基于高斯主元分析的三维点云形状分类

【摘要】：随着点云相关技术的高速发展,大量产业与领域开始加深对点云的结合与应用,城市规划、VR虚拟现实、机器人自主导航、3D影视等处处可见三维点云的身影。但三维点云从扫描到应用中间,还需要进行大量的处理工作,而点云的特征提取与形状分类都是点云应用前至关重要的处理步骤。本文主要针对室外场景的三维点云,进行特征提取并实现点云的形状分类。本文提出了一种基于高斯主元分析的几何特征提取方法,通过KD-Tree和KNN方法搜索并存储点云中每个点的邻域,在主成分分析的基础上,引入高斯权重,来计算点云邻域矩阵的协方差矩阵。基于协差阵得到的特征值和特征向量,可以求出法向量、切向量、不同类型置信量等几何特征。经过试验,与主成分方法求得的法向量相比,高斯主元方法得到的法向量鲁棒性更强,方向更准确,为下一步点云的形状分类打下了更良好的基础。得到点云的几何特征后,利用简单的阈值法无法满足我们对分类精度的要求,为进一步将场景点云形状精确地细分,本文使用XGBOOST方法和随机森林方法进行对比,将点云形状分成三类,分别为散乱点、线性点和面性点。XGBOOST基于Boosting方法,使用CART分类树作为弱分类器,每一棵树的更新都基于上一棵树的结果,且在代价函数中引入正则项,有效地降低了过拟合风险,同时模型在特征维度上实行并行处理,便于提升模型计算效率。由于室外三维点云的特性,其面性点的分布远高于其余两类点,而这种数据特征会对随机森林方法影响更大,因此随机森林在模型表现上,略逊于XGBOOST方法。本次实验利用奥克兰大学的三个室外场景点云训练测试模型,XGBOOST模型的分类准确率达到了91.7%以上,与随机森林方法分类结果相比,准确率有所提高,尤其是在线性点和散乱点的分类上,精确率大幅提升。