![](https://csdnimg.cn/release/download_crawler_static/86328974/bg3.jpg)
据我们所知,还没有哪种技术可以将类似图 1 中的自然三维场景分类成子要素,如植被、岩石表面、砂砾和水
等。在地面机器人导航系统的研究中,实现了仅仅采用几何方法对简单场景中平面和植被的分类(Vandapel et al.,
2004;Lalonde et al., 2006),但在需要分析地物的几何特征时无法选择一个特定的空间尺度使用这种方法。基于反
射激光强度的分类最近被提出(Franceschi et al., 2009),但由于对入射距离和入射率难以进行精确校正(例如
Kaasa-lainen et al., 2011;Lichti, 2005),它还不能应用于 3D 表面。基于 RGB 图像的分类可以用在简单的环境中,
将植被从地面分离出来(Lichti, 2005)。但对于大型复杂的三维环境,其分类效果受强阴影投影(图 1)、图像曝光的不
确定性、表面湿度的影响以及 RGB 光谱特征的有限可分性的限制(Lichti, 2005)。此外,当对具有相似 RGB 特征但
几何特征不相同的的对象进行分类时 (即平坦的床与涟漪,新基岩与岩崩),只有几何特征可以用来分离点云。
本文针对复杂的自然环境,提出了一种新的三维点云分类方法。它解决了上面讨论的大部分难题:在真 3D 环
境下,直接在点云上工作,对阴影效果或点密度的变化基本上不敏感,最重要的是它允许某种程度的可变性和在类
特性上的异质性。为这个项目设计的软件集(CA-NUPO 套件)用来处理大体量的点云数据集。该工具可以由机器学
习领域的非专业人员使用自动化的方式进行处理,也可以允许对分类过程的简单控制。因为几何测量效果独立于使
用的测量仪器(不是利用反射强度或 RGB 的情况下(Kaasalainen et al .,2011)),根据具体环境定义分类器(即高山河流,
盐沼泽环境,砾石床河,悬崖露头等)可以被其他用户直接重用,不用强制性的每个阶段都对分类器进行重建。
我们的方法的优点是提出了一种基于不同尺度的三维几何特性对场景进行分类可靠方法。这允许在复杂场景
(例如图 1)中以非常高的精确度识别植被。下面我们首先介绍了研究地点和数据采集过程。然后,我们引入了新的
多尺度维度特征,用于描述场景中某个点的局部几何形状,以及它如何描述简单的基本环境特征(地面和植被)。在
第 4 节中,我们描述了构建一个分类器的训练方法:它的目的是自动地找到最能区分两个或两个以上特征地物的尺
度组合。使用两个数据集对分类方法进行质量测试:( 1)一个简单的河岸沙子上的植被,(2)一个更复杂的,包括具
有非常明显的异质性和三维特征的多个类的山区河流 (图 1)。最后,我们将讨论该方法相对于其他分类方法的应用
范围和不足。
图 1. 左:位于奥提拉峡谷(新西兰)的陡峭的山河河床,以及陆地激光扫描仪的位置。右图:在 CloudCompare
(Girardeau-Montaut, 2011)中使用 PCV 技术绘制的点云的一部分(Girardeau-Montaut, 2011)展示了场景的完整 3D 特性
(300 万点,最小点间距= 1 厘米)。确定关键的基础类,如植被、岩石表面、砂砾或水面,可以研究植被的垂直分布、
水面剖面、分割大块岩石,或测量砾石覆盖层和测量厚度的变化。
评论0
最新资源