【读论文】A Multiscale and Hierarchical Feature Extraction Method for Terrestrial Laser Scanning Point Cl

【读论文】A Multiscale and Hierarchical Feature Extraction Method for Terrestrial Laser Scanning Point Cloud Classification（2014）
地面激光扫描点云分类的多尺度分层特征提取方法

Zhen Wang, Liqiang Zhang

DOI: 10.1109/TGRS.2014.2359951

摘要：

形状特征的有效提取是对地面激光扫描（TLS）点云进行准确高效分类的重要要求。然而，如何从嘈杂和不同密度的 TLS 点云中获得鲁棒和有区别的特征的挑战仍然存在。本文介绍了一种新颖的多尺度和分层框架，该框架描述了混乱城市场景的 TLS 点云的分类。在这个框架中，我们提出了多尺度和分层点簇（MHPC）。在 MHPC 中，点云首先被重新采样为不同的尺度。然后，将每个尺度的重采样数据集聚合成几个层次化的点簇，其中每个层次的所有尺度的点云称为点簇集。这种表示不仅解释了点云的多尺度属性，而且很好地捕捉了它们的层次结构。在 MHPC 的基础上，利用潜在狄利克雷分配 (LDA) 构造点簇的新特征。根据训练集训练 LDA 模型。 LDA 模型然后为点簇提取一组潜在主题，即主题的特征。最后，为了将引入的特征应用于点簇分类，我们在每个点簇集中训练一个 AdaBoost 分类器，并获得相应的分类器，将具有不同点密度和数据缺失的 TLS 点云分离到语义区域中。与其他方法相比，我们的特征在 TLS 点云中对建筑物、树木、人和汽车的分类效果最好，特别是对于小型和移动的物体，例如人和汽车。
关键词：
AdaBoost、潜在狄利克雷分配(LDA)、多尺度和分层点聚类(MHPC)、对象分类

结论

在本文中，我们提出了一种基于 MHPC 的新框架，用于有效地从复杂的 TLS 点云中提取对象的形状特征。对于具有不同点密度和数据丢失的点云，它具有区分性和鲁棒性。从 MHPC 中提取的特征是尺度不变的。此外，可以在分类过程中组合有关不同级别的信息。引入 LDA 以有效地从 MHPC 中提取特征。它从具有不同点数的簇中提取相同长度的特征。 LDA 可以保持方向不变性并降低基于点的特征的敏感性。分类结果表明，我们从 MHPC 中提取的特征优于传统的基于点的特征。与其他方法相比，我们的方法具有更好的分类小尺寸对象类的能力，例如人和汽车。通过我们的方法提取的形状特征也可以用于 3-D 形状检索 [41]、[42]。

良好的聚类和基于点的特征有助于获得准确的分类。在未来的工作中，我们希望扩展该模型以在分类过程中包含结构信息，例如点和对象块之间的空间关系 [43]。如果找到有效的方法，使用模型匹配点云的对象可以提高分类精度。我们还将使用图形处理单元 (GPU) 编程和并行化方案来进一步减少计算时间。

1.该论文研究了什么？

形状特征的有效提取是对地面激光扫描（TLS）点云进行准确高效分类的重要要求。然而，如何从嘈杂和不同密度的 TLS 点云中获得鲁棒和有区别的特征的挑战仍然存在。本文介绍了一种新颖的多尺度和分层框架，该框架描述了混乱城市场景的 TLS 点云的分类。
本文研究了一种新颖的多尺度和分层框架，该框架描述了混乱成熟时场景的对地激光扫描（TLS）点云的分类。从嘈杂和不同密度的TLS点云中获得鲁棒和有区分度的特征进而对点云进行高效分类。

2.创新点在哪？

分类器和特征都会影响分类精度，本文专注在特征的建立上， 获取可区分的形状特征来描述点云的聚类。为了考虑扫描点云的尺度变化，点云在训练阶段被预处理成多个尺度，类似于尺度不变特征变换（SIFT）的金字塔[32]。形式上，我们将点云重新采样到不同的尺度，并将每个尺度的点云聚类到不同的层次，形成多尺度和分层的点簇（MHPC）。为每个 MHPC 提取的基于集群的特征描述符是尺度不变的，并且对噪声和不完整的点云具有鲁棒性。 MHPC 特征可以在不同的尺度上描述任意簇本身，它概括了点的特征和簇中点之间的关系。

3.研究方法是什么？

4.得到的结论是什么？

[1]Wang, Zhen, Zhang, et al. A Multiscale and Hierarchical Feature Extraction Method for Terrestrial Laser Scanning Point Cloud Classification.