用于激光點云空間形態(tài)分類的體素鄰域計算方法

（Voxel-Based Neighborhood for Spatial Shape Pattern Classification of Lidar Point Clouds with Supervised Learning）

從三維激光雷達(dá)采集的數(shù)據(jù)中提高空間形狀特征分類的有效性是非常重要的，因為它主要用于自動駕駛車輛和地面機(jī)器人對場景更高層次的理解。但是在密集掃描中計算點的鄰域使得訓(xùn)練和分類變得困難。本文提出了一個新的通用框架，該框架通過一個簡單的基于體素的鄰域計算來實現(xiàn)和比較不同的監(jiān)督學(xué)習(xí)分類器（神將網(wǎng)絡(luò)分類器（NN）、支持向量機(jī)（SVM）、高斯過程（GP）和高斯混合模型（GMM）），其中規(guī)則網(wǎng)格中每個非重疊體素中的點被分配到相同的類別。該框架能夠提供離線訓(xùn)練和在線分類程序以及定義了以散射、管狀和平面形狀為主成分分析的五個替代特征向量。實驗研究使用來自自然和城市環(huán)境的真實點云和兩個不同的3D測距儀（一個傾斜的Hokuyo UTM-30LX 和 一 個 Riegl）進(jìn)行比較性能分析。通過在分類性能度量和處理時間測量上證實了神經(jīng)網(wǎng)絡(luò)分類器的好處以及基于體素的鄰域計算的可行性。

通過對實驗結(jié)果進(jìn)一步分析得出，基于體素的鄰域計算分類方法大大減少了點對點鄰域的計算時間，而場景分類精度卻沒有受到影響。分析結(jié)果還表明，選擇合適的特征可能對分類方法的性能產(chǎn)生巨大的影響。總而言之，分類性能指標(biāo)和處理時間測量已經(jīng)證實了NN分類器的好處以及基于體素的鄰域方法在地面激光雷達(dá)場景中的可行性。未來的研究工作將開發(fā)一種并行版本的方法來提高多核計算機(jī)的在線分類時間。