蔣騰平，王永君，張林淇，梁 沖，孫 劍

1. 自然資源部城市土地資源監(jiān)測與仿真重點實驗室，廣東 深圳 518034； 2. 南京師范大學(xué)虛擬地理環(huán)境教育部重點實驗室，江蘇 南京 210093； 3. 武漢大學(xué)測繪遙感信息工程國家重點實驗室，湖北 武漢 430079； 4. 江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心，江蘇 南京 210023； 5. 地理環(huán)境演化模擬國家重點實驗室建設(shè)培育點，江蘇 南京 210093

隨著三維空間信息的可用性不斷提高，為了更好地理解現(xiàn)實世界，基于三維激光點云的場景智能解譯近幾年受到廣泛關(guān)注[1]。其中，激光點云語義分割將每個點進行分類并分配語義標(biāo)簽給相同對象或區(qū)域，是場景建模、定位導(dǎo)航和城市規(guī)劃等應(yīng)用的基礎(chǔ)[2]。

由于數(shù)據(jù)采集設(shè)備和方式的差異、場景復(fù)雜等，點云數(shù)據(jù)往往密度差異大、空間離散且分布不均、目標(biāo)點云間存在重疊、遮擋、相似等，使得點云數(shù)據(jù)不完整或可用性不高、反射強度具有多樣性等。眾多學(xué)者圍繞三維場景激光點云的語義分割展開了大量的研究。目前，對激光掃描數(shù)據(jù)進行語義分割方法從簡單到復(fù)雜可以分為，逐點、逐塊、逐對象分類以及整體場景空間平滑。

逐點分類[3-5]是將每個點作為處理的基本單元，以每個點鄰域計算該點的局部描述子[6]，將該點與上下文環(huán)境的關(guān)系作為特征，放到合適的分類器或概率估計模型中進行語義標(biāo)簽分配。近幾年3D卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)的迅速發(fā)展，一些學(xué)者開始將CNN應(yīng)用到逐點語義分割任務(wù)中[7-9]。基于CNN逐點分類一般采用端到端網(wǎng)絡(luò)的逐點特征提取和池化操作解決無序點云問題，并結(jié)合了逐點低層次幾何和高層次語義信息進行對象識別。逐點分類是三維點云分類中最基礎(chǔ)、簡單且易于實現(xiàn)的方式，具備一定推廣性。但仍存在一些難以忽視的缺點：以點為對象導(dǎo)致計算量過大，并且分類結(jié)果往往伴隨著椒鹽噪聲；缺少目標(biāo)鄰域間上下文和全局信息，無法有效提取細(xì)節(jié)信息。后續(xù)卷積神經(jīng)網(wǎng)絡(luò)少許解決了上述缺陷，但逐點卷積神經(jīng)網(wǎng)絡(luò)難以高質(zhì)量地應(yīng)用于大規(guī)模點云場景。

針對上述問題，逐塊分類[10-11]首先將某些具有相似屬性的點聚類為獨立幾何單元，然后對幾何單元進行處理，最后各個塊組合得到分類結(jié)果。其中，最常用的方法就是通過超體素[12-15]分割實現(xiàn)點云分塊，該方法基于超體素的局部鄰域代替點作為基本單元，通過監(jiān)督分類地方式對點云進行語義標(biāo)記，從而在復(fù)雜城市三維點云場景處理中取得了較好的效率。劃分得到的點云塊包含更多信息，有助于提高海量點云語義分割的精度；但點云分塊操作將場景割裂、碎片化，使得難以有效提取上下文信息；同時在點云分塊過程中涉及較多參數(shù)，不同場景需要采用不同的參數(shù)才能達(dá)到較好的結(jié)果。

逐點和逐塊分類方法往往只利用了有限鄰域范圍內(nèi)的信息，而且對一些特征表達(dá)較弱或者尺度較大對象難以實現(xiàn)精確識別與分類。逐對象方式[16-17]一般先從整個復(fù)雜場景提取某個目標(biāo)，從而包含更加豐富的信息，然后綜合局部、全局和上下文等多層次特征進行語義分割。該方法典型流程為確定目標(biāo)的位置，分割得到單個對象、計算對象的特征及最后的分類。這種方式比較依賴先前目標(biāo)提取的正確性，容易影響后續(xù)語義分割的精度。在先驗信息或者模板匹配的輔助下，可以提高某些待識別地物目標(biāo)的分割精度。一些方法[18-19]將城市場景中多對象進行了語義規(guī)則的概括與總結(jié)，從而提高了在遮擋和重疊的混亂情況下對象提取的準(zhǔn)確性。相比之下，語義約束下的逐對象分割計算效率較高、識別速度較快、對特定目標(biāo)識別率高；但只能應(yīng)用于特定目標(biāo)類別和場景，對于多目標(biāo)復(fù)雜場景往往需要對每一類目標(biāo)設(shè)定專門的語義規(guī)則，可推廣能力較弱。

為了增強語義標(biāo)簽分配后的空間平滑度，需要考慮到相鄰點之間的上下文聯(lián)系[20]。該方法將相鄰點之間構(gòu)建一條特征邊，每個點作為節(jié)點，從而構(gòu)建出一個無向圖。分類的同時考慮相鄰邊之間類別的作用關(guān)系，以圖模型的形式導(dǎo)出上下文信息。對于多類別區(qū)域點云語義標(biāo)記存在錯誤問題，一些后處理步驟(如馬爾可夫隨機場(Markov random field,MRF)[21]、全局圖正則化[22]和條件隨機場[23]等)利用上下文信息對初始語義標(biāo)注結(jié)果進行優(yōu)化，得到更準(zhǔn)確的三維點云語義分割結(jié)果。由于在導(dǎo)出的標(biāo)簽上添加了空間平滑度，因此相應(yīng)分類結(jié)果通常會得到顯著改善。但是，在整體場景平滑過程中，推理策略的選擇將對語義標(biāo)記精度以及計算時間產(chǎn)生深遠(yuǎn)影響；同時相關(guān)圖模型[24]的學(xué)習(xí)與推導(dǎo)是相當(dāng)復(fù)雜且難以計算的。

盡管現(xiàn)有學(xué)者對點云語義分割方法展開了大量研究，但相比于硬件設(shè)備的進步，相關(guān)自動化算法研發(fā)仍處于發(fā)展的地位。針對一些算法在復(fù)雜場景中只能以較低精度進行有限類型對象的分類，本文提出一種從激光掃描數(shù)據(jù)中融合殘差學(xué)習(xí)和MRF優(yōu)化的層次化語義分割方法。

1 三維場景層次化語義分割方法

本文的激光點云層次化語義分割方法主要包括數(shù)據(jù)預(yù)處理、建筑物提取、基于殘差學(xué)習(xí)的逐點語義分割和MRF后端優(yōu)化等4個步驟，如圖1所示。

圖1 本文算法流程Fig.1 Workflow of the proposed method

1.1 預(yù)處理

點云數(shù)據(jù)存在各種系統(tǒng)和隨機誤差導(dǎo)致的噪聲點，本節(jié)先采用點云庫(point cloud library)封裝的去噪算法[25]進行剔除。同時，鑒于三維激光掃描系統(tǒng)對地面有較為直接的掃描視角，三維激光點云數(shù)據(jù)中存在海量、高密度的地面點，這將增加三維語義分割時間和空間復(fù)雜度。為了從三維場景中快速、有效地濾除這些地面點，本節(jié)采用現(xiàn)有較為前沿的開源算法(布料模擬濾波算法[26])，從而有助于后續(xù)點云語義分割算法在數(shù)據(jù)搜索范圍的減少和性能的提高。圖2示例了室外大規(guī)模點云場景地面點濾除的結(jié)果。

圖2 地面點濾波結(jié)果Fig.2 Illustration of the results for ground filtering

1.2 建筑物提取

盡管對三維點云場景進行了地面點分離，避免非地面地物分類受到地面點的影響，然而后續(xù)處理中仍會受到三維點云復(fù)雜、遮擋等問題的影響。本文借鑒現(xiàn)有工作[27]，先提取出場景中的建筑物點云以降低場景復(fù)雜度，同時提高與建筑物連接緊密對象的語義分割精度。針對不同結(jié)構(gòu)建筑物之間緊密分布且被諸如植被等雜亂地物包圍、遮擋的情形，本節(jié)提出了一個“兩步法”框架對建筑物進行提取，結(jié)果見圖3。

圖3 建筑提取結(jié)果Fig.3 Illustration of the results for building segmentation

(1) 利用立面特征進行建筑物目標(biāo)檢測。首先利用隨機采樣一致性(random sample consensus,RANSAC)算法[28]進行平面分割，然后在先驗知識(如，墻體是垂直的；常規(guī)建筑是連接或者間隔分布且不重疊；城市道路環(huán)境的建筑結(jié)構(gòu)基本上是嚴(yán)格符合城市規(guī)劃規(guī)范)的約束下保留墻體結(jié)構(gòu)；接著將墻體點云自上而下的映射得到二維線框，優(yōu)化生成滿足要求的矩形；最后利用該矩形在非地面點云場景中嵌套建筑物。

(2) 對初步檢測的建筑物進一步提取以和周圍復(fù)雜環(huán)境分離。第1步提取的建筑物點云混入了一些碎片化的地物，因此采用k最近鄰(k-nearest neighbor,KNN)算法進行優(yōu)化。KNN算法不需要類別判斷來對待測數(shù)據(jù)進行標(biāo)簽分配，主要根據(jù)包含地物碎片的建筑物點云(待測數(shù)據(jù))有限鄰域范圍內(nèi)建筑物點云(已知數(shù)據(jù))的特性，較為適用數(shù)據(jù)間存在較多重疊、交叉情況的處理。根據(jù)式(1)將局部幾何特征、鄰域之間的相似性以及平面形狀特征構(gòu)建k-NN圖，轉(zhuǎn)化成能量模型

(1)

式中，利用高層次幾何約束——平面形狀先驗知識來輔助建筑物目標(biāo)的提取，避免基于局部鄰域幾何屬性的點云分割中鄰域大小的選擇對于性能的影響，從而在目標(biāo)間彼此靠近的情況下較為有效地確定相鄰目標(biāo)間邊界。最后，通過基于最小化能量函數(shù)圖割算法[29]對目標(biāo)函數(shù)進行優(yōu)化，剔除平面結(jié)構(gòu)邊緣或者附近的少量點。構(gòu)建k-NN圖后，基于最小化能量函數(shù)的建筑物分割示意見圖4。

注：綠色點表示建筑物點云。

1.3 基于殘差學(xué)習(xí)網(wǎng)絡(luò)的點云分類

對于剩下的非結(jié)構(gòu)化點云，本節(jié)對其輸入到一種動態(tài)空間置換網(wǎng)絡(luò)(spatial transform network,STN)[30]中，STN機制由回歸網(wǎng)絡(luò)T-Net和矩陣運算兩部組成，為三維點云主動生成適當(dāng)?shù)目臻g變換。在三維點云上應(yīng)用空間置換后，本文模型基于點的KNN搜索(式(2))[9]獲取點鄰域范圍內(nèi)的低層次幾何特征

(2)

通過鄰域搜索和坐標(biāo)統(tǒng)一操作后，將n×k×6張量(其中n表示點的數(shù)量，k表示每個點的鄰域數(shù)，維數(shù)6是點p的坐標(biāo)和第k個最近鄰點的統(tǒng)一坐標(biāo))通過全連接層添加到KNN模塊以獲得足夠的表達(dá)能力從而將每個點特征轉(zhuǎn)換為高維特征，然后應(yīng)用逐點局部池化層以生成低層次幾何特征。在逐點局部池化層之后，每個點都表示為一個64維向量。因此，三維點云可以表示為n×64維特征，即{v1,v2,…,vN|vn∈R64}。KNN模塊基于點從三維點云中學(xué)習(xí)低層次幾何特征，解決了點云無序性問題，并有效地提高了逐點分割的準(zhǔn)確性。

網(wǎng)絡(luò)的第2個模塊中，輸入端(n×128張量)投到一系列點卷積連接層，以獲取高層次語義特征。在多連接卷積層構(gòu)建過程中，考慮到現(xiàn)有方式逐漸增加每一層內(nèi)核半徑會花費更多時間收斂，本節(jié)對所有層使用固定核半徑進行點特征學(xué)習(xí)，然后在每一層空洞卷積中逐步增加步幅(stride)。

為了避免梯度消失，往往需要進行更深層次的訓(xùn)練。本節(jié)引入殘差學(xué)習(xí)[31]的概念，添加了跳躍層(skip)來加強信號間的身份(identity)映射，如圖5所示。在學(xué)習(xí)過程中，本文模型將每一個殘差學(xué)習(xí)結(jié)果又添加到多個卷積層，從而保證了每個層的身份映射。更具體地說，映射函數(shù)H(x)在輸入信號x到第1個堆疊的卷積層后進行擬合。那么可以通過多個非線性堆疊層漸近地逼近殘差函數(shù)，即當(dāng)輸入與輸出的維數(shù)相同時，H(x)-x。本節(jié)在擬合過程中，將殘差函數(shù)F(x)代替映射函數(shù)H(x)，與具有多個非線性堆疊層的擬合相比，具有殘差函數(shù)的近似身份映射更容易。最主要的是，設(shè)計一個最佳函數(shù)并且更接近于身份映射(而不是零映射)，那么求解器將更容易找到參考身份映射的擾動。

圖5 基于殘差學(xué)習(xí)的語義分割網(wǎng)絡(luò)架構(gòu)Fig.5 Proposed Deep Point based Residual Network architecture for semantic segmentation

通過在多個卷積層之間搭建跳躍連接層，對特征圖之間的每個通道執(zhí)行逐信號添加。這不需要額外的參數(shù)或訓(xùn)練時間，并且允許較低的層通過跳過中間層而直接跳向較高的層。因此，這種跳躍連接層的添加允許在網(wǎng)絡(luò)結(jié)構(gòu)中集成更多基于點的卷積層，從而提高性能。

隨機梯度下降(stochastic gradient descent,SGD)算法在訓(xùn)練過程中一般使用批處理歸一化。與之不同的是，本節(jié)采用的是比例指數(shù)線性單元(scaled exponential linear units,SELU)，這是一種自歸一化激活函數(shù)[32]，通過激活神經(jīng)元以自動方式收斂至零均值和單位方差來誘導(dǎo)自歸一化特性。與其他激活函數(shù)相比，它們具有更快、更好的學(xué)習(xí)能力。如前文所述，本文逐漸增加了每層卷積步幅參數(shù)，并在第3層中簡單地將第1層的輸出添加到下一層，使網(wǎng)絡(luò)模型具備了對應(yīng)的殘差。雖然，每層的步幅參數(shù)逐漸增加會擴大內(nèi)核的感知范圍，但不會改變層的輸出尺寸。通過訓(xùn)練SELU激活函數(shù)之前和之后增加層以及使用激活前的剩余模塊(其中激活層)在卷積層之前來分析了基于點的殘差網(wǎng)絡(luò)的性能，對網(wǎng)絡(luò)中信號傳導(dǎo)進行約束。最后將串聯(lián)的所有層輸出要素傳遞給全連接層。

全連接層的輸出張量(n×256)饋入逐點局部池化層，該層為每個點生成高層次語義特征。逐點局部池化后，每個點都表示為512維向量。殘差學(xué)習(xí)模塊學(xué)習(xí)從輸入點云中提取(n×512)維高層次語義特征。最后的全局池化層操作獲取了1024維全局特征以保留更多的語義信息，池化操作降低了由高維特征向量引起的計算復(fù)雜性，使本文模型對于輸入排列不變。

特征學(xué)習(xí)過程將3個輸出向量(低層次幾何向量，高層次語義向量和全局特征向量)連接為1664維特征向量。然后，將此向量輸入到4個全連接層中，以獲得最終的分類結(jié)果，該結(jié)果由n個點的和l個語義類別的n×l分?jǐn)?shù)組成。

1.4 后端優(yōu)化

復(fù)雜三維場景中對象間的相似性，使得標(biāo)簽分配結(jié)果中往往存在小部分類別錯誤。因此，大范圍三維點云語義分割的準(zhǔn)確性不僅依賴于對象的高層次特征，也需要完全理解中層次或低層次細(xì)節(jié)信息，這對于確保每個點標(biāo)簽預(yù)測的一致性是至關(guān)重要的。大多數(shù)工作采用條件隨機場獲取場景中目標(biāo)的上下文信息來改善局部相似性導(dǎo)致的錯誤分類。但是先前工作只利用臨近物體間小范圍上下文信息，本節(jié)則構(gòu)建馬爾可夫隨機場有效利用遠(yuǎn)距離上下文信息，擬合三維點云場景中目標(biāo)間標(biāo)簽。本節(jié)算法引入?yún)^(qū)域標(biāo)簽懲罰項，減少一定區(qū)域使用過多標(biāo)簽來優(yōu)化語義分割精度。馬爾可夫隨機場能量函數(shù)定義如下

(3)

2 試驗與分析

2.1 測試數(shù)據(jù)

本文在3個不同的大規(guī)模室外點云場景上進行測試來驗證所提方法的性能。這3個數(shù)據(jù)分別是湖北省黃石市城區(qū)MLS點云數(shù)據(jù)[33](被測道路總長度為33.5 km，原始數(shù)據(jù)集大小為11.7 GB)、Semantic3D激光點云公開基準(zhǔn)數(shù)據(jù)集[34](數(shù)據(jù)集由30個地面激光掃描組成，具有40億個點，并且包含城市和鄉(xiāng)村場景)和某大學(xué)校園多視TLS點云配準(zhǔn)數(shù)據(jù)(該場景數(shù)據(jù)范圍達(dá)0.62 km，總點數(shù)為2.6億，平均點密度2034 points/m2)。這些數(shù)據(jù)集具有代表性和較大的挑戰(zhàn)性：①數(shù)據(jù)集由不同視角、測量范圍和測量精度的激光掃描系統(tǒng)采集得到；②數(shù)據(jù)海量，每個數(shù)據(jù)集包含幾億到數(shù)10億個點；③測試數(shù)據(jù)集涵蓋了城區(qū)、高速和校園等多種場景，這些場景在土地覆蓋類型和地物表面幾何結(jié)構(gòu)上都存在顯著差異；④點云數(shù)據(jù)集中包含常見的多種目標(biāo)，且相互遮擋。

2.2 評價指標(biāo)

本文利用精確度(precision)、召回率(recall)、F1分?jǐn)?shù)(F1-score)3個指標(biāo)對語義分割結(jié)果進行質(zhì)量評價，計算公式如下

(4)

式中，TP、FP和FN分別為語義標(biāo)注正確的目標(biāo)個數(shù)、錯誤標(biāo)注的目標(biāo)個數(shù)和漏標(biāo)注的目標(biāo)個數(shù)。召回率越高，說明模型對正樣本的標(biāo)注性能越好；精確度越高，說明模型對負(fù)樣本的區(qū)分能力越強。F1-score是兩者的綜合，F(xiàn)1-score越高，說明分類模型越穩(wěn)健。

2.3 試驗結(jié)果和分析

為了測試本文方法的性能，本節(jié)首先分析了超參數(shù)k對試驗結(jié)果的影響。然后在以下條件對結(jié)果進行了比較：①比較多個模塊對性能的影響；②為了驗證設(shè)計用于優(yōu)化分類結(jié)果的MRF的可行性，在有和沒有MRF的情況下進行了比較。定量和定性結(jié)果均證明了本文方法的有效性。最后，本文分別在3種不同類型三維激光點云數(shù)據(jù)集展示本文提出框架在大場景點云語義分割的結(jié)果。

2.3.1 超參數(shù)分析

本節(jié)主要分析KNN模塊中k對模型性能的影響。具體來說，在Semantic3D數(shù)據(jù)集上進行了多次試驗。k的大小與分類精度之間的關(guān)系如圖6所示。隨著k值的增加，分類精度也增加。但是，當(dāng)k值超過16時，分類精度只會非常緩慢地提高。根據(jù)這些試驗結(jié)果，設(shè)置KNN的值為16。

圖6 KNN模塊中k不同設(shè)置的定量比較Fig.6 Quantitative comparisons of different settings in the KNN module

2.3.2 消融試驗

考慮到本文采用的網(wǎng)絡(luò)架構(gòu)由多個模塊組成，為了研究關(guān)鍵模塊的性能，本節(jié)在Semantic3D數(shù)據(jù)集上進行了消融分析，即對神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)的不同設(shè)計進行了比較。結(jié)果報告在表1中(◎表示所測試網(wǎng)絡(luò)集成了該模塊)，第1行顯示僅帶有STN模塊的基本版本的結(jié)果，第2行顯示STN和KNN模塊的集成結(jié)果，第3行顯示STN和殘差學(xué)習(xí)模塊的集成結(jié)果。結(jié)果表明，單獨引入KNN和殘差學(xué)習(xí)模塊可以將性能分別提高(4.1%，3.9%，3.7%)和(5.5%，6.3%，6.2%)。當(dāng)所有3個模塊集成在一起時，如最后一行所示，各項指標(biāo)分別達(dá)到88.5%、90.5%和89.2%。

通過表1分析，不難發(fā)現(xiàn)：①不同的模塊對分類性能都有著一定的貢獻，通過增加更多的模塊可以進一步提高最終分類性能。②在具體語義分割任務(wù)中，高層次語義特征比低層次幾何特征更重要，這充分說明殘差模塊有效地提取了高層次語義特征。該結(jié)果再次證實了本文網(wǎng)絡(luò)在3D語義分割中提取多層次特征的有效性。

表1 KNN和殘差模塊用于語義分割的性能比較(以Semantic3D數(shù)據(jù)集為例)Tab.1 Effects of KNN and residual modules for 3D semantic segmentation on Semantic3D

2.3.3 后端優(yōu)化性能分析

為了評估后端的有效性，本節(jié)測試了基于馬爾可夫隨機場以獲得最佳全局結(jié)果。在此，平衡各個能量項的權(quán)重參數(shù)λ1和λ2皆被設(shè)置為1.0。表2給出了初始分類結(jié)果和優(yōu)化分類結(jié)果的比較?？梢钥闯觯蠖藘?yōu)化使各項指標(biāo)分別提高了0.3%、0.4%和0.6%，總體性能顯示出明顯的改善。

表2 初始和優(yōu)化后的語義分割性能比較(以Semantic3D數(shù)據(jù)集為例)Tab.2 Comparison between initial and smoothed class-ification results on Semantic3D (%)

2.3.4 試驗結(jié)果展示

圖7、圖8和圖9分別展示了本章所提出算法在湖北省黃石市MLS數(shù)據(jù)集、Semantic3D數(shù)據(jù)集和校園多視配準(zhǔn)數(shù)據(jù)集的三維語義標(biāo)記結(jié)果，表3顯示了在這3個數(shù)據(jù)集上的語義分割各項指標(biāo)。總體來說本文算法在大規(guī)模高分辨率點云語義標(biāo)記上取得了較為滿意的結(jié)果。盡管由于目標(biāo)間的局部相似性及同類物體的差異性，導(dǎo)致初始點云語義分割的結(jié)果存在一定錯誤標(biāo)注，但是基本上還是正確分類的。

表3 本文方法在3D語義分割的性能

圖7 黃石市城區(qū)MLS點云數(shù)據(jù)集原始點云和語義分割結(jié)果Fig.7 Semantic segmentation outcomes from MLS data in Huangshi

圖8 基于本文算法的Semantic3D數(shù)據(jù)集語義標(biāo)記結(jié)果Fig.8 Semantic segmentation outcomes from Semantic 3D data

圖9 某大學(xué)校園多視TLS點云試驗區(qū)域點云語義分割結(jié)果Fig.9 Semantic segmentation outcomes from TLS data in campus

2.4 試驗設(shè)置

本文采用召回率、精確度、F1值和時間消耗定量評估本文方法的性能。深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試是通過TensorFlow實施的，且利用開源工具(CloudCompare)手工標(biāo)記訓(xùn)練數(shù)據(jù)和定量分析的真值。

2.5 試驗對比評價與分析

為了進一步分析本文框架的性能，在3種不同類型點云數(shù)據(jù)集，用上述4個指標(biāo)與當(dāng)前較前沿的三維點云語義分割算法[17-18]進行了比較。從表4不難發(fā)現(xiàn)，本文提出的結(jié)合殘差學(xué)習(xí)和后端優(yōu)化的層次化語義分割方法在城區(qū)、高速和校園等多類型激光點云場景中取得了較高精確度和召回率，相比對比算法[17-18]提高了3%～5%。而且在上述類型場景的三維激光點云語義分割中取得了較高計算效率。總體而言，本文三維激光點云語義分割結(jié)果基本滿足數(shù)字城管、道路基礎(chǔ)設(shè)施入庫、城市規(guī)劃和高精駕駛地圖生產(chǎn)等應(yīng)用需求。

表4 本文方法與其他方法比較Tab.4 Performance comparison between the proposed method and others

3 結(jié) 語

本文以激光點云數(shù)據(jù)為研究對象，提出了一種適合復(fù)雜環(huán)境的結(jié)合殘差學(xué)習(xí)和MRF優(yōu)化的層次化語義分割方法。該方法：①提出多目標(biāo)層次化提取，特別是地面點和建筑物的提取，減少了數(shù)據(jù)冗余并加快了運算速度；②提出了基于殘差學(xué)習(xí)的卷積網(wǎng)絡(luò)結(jié)構(gòu)，不需要額外的體素化步驟，能夠執(zhí)行逐點語義分割；③使用MRF優(yōu)化算法，確保逐點語義標(biāo)簽分配的一致性并改善語義分割結(jié)果，提高了語義分割的正確率。采用3個不同類型的大規(guī)模激光點云場景對方法進行了測試并對其精度、效率進行了評價與比較。試驗驗證結(jié)果佐證了上述結(jié)論，同時通過相關(guān)指標(biāo)比較表明，在3個不同場景中，本文在分割精度和計算復(fù)雜度方面優(yōu)于比較方法。總體而言，本文提出的框架在大型點云場景下可以更有效地實現(xiàn)語義分割。