用于激光點云空間形態分類的體素鄰域計算方法

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

從三維激光雷達采集的數據中提高空間形狀特征分類的有效性是非常重要的，因為它主要用于自動駕駛車輛和地面機器人對場景更高層次的理解。但是在密集掃描中計算點的鄰域使得訓練和分類變得困難。本文提出了一個新的通用框架，該框架通過一個簡單的基于體素的鄰域計算來實現和比較不同的監督學習分類器（神將網絡分類器（NN）、支持向量機（SVM）、高斯過程（GP）和高斯混合模型（GMM）），其中規則網格中每個非重疊體素中的點被分配到相同的類別。該框架能夠提供離線訓練和在線分類程序以及定義了以散射、管狀和平面形狀為主成分分析的五個替代特征向量。實驗研究使用來自自然和城市環境的真實點云和兩個不同的3D測距儀（一個傾斜的Hokuyo UTM-30LX 和 一 個 Riegl）進行比較性能分析。通過在分類性能度量和處理時間測量上證實了神經網絡分類器的好處以及基于體素的鄰域計算的可行性。

通過對實驗結果進一步分析得出，基于體素的鄰域計算分類方法大大減少了點對點鄰域的計算時間，而場景分類精度卻沒有受到影響。分析結果還表明，選擇合適的特征可能對分類方法的性能產生巨大的影響。總而言之，分類性能指標和處理時間測量已經證實了NN分類器的好處以及基于體素的鄰域方法在地面激光雷達場景中的可行性。未來的研究工作將開發一種并行版本的方法來提高多核計算機的在線分類時間。