基于街景圖像和LiDAR點云的三維城市地圖分割和建模技術

（Urban 3D segmentation and modelling from street view images and LiDAR point clouds）

帶有語義標簽和度量信息的3D城市地圖不僅是自動駕駛汽車和城市無人機的關鍵支撐，而且還有助于局部環(huán)境在移動用戶應用中可視化。機器視覺挑戰(zhàn)是用最少的手工注釋從現(xiàn)有數(shù)據(jù)中生成準確的城市地圖。針對這項工作，本文提出了一種新的方法，該方法采用GPS注冊的激光雷達（光檢測和測距）點云和街景圖像作為輸入，并結合點云和光度學特征使用基于規(guī)則的分析和基于學習的標記混合創(chuàng)建三維點云的語義標簽?；谝?guī)則的分析可以提高對75%的點云數(shù)據(jù)簡單化和對大型結構（如街道表面和建筑立面）的分割。對于更復雜的結構，例如汽車、樹木和行人，本文利用結構（LiDAR）和光度（街景）特征的推動決策樹來創(chuàng)建。本文還提供了三維可視化方法的定性示例，從標注數(shù)據(jù)和二維圖像分割中構建參數(shù)化圖形模型，其中三維標簽反投影到街景圖像。在定量評估中，本文給出了該方法的分類準確性和計算時間，并將結果與當前三種常用數(shù)據(jù)庫的競爭 方 法（NAVTEQ True、Paris-Rue-Madame和地面激光掃描Velodyne）進行比較。

本文所提出的方法可以在商用臺式機硬件上運行不到一個小時的時間就可以處理8000萬個三維點（2.4公里街道距離）。首先使用基于規(guī)則的探測器來測量超過75%城市點云的道路表面和建筑立面。這些規(guī)則基于強大的自適應處理（例如，以一個特定城市的平均建筑高度）為基礎，設置具有明確物理意義的閾值。然后，剩余的點云由構建vox-els（點群）的方法進行處理，最后將超體素通過增強決策樹的集合進行分類。體素構建、超體素構建和提取的特征也是基于具有明確物理意義的閾值。實驗驗證了所提出方法相比其他現(xiàn)有的方法表現(xiàn)良好。今后的研究工作將增加其他三維地圖數(shù)據(jù)的方法適應性。