基于高阶层次关联马尔科夫网的行驶环境激光点云分类

本项目针对行驶环境点云分类这个难点问题，以关联马尔科夫网为基础，扩展高势函数，将点云的高阶结构信息运用到分类中去。创新主要体现在两点：一是基于软判决同时分割分类，以解决物体粘连情况下的点簇划分问题；二是构造三维点云特征字典来分析复杂点簇的形态。具体研究：基于软判决迭代的点簇划分、基于特征模式字典的高阶势函数、基于点簇集的层次上下文模型等三点。以解决模型中引入高阶势函数带来的三个具体问题，即点云局部高阶结构范围划分、高阶复杂点簇的结构关系表达、不同点簇间的空间结构模型等。在这样的认知模型下，单个点的类别将结合局部几何特征、高阶模式信息、空间上下文等综合分析确定。在一定程度上，可以解决自然场景中目标形态变化大、结构复杂等问题，进一步提高点云分类正确率。最终成果将作为核心技术，用于移动制图、智能交通系统，智能地识别行驶场景内容，自动地进行地物、交通等相关信息的分类统计。

创新的提出了时域关联点云马尔科夫网模型用于动态行驶环境点云分类。目前，可以查到的国际期刊和会议论文上，发表的关联马尔科夫网有关Velodyne雷达点云分类的研究进展，其方法都是基于单帧点云数据进行处理的。由于单帧中点云密度变化较大，以往在密集点云中分类最好的关联马尔科夫网模型，在Velodyne雷达动态点云中效果不佳。其实Velodyne雷达采集点云数据每帧都是360度全景的空间场景数据，两帧时间上仅差0.1秒，空间上有80%以上的重叠度，可以充分的利用时域关联信息来弥补单帧的密度问题，并可以进一步分析其中的运动部分所提供的信息，但已有点云分类研究并没有关注这个方向，点云序列中的动态信息，对于提高关联马尔科夫网模型分类能力完全没有实质性的贡献。因此本项目敏锐的将这个方向选择作为本年度基金的研究突破目标。因此本项目创新的提出将时域的动态信息引入到马尔科夫网模型中，来实现更精细的逐点的精确分类和运动分析，以达到动态场景的深入理解。在具体模型推广上，本项目并未直接在随机场中增加时域势函数变量，而是从节点的类别标记集入手，将运动信息引入，使得随机场节点中的类别就是一个时空域的变量，不仅是代表节点的类别，而且代表了节点在时间空间上的关联关系，这样随机场的学习和分类的过程中，时域的信息都会像类别信息一样参与运算，很显然从节点的类别标记集引入时域关联信息，这个改动从根本上，将时域的信息带入了随机场的整体优化过程中；将有可能使关联马尔科夫网，真正的使用时域信息来表达复杂的行驶环境的动态场景。结合Veloslam方法实现了随机场时域关联信息的提取和动态分类并公开验证代码。通过之前为期两年的基金研究工作，点云动态拼接和分类算法已经可以在密集道路场景下，有效实现自身姿态估计、动目标跟踪和局部点云地图构建。相关成果在智能车辆和智能交通的会议IV2012，IV2013和ITSC2012上做了专门的口头报告，得到相关领域国际专家的好评。