Voxel-Based Extraction and Classification of 3-D Pole-Like Object From Mobile LIDAR Point Cloud Data

车载点云中3维杆状目标基于体素的提取与分类

摘要：

道路环境数字测绘是道路基础设施清查和城市规划的一项重要任务。对类杆目标的自动提取和分类，可以显著地降低和提高工作效率。因此，本文提出了一种基于体素的方法，通过分析物体的空间特征来自动提取和分类三维(3-D)杆状物体。首先，通过基于体素的形状识别生成一组线性体素作为杆状对象候选者，并用作后续模块的输入。根据杆状地物的局部孤立性且主方向是沿着Z轴的特点，采用一种自适应半径和垂直生长的圆柱模型识别属于杆状地物的体素。最后，根据形状特征和空间拓扑关系推导出若干语义规则，将所提取的类杆对象进一步划分为四类（灯杆、电线杆、树杆和其它）。利用移动激光雷达点云数据的三个数据集对所提出的方法进行了评价。实验结果表明，该方法能有效地从3个样本中提取出类极目标，提取率分别为85.3%、94.1%和92.3%。此外，本文所提出的方法还能有效地进行分类，尤其是树干分类。

提出方法的流程图如下：

提出方法的步骤：

1）生成：通过基于体素的形状识别，生成一系列线性体素作为杆状目标的候选。

2）识别：使用具有自适应半径的圆形模型识别属于杆状物体的体素。

3）提取：基于垂直区域增长算法提取个体杆状物体。

4）分类：根据若干语义规则对提取的杆状对象进行进一步分类。

下面是ABCD步骤对应上述的1）2）3）4）步骤的详细分解。

A、Voxel-Based Shape Recognition

杆状物体的部分呈现线性模式，而其他的(如建筑和树冠)通常呈现平面或球形特征。因此，在本节中，我们采用一个连续的方案来进行基于体素的形状识别，包括体素化、基于体素的维度分析和基于MRF的形状识别优化。因此，生成一组线性体素，作为后续模块的输入。

1)Voxelization：车载雷达包含很多点，而且这些点分布很复杂。因此为了降低数据量，我们仅仅只基于XYZ坐标（轴）构建3-D voxels作为基元（primitives）。空间被划分为规则的三维网格，每个体素都是长方体的形状，其几何形状由长(l)、宽(w)和高(h)定义。体素的位置按列(i)、行(j)和层(k)建立索引。根据三维体素的最小坐标(Xmin,Ymin,Zmin)和长度(l)、宽度(w)、高度(h)，可以用公式（1）计算出点云中每个点的索引(i,j, k)。因此，大量的点被组合在一起形成3-D体素。如下图所示，将多个点组合在一起，形成三维体素。

2）Voxel-Based Dimension Analysis：