基于高斯過程回歸的三維點(diǎn)云實(shí)時精確分割算法

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

在基于光檢測和測距傳感器（LIDAR）的目標(biāo)檢測中，對目標(biāo)進(jìn)行準(zhǔn)確分割是非常重要的，因?yàn)榉指钍瞧渌兄蝿?wù)（如分類和跟蹤）的基本預(yù)處理步驟。對于分割對象，大多數(shù)方法試圖消除地面效應(yīng)，這通常會引起相當(dāng)大的計(jì)算工作量，并導(dǎo)致使用三維激光雷達(dá)收集的點(diǎn)云對象檢測不準(zhǔn)確。然而，在許多實(shí)時應(yīng)用中，例如自動駕駛，應(yīng)該在特定的時間內(nèi)執(zhí)行分段，因?yàn)榧词剐〉挠?jì)算延遲也會導(dǎo)致車輛碰撞事故發(fā)生。本文提出了一個用于三維點(diǎn)云的實(shí)時和準(zhǔn)確的對象分割算法，該算法并不進(jìn)行地面提取。所提出的算法根據(jù)二維網(wǎng)格和無向圖的集成結(jié)構(gòu)，對非地面點(diǎn)進(jìn)行聚類，生成目標(biāo)候選點(diǎn)，找出目標(biāo)邊界，實(shí)現(xiàn)快速處理，得到準(zhǔn)確的分割結(jié)果，而不受地面提取誤差的影響。為了提高分割的準(zhǔn)確性，該算法采用高斯回歸過程，它可以大大減少過度分割對象的產(chǎn)生，從而有助于實(shí)現(xiàn)更高的跟蹤精度。本文應(yīng)用兩種類型的高斯回歸過程模型來交替提供用于合并相鄰的過度分割對象的提示。實(shí)驗(yàn)結(jié)果表明，與大多數(shù)評估指標(biāo)相比，該算法的處理速度更快，分割準(zhǔn)確率更高。本文還在實(shí)時跟蹤應(yīng)用進(jìn)行了測試。測試結(jié)果表明，即使在最壞的情況下，分割精度也能使跟蹤精度提高11.4%。

本文還提出了新的度量標(biāo)準(zhǔn)，包括OSR、精度、e精度、USR和召回率等，用于評估具有大量數(shù)據(jù)的實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)結(jié)果表明，在21803個不同時間點(diǎn)進(jìn)行測試，都證明了所提算法在各個指標(biāo)上具有優(yōu)越性。在上下文性能差異的分析中，該算法在召回率和USR方面的表現(xiàn)略低于其他算法。但在其他指標(biāo)上比其他算法更具有競爭力，尤其是OSR和e精度上。