基于张量投票的车载LiDAR数据的目标识别

Automatically identifying and classifying urban objects of interest from mobile laser scanning (MLS) data is critical to interpret and analyze MLS data for various applications. Compared to advanced MLS technology, MLS data post-processing methods, including object recognition and three-dimensional reconstruction, are still in the early period. This study presents a tensor voting-based urban object classification strategy, in terms of computational efficiency, robustness, cost-effectiveness, and reliability. The strategy includes the following key components: (1) With data attributes, including height, intensity, and wavelength,a snake based road extraction is proposed; (2) Tensor voting, a perceptual grouping method, is explored to extract geometrical primitives from the extracted non-road data; and (3) Sematic information of the objects of interest is combined with the geometrical primitives for refining object classification results. The proposed strategy is expected to improve the quality and efficiency of interpreting and extracting objects from massive MLS data.

从高精度、高分辨率的海量车载LiDAR点云中自动识别城市地物是激光LiDAR数据分析与应用中亟需解决的关键问题。为了进一步提高当前自动处理车载LiDAR海量点云数据的效率、性能和自动化目标识别的可靠性，本课题以基于张量投票的城市地物目标感知与识别方法的研究对象。研究内容包括（1）融合高程、强度以及其它属性信息，利用参数化主动轮廓模型实现一般道路的自动提取，并通过张量投票计算非道路激光点与其周围的数据点之间的局部信息传递，实现各种几何结构类型的描述；（2）深入研究张量投票的投票尺度对几何结构关系，构建多尺度张量投票模型，提高对地物目标进行几何结构识别和提取的鲁棒性；（3）结合地物目标的语义信息，优化地物目标分割结果。本课题以感知编组理论为基础，结合计算机视觉、数值分析、计算几何等理论与方法，探讨一种有效的基于点云的地物目标识别策略，希望能够为改善大数据量点云数据目标识别与解译作出贡献。

针对车载LiDAR点云数据自动化处理性能不高，需要大量的人工交互以及从LiDAR点云数据中识别地物的可靠性差，难以实现基于车载LiDAR点云数据在基础测绘，特别是交通部门对铁路、隧道、高速公路等基础设施的广泛应用。本课题将以车载LiDAR点云数据为基础, 寻找快速、准确、自动的地物目标识别方法。研究内容主要包括（1）利用张量投票理论，对几何结构关系，构建多尺度张量投票模型，提高车载LiDAR点云数据中几何结构识别能力；（2）利用超体素分割、NCut等算法，研究特征区域的语义表示，实现语义对象的分类识别，并在此基础上利用深度学习理论，进一步进行小目标识别研究；（3）以车载LiDAR点云数据为实验对象，结合上述研究的关键算法与方法，实现地形滤波处理、结合人造目标(如:线状目标：电力线、电线杆等；如面状目标：建筑物立面、交通标示牌等)语义以及几何模型信息的优化处理，实现车载LiDAR数据的地物目标的快速感知与识别，并通过多个实验区域的车载LiDAR点云数据，验证了本项目所提出算法与方法的正确性和实效性。本课题以感知编组理论为基础，结合计算机视觉、数值分析、计算几何、深度学习等理论与方法，建立车载LiDAR点云数据地物目标自动识别处理策略，为车载LiDAR点云数据在三维数字城市建设、交通设施监测、基础测绘和专题信息调查等应用奠定基础。建立基于投票张量、上下文语义词汇表、深度玻尔兹曼及等深度学习等方法，从点云数据几何特征角度出发，结合地物目标语义信息，依托分布式并行计算方法，提高车载LiDAR点云数据分析与处理智能化解译水平，为实现海量车载LiDAR点云数据的快速、自动化地物目标识别与提取扫平障碍。