结合超体素与黎曼图的城市街道LiDAR点云目标分割与识别研究

Light detection and ranging (LiDAR) technique has became an important tool for urban remote sensing, and the segmentation and recognition of LiDAR point cloud of the street scene is crucial for various applications, such as the automatic driving, augment reality and the digital urban. The proposed project will analyze the characteristics of the LiDAR point clouds in the aspects of the scale space, the feature space and the topological space. Firstly a combination of the octree and K-means algorithm is used to produce scale-adaptive super voxels. Then, super voxel-based Riemannian graph is constructed by extracting features from voxels and defining the neighborhood relationship. A graph optimization strategy is designed to split different objects from the scenes. The individual candidate object is then classified into the corresponding category based on the machine learning technique. The first advantage of the method is that using super voxels to extract features could compensate the effects of noise and uneven density of the data, which enhanced the ability of high level feature description. Besides, the Riemannian graph introduces the geodesic distance which replaces the Euclidean distance to well describe the distance matric of the edges of the graph. By combining the super voxels and the Riemannian graph, the proposed approach significantly improves on solving these difficulties about the scale analysis, the topological construction and the feature description.

激光雷达探测（LiDAR）已经成为获取城市空间数据的一项重要遥感手段。对街道LiDAR点云数据进行目标分割和识别，在自动驾驶、增强现实和数字城市等领域具有重要作用。本项目从尺度空间、拓扑空间和特征空间三个角度对LiDAR点云数据开展研究。首先，利用改进的八叉树和K均值算法构建尺度适应的超体素划分。然后，以超体素为节点，研究特征描述和邻域表达方法，构建黎曼图模型，利用图优化方法进行目标分割。最后，对分割的备选对象构建高级特征向量，通过机器学习的方法进行分类识别。本项目的创新在于：通过构建尺度自适应的超体素基元，优化了算法对噪声和非均匀密度的适应性，为高级特征表达提供支撑；通过定义测地线（Geodesic）距离来代替欧氏距离，为黎曼图模型提供更可靠的距离度量和边的权重。本项目结合超体素与黎曼图模型，在很大程度上解决点云分割和识别任务在尺度分析、拓扑结构分析和特征描述方面的难点。

在现代遥感领域中，激光雷达探测（LiDAR）是一种快速获取三维数字模型的重要手段。人们可以从LiDAR点云中识别目标的空间位置信息，重建出具有高逼真度和高精度的三维几何模型。对街道LiDAR点云数据进行目标分割和识别在自动驾驶、增强现实和数字城市等领域具有重要作用。本项目从尺度空间、拓扑空间和特征空间三个方面对LiDAR点云数据展开研究。首先利用改进的八叉树和k均值算法构建尺度适应的超体素划分。然后以超体素为节点分析特征描述和邻域表达方式，构建黎曼图模型，利用图优化方法进行目标分割。最后对分割的备选点集构建高级特征向量，通过机器学习的方法进行分类识别。从分割的建筑物点云出发，项目研究了建筑物表面建模技术。本项目的创新在于：通过构建尺度自适应的超体素基元，优化了算法对噪声和非均匀密度的适应性，为高级特征表达提供支撑；通过定义测地线（Geodesic）距离代替欧氏距离生成黎曼图模型，提供更可靠的距离度量和边权重。结合超体素与黎曼图模型，在很大程度上解决了点云分割和识别任务在尺度分析、拓扑结构分析和特征描述方面的难点。提出一种基于平面结构保持的模型简化方法，能够保留道路两侧的建筑物模型的整体结构，同时极大的压缩数据量，服务于特殊应用中的快速传输和实时渲染。