（Real-Time and Accurate Segmentation of 3-D Point Clouds Based on Gaussian Process Regression）

在基于光檢測和測距傳感器（LIDAR）的目標檢測中，對目標進行準確分割是非常重要的，因為分割是其他感知任務（如分類和跟蹤）的基本預處理步驟。對于分割對象，大多數(shù)方法試圖消除地面效應，這通常會引起相當大的計算工作量，并導致使用三維激光雷達收集的點云對象檢測不準確。然而，在許多實時應用中，例如自動駕駛，應該在特定的時間內(nèi)執(zhí)行分段，因為即使小的計算延遲也會導致車輛碰撞事故發(fā)生。本文提出了一個用于三維點云的實時和準確的對象分割算法，該算法并不進行地面提取。所提出的算法根據(jù)二維網(wǎng)格和無向圖的集成結(jié)構(gòu)，對非地面點進行聚類，生成目標候選點，找出目標邊界，實現(xiàn)快速處理，得到準確的分割結(jié)果，而不受地面提取誤差的影響。為了提高分割的準確性，該算法采用高斯回歸過程，它可以大大減少過度分割對象的產(chǎn)生，從而有助于實現(xiàn)更高的跟蹤精度。本文應用兩種類型的高斯回歸過程模型來交替提供用于合并相鄰的過度分割對象的提示。實驗結(jié)果表明，與大多數(shù)評估指標相比，該算法的處理速度更快，分割準確率更高。本文還在實時跟蹤應用進行了測試。測試結(jié)果表明，即使在最壞的情況下，分割精度也能使跟蹤精度提高11.4%。

本文還提出了新的度量標準，包括OSR、精度、e精度、USR和召回率等，用于評估具有大量數(shù)據(jù)的實驗結(jié)果。實驗結(jié)果表明，在21803個不同時間點進行測試，都證明了所提算法在各個指標上具有優(yōu)越性。在上下文性能差異的分析中，該算法在召回率和USR方面的表現(xiàn)略低于其他算法。但在其他指標上比其他算法更具有競爭力，尤其是OSR和e精度上。