基于车载激光点云的道路目标分类方法研究

作     者：龙安洋 

作者单位：华南理工大学 

学位级别：硕士

导师姓名：田晟;代磊

授予年度：2023年

学科分类：080901[工学-物理电子学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 082304[工学-载运工具运用工程] 080401[工学-精密仪器及机械] 080203[工学-机械设计及理论] 080204[工学-车辆工程] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 0803[工学-光学工程] 0823[工学-交通运输工程] 

主      题：车载激光点云 点云分类 自适应邻域 注意力机制 上下文信息 

摘      要：近年来,三维激光扫描技术和人工智能快速发展,为数字城市及智能交通的建设提供了坚实的技术支撑。车载激光扫描系统（Mobile Laser Scanning,MLS）能够快速获取复杂道路场景下的高质量点云数据,而基于车载激光点云的目标分类是从海量原始数据中提取语义信息的关键步骤,对于城市三维数字重建、自动驾驶等实际应用具有重要意义。然而,城市道路场景的点云数据量巨大、类别分布不平衡且密度极不均匀,导致现有的点云分类方法难以满足高精度分类的需求。基于上述背景,本文开展基于车载激光点云数据的分类方法研究,旨在将人工智能算法应用于点云分类任务,提升分类模型的精度及泛化能力,为点云语义信息的自动化提取提供可借鉴方案。本文的主要研究工作及研究成果如下:（1）介绍车载激光扫描系统的组成及基本工作原理,分析车载激光点云数据的主要特点及常见的组织形式,阐述与点云分类相关的深度学习网络结构,并探讨注意力机制在点云分类方法中的应用,为后文的研究奠定技术及理论基础。（2）基于传统机器学习的点云分类模型研究。针对传统自适应邻域难以适应点云密度变化的问题,考虑点云的曲率信息,提出融合曲率的自适应邻域选取方法,根据曲率阈值分割点云数据,并在不同区域内选取适配的邻域参数。为了解决单一机器学习分类器性能不稳健的问题,建立包括支持向量机（SVM）在内的三种子分类器,并采用Fscore加权投票的原理构建组合分类器以优化模型性能。实验结果表明:该分类模型在小规模点云场景中具有良好的分类精度及鲁棒性,总体分类精度可达95.82%。（3）基于深度学习的点云分类模型研究。为了解决现有网络对局部特征提取不充分的问题,基于注意力机制设计了局部特征聚合模块,通过动态地融合邻域点特征以充分捕获局部信息。考虑现有的分类模型不能顾及上下文信息,导致复杂场景下的分类性能受限,构建了上下文感知模块和双注意力模块,从多个维度提取上下文信息,进一步增强特征的表达能力。实验结果表明:该模型在大型点云数据集下具有更高的分类精度及更强的泛化性能（总体分类精度达到96.84%）,更适用于大规模点云分类。