点云智能研究进展与趋势（论文笔记）

论文信息：杨必胜,董震.点云智能研究进展与趋势[J].测绘学报,2019,48(12):1575-1585.

原文地址：知网。

我把要点提取出来，作为学习笔记，加深印象，大家有需要的可以看看。学习交流：weixin：hl_whu。

 

0 前言

（1）用途：点云已成为继矢量地图和影像数据之后的第三类重要的时空数据源。

（2）采集：星载、有人／无人机载、车载、地面、背包、手持等多平台、多分辨率的系列化装备。

（3）处理：现有技术方法无法满足需求，点云智能应运而生。

1 采集装备：从专业级单一化到消费级集成化

（1）传感器：集成三维激光扫描仪、相机、GNSS接收机、IMU惯性测量单元。

（2）搭载平台：星载、有人／无人机载、车载、地面、背包、手持等。

（3）互补技术：倾斜摄影测量（密集点云）、深度相机（结构光相机、TOF相机、双目相机）。

（4）发展趋势：多光谱激光扫描系统、面阵单光子LiDAR、量子三维成像。

２ 点云场景：从可视化量测到智能化理解

（1）主要矛盾：“不同平台点云表达差异化”与“传统点云处理方式”之间的矛盾。

（2）广义点云：实现狭义点云（单一平台采集点云）间的优势互补，在模型方面把过去孤立、分散表达转变为多模统一表达，在方法方面把室内外、地上下独立转变为室内外、地上下一体，在结果方面把过去的可视、量算转变为计算与分析。

（3）质量改善：位置修正（几何精度改善）、反射强度校正、点云属性数据整合（多源配准融合）。

（4）特征描述：分人工设计特征、深度网络学习两大类。根据深度学习模型，右可以分为基于体素（VoxelNet）、基于多视图（Multiview-CNN）和基于不规则点（PointNet）三类。但面向高层次特征的描述方面仍需进一步研究。

（5）信息提取：从点云中识别与提取地物要素，支持场景解译。主要方法：点特征、聚类特征、深度学习。论文推荐深度学习，但现在并不成熟。

（6）结构重建：对建筑立面、树木、室内等结构重建研究很多，不列举了。但是，我认为目前都离不开人工编辑的辅助。

（7）努力方向：点云深度学习网络架构设计、点云深度学习公开数据集、点云数字现实（有点高且虚，不讲）、点云边缘计算。科普：边缘计算指在靠近数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。

３ 点云智能服务科学研究与工程应用

（1）地球空间信息学研究：确刻画植被、冰川、岛礁与周边的水下地形的三维形态结构。

（2）地下空间开发利用：有对地下空间进行三维激光扫描，辅助调查的应用。

（3）智慧城市：个人愚见，目前应用不行，从数据到信息太难。

（4）新型基础测绘：我觉得针对全要素采集，以及上海测绘院提出的“全息测绘”，激光扫描有用武之地。

（5）基础设施健康监测：（有人或无人）机载LiDAR用于电力走廊巡查。

（6）自动驾驶：实时目标探测、车道级别三维地图生产。

（7）文物建模、古建筑测绘等。