（Voxel-Based Neighborhood for Spatial Shape Pattern Classification of Lidar Point Clouds with Supervised Learning）

從三維激光雷達(dá)采集的數(shù)據(jù)中提高空間形狀特征分類的有效性是非常重要的，因?yàn)樗饕糜谧詣?dòng)駕駛車輛和地面機(jī)器人對(duì)場(chǎng)景更高層次的理解。但是在密集掃描中計(jì)算點(diǎn)的鄰域使得訓(xùn)練和分類變得困難。本文提出了一個(gè)新的通用框架，該框架通過一個(gè)簡(jiǎn)單的基于體素的鄰域計(jì)算來實(shí)現(xiàn)和比較不同的監(jiān)督學(xué)習(xí)分類器（神將網(wǎng)絡(luò)分類器（NN）、支持向量機(jī)（SVM）、高斯過程（GP）和高斯混合模型（GMM）），其中規(guī)則網(wǎng)格中每個(gè)非重疊體素中的點(diǎn)被分配到相同的類別。該框架能夠提供離線訓(xùn)練和在線分類程序以及定義了以散射、管狀和平面形狀為主成分分析的五個(gè)替代特征向量。實(shí)驗(yàn)研究使用來自自然和城市環(huán)境的真實(shí)點(diǎn)云和兩個(gè)不同的3D測(cè)距儀（一個(gè)傾斜的Hokuyo UTM-30LX 和 一 個(gè) Riegl）進(jìn)行比較性能分析。通過在分類性能度量和處理時(shí)間測(cè)量上證實(shí)了神經(jīng)網(wǎng)絡(luò)分類器的好處以及基于體素的鄰域計(jì)算的可行性。

通過對(duì)實(shí)驗(yàn)結(jié)果進(jìn)一步分析得出，基于體素的鄰域計(jì)算分類方法大大減少了點(diǎn)對(duì)點(diǎn)鄰域的計(jì)算時(shí)間，而場(chǎng)景分類精度卻沒有受到影響。分析結(jié)果還表明，選擇合適的特征可能對(duì)分類方法的性能產(chǎn)生巨大的影響?？偠灾?，分類性能指標(biāo)和處理時(shí)間測(cè)量已經(jīng)證實(shí)了NN分類器的好處以及基于體素的鄰域方法在地面激光雷達(dá)場(chǎng)景中的可行性。未來的研究工作將開發(fā)一種并行版本的方法來提高多核計(jì)算機(jī)的在線分類時(shí)間。