论文部分内容阅读
在计算机视觉研究领域中,对三维场景进行有效的理解是诸多应用的前提条件,本文主要讨论了针对大范围室外场景的三维点云语义分割问题,并采用两种算法对场景实现了有效的语义分割。为了克服大范围场景数据量大、表述难的挑战,本文首先提出了一种点云图像化表述的生成方法,该方法在场景视点设置一个圆柱模型,将整幅三维场景投影到圆柱侧面上,接着展开圆柱侧面并进行像素栅格划分,最后计算像素值生成一幅灰度图像。该点云图模型能够将杂乱无序的三维点云数据转换为有序的二维图像,为后续利用图像领域里的成熟的特征提取方法创造了条件。在传统的基于手工特征的点云语义分割算法中,提取多个尺度的邻域几何特征是较为有效的方法,但是该方法依赖于人为经验的介入,且耗时量巨大。本文在这里首先借用点云图模型,能够快速的提取多个尺度的图像纹理特征。然后为了增强特征集合的区分能力,我们又提取了三维点在单一最优邻域尺寸下的几何特征,以求达到特征表述能力和计算耗时之间的平衡。最后采用随机森林分类器对上述特征的两种组合方式进行监督分类,实现了对三维点云场景的语义分割任务。将深度学习领域中的卷积神经网络应用于三维结构数据时,如何设计规整高效的输入端表述是三维视觉社区共同面对的一个挑战。本文采用Landrieu等人提出的一种较为新颖的点云表述方式,即超点图,并对基于超点图的点云语义分割算法进行了改进。该改进着眼于提升原算法中超点图构建部分特征集合的表述能力,实验结果表明该改进能够在基本不增加算法耗时的前提下有效提升语义分割的效果。本文使用来自苏黎世联邦理工学院(ETH Zurich)和国立巴黎高等矿业学校(MINES ParisTech)的公开数据集对上述两种语义分割算法进行验证,并对两种算法的性能进行了对比分析。结果显示两种算法均能实现对大范围室外场景的语义分割任务,其中改进版本的基于超点图的点云语义分割算法在综合正确率方面具有优势,而基于图模型特征的语义分割算法在算法耗时方面具有优势。