论文部分内容阅读
点云数据包含了丰富的语义信息,具有高密度、高精度等特点,已经成为三维目标识别研究的主要数据之一,实现复杂三维场景的理解和分析。同时,因为三维目标识别具有重要的研究价值,其迅速成为了计算机视觉领域的研究热点,被广泛应用于航天航空导航、遥感制图、军事侦查和智能化交通系统等领域。因此,提出高效智能化的三维目标识别方法具有重要的现实意义。本文提出MSS-PointNet点云深度学习模型,用深度学习技术识别三维点云数据,进一步拓展点云数据的应用领域。由于PointNet模型只是对单点进行特征学习,未考虑点的局部信息对特征学习的影响,本文通过邻域采样方法来改进PointNet,即利用FPS算法选出样点,并使用基于半径的球查询方法对样点进行邻域采样,用点的邻域代替单点作为网络的输入进行特征学习。然后基于尺度空间的思想,将球查询的半径大小作为尺度参数,通过改变尺度参数得到多个不同的尺度,基于不同的尺度进行邻域采样构建点云尺度空间,之后选择点云尺度空间中的多个尺度分别进行特征学习,最后将这些特征结合成多尺度特征输入到分类器中,从而实现点云的分类分割。本文将改进后的模型命名为MSS-PointNet(PointNet of multi-scale sampling,多尺度采样PointNet),并通过物体分类、物体局部分割和室内场景分割等实验测试了模型性能。较高的分类准确率和分割IoU结果表明,无论是对小物体分类分割,还是大场景识别,MSS-PointNet模型都实现了较好的识别效果,证明了邻域采样方法和多尺度结构的有效性。此外,本文还将改进的模型MSS-PointNet进行了扩展,将其应用于室外复杂场景的识别研究。以Semantic3D数据集为训练样本训练模型,利用地面三维激光扫描仪对整修前的安徽师范大学地理与旅游学院实验楼测量采集,并使用配套软件ScanMaster进行数据预处理得到场景点云数据,用该数据测试训练后的模型,分类准确率高达0.972,分割的平均IoU为0.537,还对识别结果进行了可视化显示。该室外场景实验的结果表明MSS-PointNet模型能较好地适用于室外复杂场景的识别。