王升釗,陳雨人,楊元弢
(1.同濟大學 道路與交通工程教育部重點實驗室,上海 201804; 2.深圳市城市交通規(guī)劃設計研究中心股份有限公司,廣東 深圳 518057)
城市道路基礎設施是整個城市道路交通系統(tǒng)最重要的物質組成部分,隨著BIM與數(shù)字化設計在道路工程領域的迅速發(fā)展,對道路基礎設施三維模型的快速、精確重構提出了新的要求。
近年來,車載激光掃描系統(tǒng)和無人機傾斜攝影等技術發(fā)展迅速,這類方法精度高、速度快、覆蓋廣,能夠自動化快速地采集大范圍區(qū)域內的三維空間信息,因其靈活性適應交通基礎設施建模。文獻[1]根據(jù)高差法、灰度差值法、強度差值法和動態(tài)網(wǎng)格密度法配合使用實現(xiàn)了道路標志線的提取。文獻[2]實現(xiàn)了路沿的自動檢測以及路面的重構算法,使用激光點云數(shù)據(jù)來重構三維路面。文獻[3-5]利用傾斜攝影測量技術對外業(yè)實景進行數(shù)據(jù)采集,并通過Context Capture軟件進行三維重建,模型紋理真實、細節(jié)清晰,但是對專業(yè)建模軟件的依賴度太高。
由于無人機傾斜攝影技術能有效獲取車載激光掃描系統(tǒng)在高層建筑物與構筑物頂部的掃描盲區(qū)信息,有學者對地面激光雷達掃描與無人機傾斜攝影這兩種技術加以綜合應用。文獻[6]采用激光點云結合無人機影像,對小范圍場景進行三維重建,但重建過程以人工為主。文獻[7]基于機載激光雷達技術(LiDAR)來實現(xiàn)高速公路勘測設計的數(shù)據(jù)采集和路線選型。文獻[8]以地面三維激光點云為基礎,并結合無人機和手機拍攝的影像對雕塑進行了重構建模,但沒有進行大范圍場景的應用。
上述研究主要針對不同點云獲取方式下三維模型的重構,但重構方法仍以手動使用專業(yè)建模軟件為主。為提高這一過程的自動化水平,還需對多源空地點云的配準、分割和重構算法進行研究和設計。點云的配準方法主要有兩類:一類是基于輔助信息,比如坐標系、視角等信息進行拼接配準,例如文獻[9]根據(jù)空間坐標關系,提出人為引入不共線三點作為參照進行拼接;另一類是根據(jù)點云自生特征進行配準[10],文獻[11]依據(jù)PCL子類編譯規(guī)則將改進算法編譯為子類函數(shù),在進行ICP精確準時調用函數(shù),用以海量點云數(shù)據(jù)的配準。這些研究大多是對單一采集方式的點云進行配準,而對于多源點云數(shù)據(jù)的配準拼接技術目前研究成果不多。
在點云的分割方面,RANSAC方法和區(qū)域生長法是最常用的算法,隨著深度學習的發(fā)展,眾多學者對點云的語義分割進行了研究。文獻[12]將三維激光點云與灰度圖像相匹配,并采用K均值聚類算法對圖像進行分割。文獻[13]基于點云體素化并結合三維卷積神經(jīng)網(wǎng)絡提出了VoxNet模型。文獻[14]針對室內點云提出PointNet,利用改進的網(wǎng)絡在卷積的思想下進行點云的分類和分割,隨后提出了改進優(yōu)化后的PointNet++模型。
在交通領域的點云三維重構方面,文獻[15]對點云數(shù)據(jù)進行修補與簡化后,使用改進的Delaunay三角剖分算法,生成完整的道路三角網(wǎng)模型,但沒有對比其他重構方法。文獻[16]采用基于Delaunay三角網(wǎng)格的自然鄰點插值法對路面點云進行三維重構,并對路面不平度進行估計,確定路面等級。文獻[17]對基于三角形生長思想和基于分治思想的三角網(wǎng)生成算法進行了對比,并應用與路面點云三維重構,并對分塊ROAM算法進行改進用以提高路面重構效率。
綜上所述,車載激光掃描系統(tǒng)和無人機傾斜攝影技術已較為廣泛地應用于交通基礎設施的三維重構,但現(xiàn)有研究主要使用單一來源的點云數(shù)據(jù),盡管有少數(shù)學者結合了多種來源點云進行三維重構,但對點云拼接配準過程簡單,不能滿足精度和效率要求。同時重構過程中對于點云的分類不夠細致、智能化程度較低,難以對道路場景中大規(guī)模的交通基礎設施進行后續(xù)精確重構。
針對上述問題,文本提出了空地融合的城市交通基礎設施融合、分割和重構方法??盏厝诤现傅氖遣捎密囕d激光掃描系統(tǒng)和無人機傾斜攝影技術共同完成區(qū)域內三維空間信息的采集,并將生成的點云數(shù)據(jù)進行融合配準,用以克服單一技術手段下采集的基礎設施三維數(shù)據(jù)完整度較低的問題。具體方法如下:首先使用車載激光掃描系統(tǒng)和無人機傾斜攝影技術采集數(shù)據(jù)信息,并使用SfM算法生成點云數(shù)據(jù),運用ICP算法對多源空地點云進行融合配準,然后使用PointNet深度學習網(wǎng)絡實現(xiàn)點云的分割,最后對交通基礎設施點云進行三維重構。
1.1.1 數(shù)據(jù)采集
試驗采用日本Topcon公司的IP-S2車載激光掃描系統(tǒng),搭載SICK激光掃描儀組模組、Ladybug全景圖像模組和IMU測量導航單元等設備。其中,SICK激光掃描儀最大采集范圍約為雙側100 m,采集頻率10 Hz,采集精度10 cm以內;GNSS天線平均誤差為1 m;全景相機可以采集最大分辨率為5 400*2 700的全景圖像,可獨立導出。
首先對數(shù)據(jù)采集路線進行規(guī)劃,并將標線角點和建筑物轉角等具有代表性特征的地物作為控制點,用來對待測區(qū)域進行控制點標定。最后將行車速度控制在50 km/h以內,沿道路中間車道行駛,進行數(shù)據(jù)采集工作。
1.1.2 數(shù)據(jù)處理
采用IP-S2系統(tǒng)進行外業(yè)掃描作業(yè)得到以下三類原始加密數(shù)據(jù):(1)Ladybug相機同步拍攝的全景影像數(shù)據(jù),存儲格式為.pgr;(2)SICK激光掃描器獲取的三維點云數(shù)據(jù),存儲格式為.ipz;(3)定位數(shù)據(jù)和車輛行駛軌跡等車輛姿態(tài)數(shù)據(jù),存儲格式為.ips。
通過GeoClean和SpatialFactory軟件對以上數(shù)據(jù)進行后處理,包括GNSS與定位定姿解析、全景影像生成、點云著色與坐標轉換,得到交通基礎設施場景點云如圖1所示。
圖1 車載激光掃描系統(tǒng)采集的點云
1.2.1 圖像采集
試驗采用大疆御4Pro無人機,搭載2000萬有效像素L1D-20c型號攝像頭,采用1英寸CMOS,照片最大分辨率5 472×3 684,視角:77°,等效焦距:28 mm,光圈:f/2.8-f/11。
以同濟大學嘉定校區(qū)的部分教學區(qū)作為實驗測量區(qū),主要包含嘉四路、嘉三路、同甲路、同乙路和同丙路五條主要道路,以及通達館、開物館、寧遠館三棟完整建筑物??偣诧w行時間1小時12分,共獲取航拍圖像536張,試驗采用RTK測量模式進行控制點和檢查點的采集,其中測區(qū)坐標系統(tǒng)為WGS84坐標系。
1.2.2 特征點監(jiān)測與匹配
使用無人機傾斜攝影圖像生成點云的核心是估計圖像中每個點的深度信息,本文使用運動恢復結構(SfM,structure from motion)[18]求解該問題。SfM的目的是從眾多無序的圖像數(shù)據(jù)中解析出不同圖像對應的相機參數(shù)并解析從三維物體到平面圖像的映射關系,最后獲取場景的三維結構。
在對圖像進行關鍵點檢測和描述子計算后,需要進行特征點匹配,即通過計算不同特征點描述子的相似性,確定不同圖像中的同個特征點。使用接近最近鄰搜索算法(ANN,approximate nearest neighbor)[19]進行求解,首先通過建立Kd-樹結構將描述子進行劃分,然后基于一定容忍閾值進行特征點相似度匹配,加速搜索和匹配過程,得到最近鄰的近似值。一組無人機圖像的特征點匹配結果如圖2所示。
圖2 特征點匹配
1.2.3 深度計算及點云生成
可以使用針孔相機模型來描述無人機傾斜攝影采集數(shù)據(jù)的過程,但該模型中深度信息未知,無法根據(jù)單一圖像恢復圖像中點的空間位置,因此通過引入額外的幾何關系來計算深度。
SfM問題通過考慮對極約束來建立兩幅圖像之間的幾何相關性,對極幾何關系如圖3所示。對極約束指的是:(1)若已知相機C1中投影點M1,則位于射線O1M1上的空間點在相機C2對應的投影點一定位于相機C2的極線l2上;(2)若已知點M位于相機C1、C2中的投影M1、M2,則M一定位于O1M1、O2M2的交點處。
圖3 對極幾何約束
在上述幾何約束關系基礎上,運用隨機采樣一致性算法(RANSAC,random sample consensus)對八對匹配點進行魯棒求解,并通過奇異值分解(SVD)求解相機運動,最終可求解得到所有匹配特征點對應的空間距離。對應特征點的世界坐標,并讀取對應圖像像素點RGB值,即可獲得特征點組成的彩色三維點云。
在求解過程中需針對各種誤差進行優(yōu)化,優(yōu)化方法采用光束平差法(BA,bundle adjustment)。其思想是,將求解出的特征點三維點云對各個相機進行重投影如圖4所示,計算并最小化重投影與原始圖像點的距離平方和,從而達到參數(shù)優(yōu)化的目的。
圖4 相機重投影
設C為相機參數(shù),σij為指示函數(shù),當點Xj在相機Ci中有投影點時取1否則取0,qij為投影點像素坐標,P為相機投影函數(shù)。則BA優(yōu)化函數(shù)為:
(1)
本文使用開源庫OpenMVG與OpenMVS實現(xiàn)上述過程,由無人機傾斜攝影拍攝圖像數(shù)據(jù)生成的點云效果如圖5所示。
圖5 無人機傾斜攝影生成的點云
點云配準一般分為粗配準與精配準兩個步驟,粗配準的目的是將坐標差異較大的位置姿態(tài)點云或姿態(tài)精度有限的點云進行初步配準,精配準是在粗配準的基礎上使用各類優(yōu)化方法,進一步降低匹配點的誤差。
車載激光雷達點云采集時使用了GPS與GNSS組合的定位系統(tǒng),精度更高,因此將車載激光點云作為目標點云,將無人點云作為待配準的源點云??盏攸c云初始位置如圖6所示,車載激光點云與無人機點云方向相反。首先對無人機點云數(shù)據(jù)進行坐標系轉換,再使用手動平移的方式快速完成粗配準,如圖7所示。粗配準手動進行,效果較差,空地點云不能完全重合,但為精配準提供了一個較好的初始條件。
圖6 空地點云初始位置
圖7 空地點云粗配準
在粗配準的基礎上,本文設計使用基于沿街建筑立面提取和迭代最近點法(ICP,iterative closest point)結合的方法對空地點云精配準。
2.2.1 基于區(qū)域生成法的沿街建筑立面提取
本文使用空地點云的沿街建筑立面作為精配準的配準依據(jù),因此,首先使用區(qū)域生長法提取沿街建筑立面。區(qū)域生長法的思想是首先設定一個屬性規(guī)則以及一個或多個種子點,從種子點開始對其近鄰點進行搜索,將滿足規(guī)則的該生長點的鄰近點與生長點歸為一類,同時以鄰近點作為新的生長點,重復搜索直至無法找到滿足規(guī)則要求的新鄰近點。記待提取建筑立面的點云為C,算法的描述實現(xiàn)流程如下:
1)對點云C建立kd-樹索引,便于點的最近鄰查找;
2)對點云C進行法向量估計:對于點云中任意一點Pi∈C,按照預先設置的一個鄰域點數(shù)參數(shù),對其鄰域點構建協(xié)方差矩陣并求解協(xié)方差矩陣的特征值與特征向量,其中最小特征值對應的特征向量即為點Pi的法向量λ(Nix,Niy,Niz);
3)以法向量的豎向分量Niz為目標,對點云C進行直通濾波,過濾出表面與對面近似垂直的點,實驗中濾波閾值為(-0.1,0.1);
4)從C中隨機選擇k個初始種子點,記做P’n(n=1,2,…,k);
6)終止條件:重復步驟5),直到種子序列L為空,則說明建筑立面點已搜索完畢;
7)對搜索到的點集進行后處理,刪除點數(shù)小于最小聚類點數(shù)(試驗中取300)或大于最大聚類點數(shù)(試驗中取100 000)的區(qū)域,最大程度避免車輛側面等物體的干擾。
沿街建筑立面提取效果如圖8和圖9所示。
圖8 激光點云建筑立面提取
圖9 無人機點云建筑立面提取
2.2.2 基于迭代最近點法的點云精配準
使用ICP對空地點云的沿街建筑立面點進行精配準。將車載激光雷達建筑立面點云視為目標點云,記作CV;將無人機建筑立面點云視為源點云,記作CU。主要配準流程如下:
1)對CU進行降采樣,隨機選擇n個點形成子集P={pi|pi∈CU,i=1,2,…,n},對CV進行降采樣,隨機選擇m個點形成子集Q={qi|qi∈CV,i=1,2,…,n};
2)對于Q中每一點qi,通過kd-樹查找P中與其距離最近的點pi并記錄兩點間距離,若距離小于一個設置的閾值,則構成一對對應點;
3)構造空間距離誤差函數(shù)E如式(2),并通過奇異值分解法求解式(3)得到旋轉矩陣R和平移向量t;
(2)
argminR,t(E)
(3)
4)使用R與t作用更新源點云子集Q:Q←RQ+t;
5)重復步驟2)至4),直至E小于某一設置的閾值或迭代次數(shù)達到某一設置的閾值;
6)使用最新的R與t作用更新源點云CU:CU←RCU+t;
隨著ICP過程迭代輪數(shù)的不斷增加,空地建筑立面點云逐漸重疊,其誤差呈減小趨勢,當?shù)?20 輪左右時,誤差幾乎不再降低,此時配準停止。最終空地點云配準結果如圖10所示。
圖10 空地點云精配準結果
PointNet網(wǎng)絡是基于點的端到端點云分割方法的代表網(wǎng)絡之一,其結構簡單、便于優(yōu)化,原本主要適用于小規(guī)模的點云數(shù)據(jù)。為了使PointNet適用于大型交通場景點云,本文對其進行優(yōu)化,對點云建立kd-樹索引,通過kd-樹近鄰算法在訓練時快速搜索并建立一個集中于局部的點集,保證PointNet對局部特征的有效提取。然后使用元學習算法MAML對源域道路場景點云知識進行遷移,用于對目標域道路場景點云分割。
為了進行知識遷移,使用兩個公開的點云數(shù)據(jù)集作為源域點云。一個為VirtualKITTI[20]數(shù)據(jù)集,部分場景如圖11所示;另一個為Paris-Lille-3D[21]數(shù)據(jù)集,其采集了法國巴黎、里爾兩地多個道路場景的激光點云,部分場景如圖12所示。
圖11 Virturaal KITTI 數(shù)據(jù)集
圖12 Paris-Lille-3D 數(shù)據(jù)集
對第二節(jié)獲取的空地融合點云進行小范圍內人工標注,將點分為道路,路燈及桿件、植物、標線和建筑五類,將該范圍點云作為目標域點云,手動標注部分如圖13所示。
圖13 手動標注的目標域點云
為驗證基于知識遷移的點云語義分割的有效性,進行實驗研究。研究共進行了5組實驗,各組實驗方法及實驗參數(shù)如表1所示。
表1 超參數(shù)設置
第一組為基礎對照組,即直接在小樣本量的目標域點云數(shù)據(jù)上進行PointNet訓練并測試;第二、三、四組為預訓練與微調實驗,每一組首先在源域點云上進行預訓練,然后在目標域點云上進行微調訓練,采用3種訓練策略,其中第二組微調時重新隨機初始化PointNet的輸出層,凍結除了該層以外的所有層,只對該層進行微調訓練。第三組在微調時允許對包含全局信息與局部信息的MLP3進行微調,凍結MLP3以外的所有層,第四組則不凍結任何層,在目標域點云上對所有層的參數(shù)進行更新。第五組為元學習實驗,對源域點云數(shù)據(jù)進行MAML算法中的訓練,然后使用目標域點云進行MAML算法中的梯度下降迭代更新。
本文采用總體精度(OA)和平均交(mIoU)并比來對道路場景點云的分割結果進行評價,其定義如式(4)、式(5)所示。
(4)
(5)
式中,m為點云的總點數(shù);Ⅱ為指示函數(shù),輸入為真和假時輸出分別為1和0;TPi、FPi、FNi分別為點云中第i類點的分類真正點數(shù)、假正點數(shù)和假負點數(shù)。
直接在小樣本點云數(shù)據(jù)集上進行訓練,模型很快就趨于收斂。在Paris-3d及數(shù)據(jù)集上進行預訓練,在約100輪左右收斂,微調階段在目標域數(shù)據(jù)集上訓練20輪。由于元學習方法特殊,在訓練階段損失函數(shù)并不收斂,但在更新階段體現(xiàn)出了巨大的優(yōu)勢,僅用了5輪梯度下降迭代就迅速收斂,各方法的分割結果如表2所示。
表2 實驗結果
從表2可知,直接在小樣本的道路點云數(shù)據(jù)上訓練PointNet,車輛、桿件的IoU都極低,這是由于數(shù)據(jù)量較少而網(wǎng)絡參數(shù)眾多,導致了過擬合問題。而基于預訓練與微調的3種實驗設置中,微調MLP3與輸出層的效果最好,這是因為較少的目標域點云不足以微調網(wǎng)絡的全部隱層,而僅微調最后一層不足以提供足夠的神經(jīng)網(wǎng)絡泛化能力?;谠獙W習的方法也達到了較理想的水平,尤其是對于車輛、桿件等數(shù)量較少的點云,該方法明顯優(yōu)于其他方法,原因是元學習從擁有較多車輛與桿件的源域點云數(shù)據(jù)上學習到了足夠的元知識,從而實現(xiàn)了知識遷移的目的。最終點云分割效果如圖14所示。
圖14 點云分割結果
點云三維重構是指以三維點云信息為依據(jù)構建出三維幾何體。本章主要使用貪婪投影三角剖分算法和泊松曲面重構算法,二者均通過點云數(shù)據(jù)直接構建三角網(wǎng)來重構空間三維結構,該類方法生成速度快、人工干預少,可以適用于城市場景下大規(guī)模的基礎設施數(shù)字化重構。
4.1.1 貪婪投影三角剖分算法
貪婪投影三角化算法是一種改進的平面投影三角剖分方法,首先計算點云的法向量,然后根據(jù)點云的法向量將點云投射到局部正切平面內,并在該平面內使用進行Delaunay三角剖分,剖分時加入了修剪遮擋點的步驟,在獲得局部三角網(wǎng)后,根據(jù)投影關系恢復整體三角網(wǎng)的空間結構,最終獲得空間三角網(wǎng)。該方法優(yōu)點是計算速度快、可以處理大規(guī)模點云,同時對點云無順序要求,可以處理散亂點云,缺點是對點云密度變化不均勻的敏感性強。
4.1.2 泊松曲面重構算法
與幾何剖分不同,泊松表面重建算法是一種基于隱式曲面重構的三維重建方法,它的核心思想是,由于點云中的點都來自于物體表面,那么只要通過擬合一個指示函數(shù),令指示函數(shù)估計出各點是在物體內(此時取值為1)還是物體外(此時取值為0),那么該指示函數(shù)的等值面即為物體的表面。假設有一區(qū)域M,則指示函數(shù)的梯度只有在物體表面時才不為0,而此時其梯度的值等于附近點云向內的法向量。對指示函數(shù)的梯度和法向量同時求導獲得拉普拉斯方程,即可通過數(shù)學方法求解指示函數(shù),最后通過MarchingCube方法提取等值面得到物體表面。泊松重構速度較快,對噪聲不敏感,可用于復雜物體得重構,相對于三角剖分得方法,其表面更加平滑,不易產生孔洞。
以路面點云三維重構為例。由于無人機點云在地面附近噪點較多、精度較差,而激光點云在靠近掃描儀的路面附近密度最大,且路面點云是交通基礎設施點云中密度最大的部分,約為600-800點/平方米,因此路面點云重構僅使用車載激光雷達生成的點云。
大密度的點云雖然可以提高測量的精度和可靠性,然而實際進行重建時,會導致計算量增加、模型表面粗糙等問題。因此,首先使用PCL庫中的體素柵格(VoxelGrid)濾波器對地面點云進行降采樣,取體素尺寸為10 cm,可以使路面點云密度降低至約100點/平方米,大幅降低點云密度。然后分別利用貪婪投影三角剖分算法和泊松表面重建算法對降采樣后的道路點云進行重構。使用貪婪投影三角剖分算法時,首先構建kd樹索引,并構建貪婪投影三角化重構器對象,設置最大搜近鄰數(shù)100,三角形最小內角限制為15°,最大內角限制為120°,重構結果如圖15所示。
圖15 貪婪投影三角化法重構的路面
作為對比,使用泊松表面重建算法進行路面點云重構時,首先構建kd-樹索引,然后進行點云法向量估計,估計時設置搜索范圍為20近鄰,將估計出的法向量與點云融合后重新建立kd-樹。最后創(chuàng)建泊松重構器對象,設置參數(shù)Degree為3,最大樹深度為8,添加多邊形重心,重構立方體直徑與樣本邊界立方體直徑的比為1.5。重構結果如圖16所示。
圖16 泊松表面重建算法重構的路面
由圖15和圖16可知,利用貪婪投影三角化法重構生成的道路三角網(wǎng)較為規(guī)則,三角形均勻,不存在狹長三角形,同時道路表面較為平整且能夠反映真實道路細節(jié);而泊松重構算法網(wǎng)格規(guī)則且均勻,且很好地修復了點云因遮擋產生的空洞,但路面網(wǎng)格存在一定重疊,構建的道路三維模型接近于扁平矩形,路面過于平滑,丟失了道路表面的細節(jié)信息。
其次,將兩種方法重構的路面三角網(wǎng)數(shù)據(jù)進行對比如表3所示。
表3 兩種方法重構的路面三角網(wǎng)對比(1 m2投影)
從重構效果來看,使用貪婪三角投影算法重構的路面更加精細,能夠充分保留路面細節(jié),但可能存在較多空洞。而泊松重構的三角網(wǎng)是對真實表面的數(shù)學逼近,構網(wǎng)更加規(guī)則,能夠修復空洞,但損失了表面細節(jié),過于平滑與實際不符。因此,為了保證最終重構得到數(shù)字化模型的精度,首先在信息采集時要保證場景三維數(shù)據(jù)的連續(xù)性和完整性,試驗車輛行駛速度需保持穩(wěn)定、無人機飛行前需嚴格按照車輛行駛路線設置控制點與檢查點;其次在空地點云精配準時,需要保證足夠的ICP迭代輪數(shù),以最大程度降低配準誤差;最后在點云重構時,優(yōu)先使用貪婪三角投影化算法,因為在場景點云收集完整地情況下,其重構效果更優(yōu)。
將路面、道路標線、建筑、綠化和桿件共五類交通基礎設施點云重構完成后,即可進行城市道路場景的整體還原。首先將重構的基礎設施三維模型導入建模軟件,將路面、建筑等直接重構的三維模型放置于場景中相應位置;對于交通綠化植物、標志牌等重構對象,讀取記錄各個對象位置、類型、屬性的信息表并批量加載,放入場景中的相應位置。最后對導入場景的三維模型進行材質與貼圖優(yōu)化,以獲得更加真實的效果,最終效果如圖17所示。根據(jù)圖中真實場景與重構場景的對比,可知各項道路基礎設施重構完整度較高、定位準確,滿足城市交通基礎設施數(shù)字化重構的需求。
圖17 城市道路場景還原
本文對城市道路基礎設施數(shù)字化技術進行研究,主要研究成果有:
1)多源空地點云數(shù)據(jù)的配準融合方法。單一的點云數(shù)據(jù)來源具有一定局限性,本文使用車載激光掃描和無人機傾斜攝影技術對交通基礎設施空間三維信息進行采集,并在此基礎上生成點云數(shù)據(jù),最后將多源點云數(shù)據(jù)以配準的方式進行融合。
2)基于深度學習的交通場景點云語義分割方法。使用深度學習網(wǎng)絡PointNet對空地融合的道路基礎設施點云進行語義分割,并進行高效地網(wǎng)絡訓練,相較于傳統(tǒng)方法更加簡便實用。
3)交通基礎設施點云重構方法。分別使用貪婪三角投影化算法和泊松曲面重構算法進行點云重構,并將兩者重構效果進行比對分析。最后實現(xiàn)了對真實交通基礎設施的還原。
本文提出了一套從數(shù)據(jù)采集到道路基礎設施重構的完整流程,具備實用性,能夠服務于實際項目需求。但點云分割在與訓練數(shù)據(jù)差異較大的場景下精度有待提升,后續(xù)有必要對點云分割算法作做一步研究,尋找最適合交通場景點云分割的方法。