用于激光点云空间形态分类的体素邻域计算方法

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

从三维激光雷达采集的数据中提高空间形状特征分类的有效性是非常重要的，因为它主要用于自动驾驶车辆和地面机器人对场景更高层次的理解。但是在密集扫描中计算点的邻域使得训练和分类变得困难。本文提出了一个新的通用框架，该框架通过一个简单的基于体素的邻域计算来实现和比较不同的监督学习分类器（神将网络分类器（NN）、支持向量机（SVM）、高斯过程（GP）和高斯混合模型（GMM）），其中规则网格中每个非重叠体素中的点被分配到相同的类别。该框架能够提供离线训练和在线分类程序以及定义了以散射、管状和平面形状为主成分分析的五个替代特征向量。实验研究使用来自自然和城市环境的真实点云和两个不同的3D测距仪（一个倾斜的Hokuyo UTM-30LX 和 一 个 Riegl）进行比较性能分析。通过在分类性能度量和处理时间测量上证实了神经网络分类器的好处以及基于体素的邻域计算的可行性。

通过对实验结果进一步分析得出，基于体素的邻域计算分类方法大大减少了点对点邻域的计算时间，而场景分类精度却没有受到影响。分析结果还表明，选择合适的特征可能对分类方法的性能产生巨大的影响。总而言之，分类性能指标和处理时间测量已经证实了NN分类器的好处以及基于体素的邻域方法在地面激光雷达场景中的可行性。未来的研究工作将开发一种并行版本的方法来提高多核计算机的在线分类时间。