雷根華，王 蕾,2，張志勇

(1.東華理工大學(xué) 信息工程學(xué)院，江西 南昌 330013；2.江西省核地學(xué)數(shù)據(jù)科學(xué)與系統(tǒng)工程技術(shù)研究中心，江西 南昌 330013)

0 引 言

點(diǎn)云是海量點(diǎn)的集合，在同一空間參考系下表達(dá)目標(biāo)空間分布和目標(biāo)表面特性，具有不規(guī)則且無(wú)序等特點(diǎn)。三維點(diǎn)云數(shù)據(jù)的獲取方式主要是通過(guò)三維激光掃描儀進(jìn)行數(shù)據(jù)采集得到。激光雷達(dá)測(cè)量(light detection and ranging，LiDAR)，是一種光學(xué)遙感技術(shù)，由激光發(fā)射部分、接收部分、信號(hào)處理部分三部分組成，能夠獲取坐標(biāo)(X,Y,Z)、強(qiáng)度、顏色等物體信息，通過(guò)LiDAR采集到的點(diǎn)云數(shù)據(jù)格式多種多樣。LiDAR可以單獨(dú)工作獲取小場(chǎng)景的三維點(diǎn)云數(shù)據(jù)，而對(duì)于獲取復(fù)雜大場(chǎng)景下或者大尺寸物體的點(diǎn)云數(shù)據(jù)，單獨(dú)的LiDAR往往不能滿足要求，需與GNSS、camera等其他儀器聯(lián)合使用，從而獲取更豐富、完善的物體信息。

點(diǎn)云分類一般包含從局部和全局兩個(gè)不同的方面提取點(diǎn)特征和通過(guò)學(xué)習(xí)到的特征將每個(gè)點(diǎn)劃分為預(yù)定義的語(yǔ)義類別兩個(gè)步驟[1]。早期的點(diǎn)云分類方法研究主要通過(guò)手工設(shè)計(jì)[2-3]的規(guī)則來(lái)提取點(diǎn)特征，然后使用基于機(jī)器學(xué)習(xí)的分類器預(yù)測(cè)每個(gè)點(diǎn)的語(yǔ)義標(biāo)簽[1]。如高斯混合模型[4-5]、支持向量機(jī)(SVM)[6-7]、AdaBoost[8-9]等。由于手工設(shè)計(jì)規(guī)則提取的特征表達(dá)能力較弱，使得模型在處理復(fù)雜場(chǎng)景時(shí)往往無(wú)法達(dá)到令人滿意的效果，與此同時(shí)，有關(guān)分類器的選擇和組合十分復(fù)雜，嚴(yán)重依賴研究人員的專業(yè)，極大地降低了此類方法應(yīng)用的靈活性。

在點(diǎn)云分類的深度學(xué)習(xí)方法中，2006年，卷積神經(jīng)網(wǎng)絡(luò)(CNN)的提出引起了廣泛關(guān)注。2015年，Su等人提出了多視圖卷積神經(jīng)網(wǎng)絡(luò)(MVCNN)[10],通過(guò)設(shè)置不同位置、不同角度的視點(diǎn)獲取多個(gè)視角的二維視圖，以此作為MVCNN的輸入。MVCNN在分類任務(wù)中取得了不錯(cuò)的成績(jī)，但是由于無(wú)法動(dòng)態(tài)選擇視圖等因素，導(dǎo)致分類精度受到影響。Maturana等人提出的VoxNet[11]是一種最早將非結(jié)構(gòu)化的點(diǎn)云數(shù)據(jù)體素化為網(wǎng)格數(shù)據(jù)并應(yīng)用于3D卷積神經(jīng)網(wǎng)絡(luò)的模型，在一定程度上解決了點(diǎn)云非結(jié)構(gòu)化的問(wèn)題，但是計(jì)算所需內(nèi)存過(guò)大。Barnea和Filin[12]等提出將輸入的點(diǎn)云數(shù)據(jù)構(gòu)造成深度圖的模式，利用深度圖的特點(diǎn)使用均值平移算法對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行分類分割，最后將劃分出的特征子集進(jìn)行聯(lián)合以達(dá)到良好的分類效果。Barnea[13]改進(jìn)了Filin[12]的分類算法，通過(guò)使用迭代的思想對(duì)其網(wǎng)絡(luò)框架進(jìn)行改進(jìn)，能更好地得到分割邊界和分割區(qū)域，但不能準(zhǔn)確得到分割目標(biāo)對(duì)象。

基于深度學(xué)習(xí)的點(diǎn)云分類方法大多都是基于二維圖像設(shè)計(jì)的。pointNet[14]及其變體的提出給研究人員提供了新的思路。文獻(xiàn)[15]提出了一種基于多維特征矩陣和PointNet(Feature-pointNet框架)的深度神經(jīng)網(wǎng)絡(luò)模型，以特征圖像代替三維點(diǎn)云數(shù)據(jù)作為PointNet的輸入，由于上述改變，文獻(xiàn)[15]在后面的pointNet框架中并沒(méi)有使用T-Net矩陣。該方法取得了不錯(cuò)的分類效果，但是在參數(shù)和運(yùn)行時(shí)間效率上還有待提高。

基于文獻(xiàn)[15]中的Feature-pointNet網(wǎng)絡(luò)框架，該文設(shè)計(jì)出一種基于Feature-RNet的網(wǎng)絡(luò)框架。在該方法中，通過(guò)借鑒點(diǎn)云特征圖像的獲取方法(特征圖像的生成方法與文獻(xiàn)[15]中的方法一致)作為RNet框架的輸入；其次，設(shè)計(jì)RNet網(wǎng)絡(luò)框架模型，以達(dá)到提升分類精度的目的；最后使用公開(kāi)的Oakland 3D數(shù)據(jù)集進(jìn)行RNet的分類模型訓(xùn)練。

1 研究基礎(chǔ)

現(xiàn)今許多領(lǐng)域的發(fā)展都離不開(kāi)三維大場(chǎng)景點(diǎn)云分類，例如自動(dòng)駕駛等，為此許多研究人員對(duì)點(diǎn)云做了大量的研究工作。R.B.Rusu[16]提出FPFH的方法，通過(guò)尋找點(diǎn)云內(nèi)部或者不同點(diǎn)云之間的關(guān)聯(lián)關(guān)系進(jìn)而采取有效措施來(lái)加快FPFH的計(jì)算速度，但是其中點(diǎn)云法線的選取好壞對(duì)最終結(jié)果影響較大。孫杰[17]提出一種能夠有效運(yùn)行在大場(chǎng)景點(diǎn)云數(shù)據(jù)集上的面向?qū)ο蟮姆椒?，該方法能夠獲取LIDAR點(diǎn)云數(shù)據(jù)的多種特征，最終達(dá)到一個(gè)準(zhǔn)確的分類效果。Riegler[18]提出OCNet，由于輸入數(shù)據(jù)中的稀疏性的這一特性從而構(gòu)建不平衡八叉樹(shù)模型來(lái)劃分網(wǎng)絡(luò)空間，是一種高分辨率的3D卷積神經(jīng)網(wǎng)絡(luò)。Hu[19]提出了一個(gè)點(diǎn)到圖的框架，通過(guò)提取窗口內(nèi)的相鄰點(diǎn)并將其轉(zhuǎn)換為圖像，將點(diǎn)的分類問(wèn)題轉(zhuǎn)換成圖像的分類問(wèn)題，該方法在DTM生成任務(wù)(二值分類)中取得了不錯(cuò)的成績(jī)，但是該方法在其他類型的點(diǎn)云分類任務(wù)中仍然存在一些問(wèn)題。文獻(xiàn)[15]改進(jìn)Hu的方法，提出了一種基于點(diǎn)的特征圖像生成方法，通過(guò)提取每個(gè)點(diǎn)的二維和三維特征從而構(gòu)建特征圖像，再訓(xùn)練pointNet網(wǎng)絡(luò)框架模型并且使用該模型得到最終分類結(jié)果。

文獻(xiàn)[15]中采用的框架流程如圖1所示。

圖1 Feature-pointNet網(wǎng)絡(luò)框架流程

首先將三維點(diǎn)云數(shù)據(jù)集分別在二維和三維兩個(gè)層面上進(jìn)行特征提取。在三維層面上，采用KNN方法在每個(gè)點(diǎn)周圍選取100個(gè)點(diǎn)計(jì)算17個(gè)特征值，得到的三維特征矩陣為[Lλ,Nx,Ny,Nz,Pλ,Sλ,Mx,My,Mz,Oλ,Aλ,Eλ,Tλ,Cλ,D,Q,V]，其中的[Nx,Ny,Nz]T、[Mx,My,Mz]T分別代表點(diǎn)的最大分布方向、點(diǎn)的最小分布方向。在二維層面上，即三維點(diǎn)云在x,y,z三個(gè)不同方向上的二維平面投影，同三維平面上一致，通過(guò)KNN的方法在每個(gè)點(diǎn)周圍選取100個(gè)點(diǎn)作為一個(gè)計(jì)算單位，獲取5個(gè)特征值(三個(gè)不同平面共計(jì)15個(gè)特征值)，得到的二維特征矩陣為[rk,D2D,Rλ,2D,S2D,EVratio2D]，從左到右分別代表最優(yōu)鄰域半徑、局部點(diǎn)密度、特征值比率、特征值和、高度方差。將得到的二維特征和三維特征進(jìn)行融合構(gòu)建點(diǎn)云的特征矩陣，作為pointNet框架的輸入。需要注意的是，不同于傳統(tǒng)的pointNet，文獻(xiàn)[15]采用的是pointNet中的vanilla版本，由兩個(gè)網(wǎng)絡(luò)層MLP(64,64)，MLP(64,128,1 024)以及一個(gè)全連接網(wǎng)絡(luò)層MLP(512,256，C)構(gòu)成。與傳統(tǒng)的pointNet框架相比，vanilla舍棄了旨在保持點(diǎn)云不變性的T-Net矩陣。

在文獻(xiàn)[15]的Feature-pointNet網(wǎng)絡(luò)框架模型中，提出的點(diǎn)云特征提取方法能夠有效地提取點(diǎn)云數(shù)據(jù)特征，并融合為點(diǎn)云特征圖像作為框架輸入，為以后的研究提供了新的方式且分類效率更高。正是由于對(duì)點(diǎn)云特征轉(zhuǎn)換為點(diǎn)云特征圖像的這一轉(zhuǎn)變，使得應(yīng)用在圖像分類的網(wǎng)絡(luò)框架能夠適用于大場(chǎng)景三維點(diǎn)云分類任務(wù)中。該文正是借鑒其方法，將處理得到的點(diǎn)云特征圖像作為框架輸入進(jìn)行分類訓(xùn)練。另外，在分析比較文獻(xiàn)[15]及其他典型的分類框架后，設(shè)計(jì)出一種RNet網(wǎng)絡(luò)框架，該框架與pointNet(vanilla版本)相似，采用的都是1*1的卷積核，不同之處在于RNet由網(wǎng)絡(luò)層MLP(64,64)、MLP(64,64,1 024)以及全連接網(wǎng)絡(luò)層(521,256，C)組成，同時(shí)在框架中多次添加⊕操作，將不同層次的經(jīng)過(guò)卷積提取的三維點(diǎn)云特征相加形成新的特征，作為下一個(gè)層次的輸入，使得特征多樣化，從一定程度上避免了點(diǎn)云有效信息丟失，提升了分類精度。

2 網(wǎng)絡(luò)框架

工作流程如圖2所示。

圖2 Feature_RNet網(wǎng)絡(luò)框架

首先，完成特征圖像的生成，即對(duì)三維點(diǎn)云數(shù)據(jù)集進(jìn)行特征提取，所用方法與文獻(xiàn)[15]一致(在上一章節(jié)已經(jīng)詳細(xì)介紹了，這里就不進(jìn)行贅述)。然后將特征值進(jìn)行融合得到特征圖像，再將特征圖像作為RNet網(wǎng)絡(luò)框架的輸入。對(duì)于提出的RNet網(wǎng)絡(luò)框架的設(shè)計(jì)，靈感來(lái)源于pointNet論文里的vanilla版本(即沒(méi)有使用T-Net矩陣)的框架模型,主要區(qū)別在于：(1)沒(méi)有卷積核大小為1*1，通道數(shù)為128的卷積層；(2)多次添加⊕操作，實(shí)現(xiàn)特征相加，從而得到新的特征矩陣作為下一層次的輸入，能夠更有效地獲取特征信息，進(jìn)而提升分類精度。

2.1 RNet網(wǎng)絡(luò)框架

RNet框架如圖3所示。

圖3 RNet網(wǎng)絡(luò)框架

將特征圖像輸入到RNet網(wǎng)絡(luò)框架中，通過(guò)RNet框架中的網(wǎng)絡(luò)層對(duì)輸入的特征圖像進(jìn)行特征提取操作，最終完成點(diǎn)云分類任務(wù)。由于深度學(xué)習(xí)網(wǎng)絡(luò)框架會(huì)隨著卷積層數(shù)的增加而出現(xiàn)過(guò)度擬合的情況，為了防止這一情況的出現(xiàn)，RNet網(wǎng)絡(luò)模型中加入了BN和ReLu，從而能更有效地獲取點(diǎn)云的特征信息，同時(shí)，類似殘差塊的設(shè)計(jì)能夠在一定程度上解決梯度爆炸以及梯度消失等問(wèn)題。

RNet網(wǎng)絡(luò)框架包含4個(gè)1*1卷積核，通道數(shù)為64的conv，1個(gè)1*1卷積核，通道數(shù)為1 024的conv。卷積核部分都采用了1*1的卷積核，在卷積神經(jīng)網(wǎng)絡(luò)中，相比于大的卷積核而言，在相同情況下，使用小的卷積核使得卷積層計(jì)算過(guò)程中參數(shù)量減少很多。由于在卷積神經(jīng)網(wǎng)絡(luò)層對(duì)點(diǎn)云特征圖像提取特征的過(guò)程中部分有效特征信息并未提取到，從而導(dǎo)致最終分類結(jié)果精度下降，因此，為了改進(jìn)這一問(wèn)題，在RNet網(wǎng)絡(luò)框架中(如圖3所示)，⊕實(shí)現(xiàn)張量相加，通過(guò)疊加輸入的方法，使得網(wǎng)絡(luò)框架將深層特征與淺層特征結(jié)合起來(lái)，能夠獲得更為全面的特征信息，從而提高分類精度。

接下來(lái)介紹點(diǎn)云特征圖像進(jìn)入到RNet框架之后的工作流程。首先通過(guò)文獻(xiàn)[15]中的特征圖像的獲取方法，得到了形如[BatchSize,Channel,Width,Height]格式的[BatchSize,1,32,32]的特征圖像，記為X，其中，Channel為通道數(shù)，Width,Height分別為特征圖像的寬度和高度。將上述得到的特征圖像輸入到RNet網(wǎng)絡(luò)框架中，首先經(jīng)過(guò)一個(gè)卷積核大小為1×1，輸出通道數(shù)為64的網(wǎng)絡(luò)層，輸出為[BatchSize,64,32,32]格式的特征矩陣，將上述輸出記為Y。再將Y作為下一個(gè)卷積核大小為1×1，輸出通道數(shù)為64網(wǎng)絡(luò)層的輸入，最終得到[BatchSize,64,32,32]格式的特征矩陣，記為out1。值得注意的是，在第三個(gè)卷積核大小為1×1，輸出通道數(shù)為64的網(wǎng)絡(luò)層時(shí)，輸入并非為out1，而是Y+out1，最終得到[BatchSize,64,32,32]格式的特征矩陣，記為out2。同樣的在第四個(gè)卷積核大小為1×1，輸出通道數(shù)為64的網(wǎng)絡(luò)層，輸入并非為out2，而是Y+out2，最終得到[BatchSize,64,32,32]格式的特征矩陣，記為out3。接下來(lái)是一個(gè)卷積核大小為1×1，輸出通道數(shù)為1 024的網(wǎng)絡(luò)層，以out3+X+Y作為輸入，最終得到[BatchSize,64,32,32]格式的特征矩陣。再經(jīng)過(guò)Flatten層之后，輸出(None,230 400)的向量，最終經(jīng)過(guò)全連接FC(512,256,K)得出分類結(jié)果。

2.2 殘差塊進(jìn)一步的應(yīng)用

深度殘差網(wǎng)絡(luò)ResNet[20]由許多的殘差單元組成，傳統(tǒng)的殘差單元由直接映射部分和殘差部分組成，每個(gè)殘差塊可以用以下公式表示：

yl=h(xl)+F(xl,Wl)

(1)

xl+1=f(yl)

(2)

其中，xl+1和xl分別是第l個(gè)殘差單元的輸出和輸入，F(xiàn)是殘差函數(shù)，在文獻(xiàn)[20]中，h(xl)=xl是一個(gè)恒等映射，f是一個(gè)ReLU[21]函數(shù)。

殘差單元包含具有“快捷連接”的前饋神經(jīng)網(wǎng)絡(luò)?？旖葸B接[22-24]是跳過(guò)一個(gè)或多個(gè)層的連接。快捷連接只是執(zhí)行標(biāo)識(shí)映射，它們的輸出被添加到堆疊層的輸出中。標(biāo)識(shí)快捷方式連接既不增加額外的參數(shù)，也不增加計(jì)算復(fù)雜性。直接將x從淺層神經(jīng)網(wǎng)絡(luò)傳送到神經(jīng)網(wǎng)絡(luò)的深層，通過(guò)這種方式能夠有助于解決梯度消失和梯度爆炸問(wèn)題，使得在訓(xùn)練更深的網(wǎng)絡(luò)模型時(shí)，能保證良好的魯棒性。

如圖3所示，RNet框架模型在殘差模塊結(jié)構(gòu)的基礎(chǔ)上，做出了一些變型——構(gòu)造4個(gè)⊕操作(⊕代表張量的疊加)，與傳統(tǒng)殘差塊不同的是addition是在ReLu之前，而在RNet模型中addition表現(xiàn)在激活函數(shù)ReLu之后。從提取特征的角度上來(lái)說(shuō)，將淺層提取的全局特征傳送到網(wǎng)絡(luò)的更深層，與該更深層提取的全局特征進(jìn)行結(jié)合，在不增加參數(shù)量的前提下，提高了最終分類結(jié)果精度。

2.3 特征圖像的生成

在文獻(xiàn)[15]的Feature-PointNet網(wǎng)絡(luò)框架模型中，利用構(gòu)造的特征圖像作為框架的輸入，以三維特征與二維特征相結(jié)合的方式表示整體點(diǎn)云特征，以達(dá)到提高分類準(zhǔn)確率的效果。在此基礎(chǔ)上，該文利用文獻(xiàn)[15]的特征圖像構(gòu)造方法，設(shè)計(jì)出特征圖像作為輸入并對(duì)RNet框架進(jìn)行訓(xùn)練。

三維特征組合為：[Lλ,Nx,Ny,Nz,Pλ,Sλ,Mx,My,Mz,Oλ,Aλ,Eλ,Tλ,Cλ,D,Q,V]

二維特征組合為：[rk,D2D,Rλ,2D,S2D,EVratio2D]

(3)

(4)

對(duì)于二維數(shù)據(jù)點(diǎn)Pk(xk,yk)作為點(diǎn)P的第k個(gè)近鄰數(shù)據(jù)點(diǎn)，則rk(最優(yōu)鄰域半徑)的計(jì)算公式如下：

(5)

3 實(shí)驗(yàn)結(jié)果

3.1 數(shù)據(jù)集

該文采用Oakland[25]數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)集，該數(shù)據(jù)的獲取是通過(guò)配備了側(cè)視 SICK LMS激光掃描儀的Navlab11在賓夕法尼亞州匹茲堡奧克蘭的CMU校園周圍收集的。該數(shù)據(jù)集包含160萬(wàn)個(gè)3D點(diǎn)云數(shù)據(jù)，共44個(gè)標(biāo)簽。Oakland數(shù)據(jù)集包含了訓(xùn)練數(shù)據(jù)集、測(cè)試數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集，其中訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集經(jīng)過(guò)了過(guò)濾和標(biāo)記，將44個(gè)標(biāo)簽重新映射成了5個(gè)標(biāo)簽，這5個(gè)標(biāo)簽分別為scatter_misc(植被)、utility_pole(柱狀物)、load_bearing(地面)、default_wire(電線)、facade(立面)，如表1所示。

表1 Oakland 3D數(shù)據(jù)集

GML數(shù)據(jù)集[26]是通過(guò)ALTM2050這一系統(tǒng)采集獲取的三維點(diǎn)云數(shù)據(jù)集，該系統(tǒng)提供了GML_A數(shù)據(jù)集和GML_B數(shù)據(jù)集兩個(gè)不同的數(shù)據(jù)集。由于GML數(shù)據(jù)集過(guò)大，總共包含約2 077萬(wàn)個(gè)3D數(shù)據(jù)點(diǎn)，而實(shí)驗(yàn)硬件環(huán)境遠(yuǎn)遠(yuǎn)達(dá)不到能夠處理GML數(shù)據(jù)集的條件，同時(shí)，GML_A數(shù)據(jù)集相比于GML_B數(shù)據(jù)集分布更為合理，能夠更好地體現(xiàn)網(wǎng)絡(luò)模型分類效果，因此，采用了GML_A數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)集。在應(yīng)用到框架之前，對(duì)GML_A數(shù)據(jù)集進(jìn)行了預(yù)處理(Space采樣)，目的是適配現(xiàn)有的硬件環(huán)境以及通過(guò)減少數(shù)據(jù)集數(shù)據(jù)大小從而減少在特征提取計(jì)算上的時(shí)間耗費(fèi)。經(jīng)過(guò)了預(yù)處理之后的GML_A數(shù)據(jù)集每個(gè)類別數(shù)據(jù)如表2所示。

表2 經(jīng)過(guò)預(yù)處理之后的GML_A數(shù)據(jù)集大小

3.2 實(shí) 驗(yàn)

實(shí)驗(yàn)是在Intel i7-4790、NVIDIA RTX 2070、8G內(nèi)存，在Window10和Python3.7下搭建CUDA 10.0、CUDNN7.6.4、Pytorch 0.6的環(huán)境下進(jìn)行的，學(xué)習(xí)率初始化為0.001，訓(xùn)練總輪數(shù)為120，使用weight_decay=1e-8，第一次估計(jì)的指數(shù)衰減率為0.9，第二次估計(jì)的指數(shù)衰減率為0.99的Adam優(yōu)化方法來(lái)訓(xùn)練RNet網(wǎng)絡(luò)框架。通過(guò)提取點(diǎn)云特征計(jì)算特征圖像，而在提取特征值的過(guò)程中，是以100個(gè)點(diǎn)為單位計(jì)算特征值，以此為固定值，通過(guò)修改后面的RNet網(wǎng)絡(luò)框架，與不同的神經(jīng)網(wǎng)絡(luò)框架下的準(zhǔn)確率以及花費(fèi)時(shí)間進(jìn)行對(duì)比。

對(duì)比其他方法在Oakland 3D數(shù)據(jù)集上進(jìn)行分類任務(wù)的精度，以及為了驗(yàn)證圖3中⊕(張量加addition)的作用，對(duì)比了有⊕操作的RNet網(wǎng)絡(luò)框架以及去除⊕操作的RNet框架在Oakland數(shù)據(jù)集上的分類精度，如表3所示，其中OA代表總體分類精度。

表3 不同方法分類精度對(duì)比 %

由表3可知，在scatter_misc和facade這兩大類別的分類精度表現(xiàn)優(yōu)異，在總體分類精度上，所提出的RNet網(wǎng)絡(luò)框架達(dá)到了97.7%，要優(yōu)于其他方法，并且有⊕操作可以提升框架的整體分類精度。但是在utility_pole跟default_wire這兩類上表現(xiàn)的差強(qiáng)人意，造成這個(gè)結(jié)果的原因主要有：(1)這兩個(gè)類別的點(diǎn)數(shù)據(jù)量較少；(2)在進(jìn)行特征提取的過(guò)程中，存在點(diǎn)的覆蓋問(wèn)題。

圖4(a)為Oakland 原始測(cè)試數(shù)據(jù)集可視化圖，圖4(b)為在Oakland數(shù)據(jù)集上進(jìn)行分類結(jié)果可視化。從圖4的可視化可知，類別utility_pole跟default_wire的分類效果不好，后續(xù)還要對(duì)框架進(jìn)行優(yōu)化。

(a)Oakland原始測(cè)試數(shù)據(jù)集可視化

(b)結(jié)果可視化

收集了一些應(yīng)用GML_A數(shù)據(jù)集的實(shí)驗(yàn)研究，與文中方法進(jìn)行比較，如表4所示，表現(xiàn)比較好的是Tree和Ground這兩個(gè)類別，分別達(dá)到了91.77%、78.4%的準(zhǔn)確率，但是在Building和Car類別上的精度差強(qiáng)人意，造成這種情況的原因有數(shù)據(jù)集該類別的數(shù)據(jù)少等，后續(xù)要改進(jìn)參數(shù)以達(dá)到更好的分類效果。結(jié)果可視化如圖5(b)所示。

(a)經(jīng)過(guò)預(yù)處理(Space采樣)之后的GML_A測(cè)試數(shù)據(jù)集

(b)結(jié)果可視化

表4 不同方法的對(duì)比精度 %

4 結(jié)束語(yǔ)

由于近些年科技的發(fā)展與進(jìn)步，大場(chǎng)景三維點(diǎn)云的應(yīng)用領(lǐng)域越來(lái)越廣泛，但是大場(chǎng)景點(diǎn)云分類中還存在很多問(wèn)題，如由于大場(chǎng)景點(diǎn)云數(shù)據(jù)量龐大導(dǎo)致相關(guān)工作所需計(jì)算量巨大，占用內(nèi)存過(guò)大，訓(xùn)練時(shí)間也過(guò)長(zhǎng)，以及分類精度低等問(wèn)題。該文提出了一種基于Feature-RNet的大場(chǎng)景三維點(diǎn)云分類框架，在Oakland 3D數(shù)據(jù)集上取得了不錯(cuò)的分類精度，但是在數(shù)據(jù)量少的點(diǎn)云類別上效果不盡如人意。同時(shí)在GML_A數(shù)據(jù)集上取得了不錯(cuò)的成績(jī)，但是依然存在很大的進(jìn)步空間，后續(xù)將不斷優(yōu)化框架以達(dá)到更好的分類準(zhǔn)確率。在未來(lái)的工作中，將繼續(xù)研究如何提升深度學(xué)習(xí)框架本身的計(jì)算性能，在保證不錯(cuò)的分類精度的同時(shí)能使用更少的訓(xùn)練時(shí)間，同時(shí)針對(duì)數(shù)據(jù)量少的點(diǎn)云也能取得不錯(cuò)的分類效果，并且將該模型框架應(yīng)用到不同的大場(chǎng)景點(diǎn)云數(shù)據(jù)集中，以便提高框架的通用性。