基于深度学习的移动激光点云数据自动分类方法研究

黄 刚

1. 北京四维图新科技股份有限公司，北京 100094； 2. 首都师范大学资源环境与旅游学院，北京 100048

随着物联网、大数据、人工智能等技术的快速发展，智慧城市成为国内外学者研究的热点领域。城市三维地理空间信息的获取与处理是建设智慧城市的基础，也是亟待解决的关键技术之一。目前，移动激光点云分类多为人工和半自动方式，数据解译的自动化程度低，导致点云利用率下降，制约了移动激光点云在高精地图、自动驾驶和智慧城市等领域的应用。论文基于移动激光点云数据，开展基于深度学习的自动分类方法研究，为解决室内及近室内信息获取难题，研制了一种新型移动测量系统，同时，结合深度学习理论，优化SPG三维语义分割模型和DeepLab V3+二维语义分割模型，提出了移动激光点云数据自动分类算法。主要内容如下。

(1) 轻扫三维信息采集系统研制。基于当今智慧城市建设对室内及近室内信息的迫切需求，突破多传感器集成、室内定位与建图、点云与全景影像融合等关键技术，研制出一款集成了单线激光、多线激光、全景相机、全球定位系统和惯性导航系统的新型室内及近室内信息采集系统。试验表明，该系统在室内及近室内环境GNSS信号遮挡情况下，可通过同步定位与建图技术，快速获取三维地理信息，点云相对精度可达0.1 m。

(2) 移动激光点云数据自动分类。为解决实体三维分类需求，在分析SPG三维语义分割模型的基础上，为提高模型对于局部特征的提取能力，在SPG三维语义分割的PointNet模块中引入多尺度网络，提出了一种基于改进超点图的三维信息提取与分类方法，并在此基础上进行了矢量化。通过论文方法与SPG模型的对比试验，结果证明该方法在精度和均交并比上分别提升了2.3%和3.5%。为验证论文方法的稳健性，设计交叉对比试验，结果表明论文方法的分类结果受训练样本所在区域的影响较小，具有很好的稳健性。为进一步验证本文方法的先进性，将论文方法与PointNet、PointNet++及PointSIFT 3种点云三维语义分割对比，结果表明论文方法分类精度达到91.6%，优于其他3种对比方法。

(3) 道路标线提取与分类。鉴于三维语义分割方法无法对路面上的道路标线进行分类，论文研究了激光点云数据地面点提取方法，在分析DeepLab V3+二维语义分割网络模型的基础上，提出了一种基于改进DeepLab V3+深度学习网络的道路标线提取与分类方法，设计了道路标线提取、分类和矢量化方案，使用论文方法与Pix2PixHD方法及其他方法进行对比试验，结果表明，本文方法的精度、完整度和F值分别达到92.56%、87.84%和90.15%，优于其他对比方法的分类效果，同时，本方法可自主学习特征，减少了人为因素的影响。对处理过程进行优化，实现了一键化处理，并使用论文提出的方法对深圳市300 km的道路点云数据进行处理，实现了道路标线的分类与矢量化，取得了良好的效果。