学习的分类方法Qi等人首先突破常规，建立了一个名为PointNet的网络系统，传统的卷积神经网络是对图像像素进行卷积，如果在不同方向将点云数据进行投影，再利用卷积神经网络也能实现ClassificationNetworkinputsiuodndutransformExuxuT-Net3元3transformmatrixmultiplyHierarchicalpointsetfeaturelearning杨义乾：基于无人机激光点云分类方法研究综述分割，但是算法复杂且效果不好。如图1所示，可以将框架分成两个部分，第一个部分用于提取全局特征，第二个部分用于点云分类或者点云分割。对于第一个部分，首先是通过一个仿射变换模块(T-Net)对数据做仿射变换，然后由共享的多层感知器(MLP)逐点提取特征，此时数据维度为6 4，然后又经过一个T-Net模块做放射变换，再由共享的多层感知器逐点提取特征，此时的数据维度为1024，最后再经过maxpool得到一个10 2 4维的向量。对于第二个部分，如果是点云分类任务，可以直接将全局特征输入mlp预测scores，如果是点云分割，那么需要将全局特征与每个顶点向量cat起来，然后输入给mlp对每个顶点分类。PointNet考虑的是直接输入点云数据，实现一个端到端的网络。但是点云数据不同于图像数据，首先是点具有置换不变性，即交换任意点之间的位置，不会对整体造成影响。该网络系统旨在克服点云排列不变性和旋转刚性等难题，其一般方法是通过将收集到的原始点云进行输入，获取特性则通过多个传感器来实现，其次利用最大池化层进行对称函数来整合特征向量实现全域特性，最后通过利用多级传感器（MultiLayerPrecep-tion,MLP)来实现特征分类功能。PointNet与当下主流网络不符，只是做了全局信息的融合，并没有考虑局部信息的语义，其次点之间的特征关系并没有考虑,对于局部特征PointNet由于无法在度量空间中捕获，影响了其区分细粒度模式和推广到复杂环境的能力。mlp(64,64)featuretransformsharedt9xuT-Net64x64transformmatrixmultiply图1PointNet网络结构图Segmentationmlp(64,128,1024)t9xusharednx1088mlp(512,256,128)2+Ci)(Ni.d+C2+maxNpool1024nx1024global featurepoint featuressharedskiplinkconcatenation(Ni.d+C)mlp(512,256,k)KoutputscoressharedIxumlp(128,m)(N.d-CH4C)(N.k)(N.d+C)(NI.K.d+C)(NI.d+CI)(N2,K.d+CI)(N2.d+C2)interpolateClassificationsampling&pointnetgroupingsetabstraction41unitpointnet(1.C)sampling&pointnetgroupingset abstractioninterpolatepointnetfully connected layers图2 PointNet+网络结构图unitpointnetper-pointscores(k)Changjiang Information&Communications为满足这种情况，人们提出了一个叫做PointNet+的分层神经网络，它先根据空间距离的度量将点云划分到一些局部的区域中，这些区域可以是重叠的，再对每个小区域采用pointnet聚合特征，将每个区域聚合成一个带有特征向量的点，到此为止，庞大的点云转化为了：少量的点+包含区域特征的特征向量。处理和抽象一组点产生具有较少元素的新集合。获得的新点云重复上面的工作，以扩大特征深度和广度，它的另一个重点就在于提供了一个多层次的特征提取系统，当人们对点云进行处理后，先选择某点为