基于高斯过程回归的三维点云实时精确分割算法

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

在基于光检测和测距传感器（LIDAR）的目标检测中，对目标进行准确分割是非常重要的，因为分割是其他感知任务（如分类和跟踪）的基本预处理步骤。对于分割对象，大多数方法试图消除地面效应，这通常会引起相当大的计算工作量，并导致使用三维激光雷达收集的点云对象检测不准确。然而，在许多实时应用中，例如自动驾驶，应该在特定的时间内执行分段，因为即使小的计算延迟也会导致车辆碰撞事故发生。本文提出了一个用于三维点云的实时和准确的对象分割算法，该算法并不进行地面提取。所提出的算法根据二维网格和无向图的集成结构，对非地面点进行聚类，生成目标候选点，找出目标边界，实现快速处理，得到准确的分割结果，而不受地面提取误差的影响。为了提高分割的准确性，该算法采用高斯回归过程，它可以大大减少过度分割对象的产生，从而有助于实现更高的跟踪精度。本文应用两种类型的高斯回归过程模型来交替提供用于合并相邻的过度分割对象的提示。实验结果表明，与大多数评估指标相比，该算法的处理速度更快，分割准确率更高。本文还在实时跟踪应用进行了测试。测试结果表明，即使在最坏的情况下，分割精度也能使跟踪精度提高11.4%。

本文还提出了新的度量标准，包括OSR、精度、e精度、USR和召回率等，用于评估具有大量数据的实验结果。实验结果表明，在21803个不同时间点进行测试，都证明了所提算法在各个指标上具有优越性。在上下文性能差异的分析中，该算法在召回率和USR方面的表现略低于其他算法。但在其他指标上比其他算法更具有竞争力，尤其是OSR和e精度上。