2018-【中国激光】-基于切片采样和质心距直方图特征的室外大场景三维点云分类

阅读数: 次 2020-04-09

1、引言

基于点分类

多特征
多尺度
点的特征提取收到尺度的限制，在复杂的情况下效果并不好
例子
- 文献1
- 文献2
  - Semantic point cloud interpretation based on optimal neighborhoods, relevant features and efficient classifiers

基于分割的分类

基于分割的分类不仅计算速度较快,而且能提取更加丰富的特征信息,进而提高准确率

方法流程

1.离群点滤除

2.地面滤波，集合法向量差信息滤除地面点

文献12

3.使用具有噪声的基于密度的聚类方法对非地面点点云进行分割，针对过分割采用就近融合的策略

文献13

4.提取不同物体点云的全局特征

垂直方向切片采样直方图VSS
- 将Z方向划分为100个网格,统计落在每一个网格内的点云个数,将其作为该网格的属性值,最后进行归一化处理,形成一个VSS
质心距直方图D2C
- 求取物体点云的质心后,以质心为球心,以质心到点云数据中距离最大的点的距离为半径做一个外围球,该外围球包围整个物体的点云,然后依次向内等分成１００个球体,形成一个同心球簇,如图７( a)所示,三个坐标分别是 X、Y、Z轴,最后统计落在每两个相邻同心球之间球环内的点的个数,求出每个球环内三维点个数占整个物体三维点个数的比率,形成一个100维质心距直方图
点云的二维投影图像方向梯度直方图(HOG)特征
- 文献17

5.SVM进行分类

引用

文献15

分类方法对比

文献16 esf特征

数据

文献3

武汉大学姚健课题组

XMind - Trial Version

本文作者： Su Yunzheng
本文链接： https://suyunzzz.github.io/2020/04/09/2018-【中国激光】-基于切片采样和质心距直方图特征的室外大场景三维点云分类/
版权声明： 本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。转载请注明出处！

知识共享许可协议

缺失模块。
1、请确保node版本大于6.2
2、在博客根目录（注意不是yilia根目录）执行以下命令：
npm i hexo-generator-json-content --save

3、在根目录_config.yml里添加配置：

  jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

<br>我是一个保安<br>每天郁郁寡欢<br>混吃等死上班<br>每顿还要加餐<br>