点云的极点

目前，由于噪声、杂波、遮挡和点密度变化等因素的影响，从城市站点的点云中提取物体通常是人工完成的。作者开发了一种基于开源点云库的自动检测路标、灯柱、电线杆、交通灯等杆状物体的软件工具。结果似乎令人鼓舞。

作者:Federico Tombari、Tommaso Cavallari和Luigi Di Stefano，意大利博洛尼亚大学

杆状结构的3D信息用于检测设施损坏，道路维护和其他应用。遮挡-物体被其他物体遮挡，使它们在点云中只有部分可见-挑战点云中极状物体的自动检测。但是，即使一根杆子是由从上到下的点表示的，点的数量可能太少了，杆子与树干或其他薄而高的垂直物体之间的区分可能会很困难。然而，已经开发并实现了一种基于两阶段分类的方法——首先是局部分类，然后是全局分类(图1)。

数据简化

如果点云已被激光扫描，扫描部分重叠。结果是，点云的某些部分包含的点是其他部分的两倍，即点密度变化。在这种方法中，为了获得均匀的点密度，通过允许每个预先指定大小的体素(体积元素:像素的3D对应物)只存在一个点来进行点缩减。当设置体素的大小为1cm时^3.时，约化点云中两个点之间的距离为1cm或以上。在处理大数据集时，也会出现许多空体素，这是低效的，因为存储需求与体素的数量成正比，无论是填充还是空。八叉树数据结构避免了需要存储容量的空体素。这是使用开源的点云库(PCL)创建的。

去除飞机

为了减少模糊的数量并加快进一步的处理，需要从点云中检测并去除道路、建筑立面和其他平面结构。这是使用一种新的定制的RANSAC(随机样本一致)算法完成的，该算法通过稳健的点迭代拟合预先指定的模型，即使存在许多离群值。模型的规范使用了点的位置和它们的法向量，即垂直于由点本身和它最近的相邻点张成的平面的向量。邻接数越高，估计越平滑，尽管通常5到10之间的数字就足够了。当相邻点的法向量位于同一方向时，这些点最有可能张成一个平面。这些点将被删除，以获得在接下来的步骤中使用的简化点云。使用PCL来确定法向量，并使用PCL的基类功能编写了一个自定义平面检测算法。

当地的分类

在点云中，极点表示为一簇指向垂直方向的点。首先，从单个点开始探测初始簇，这些初始簇可能构成代表极点的较大簇的一部分，并在附近寻找点。搜索半径取决于极点的直径，可以设置在0.2厘米到1.5厘米之间。在这种方法中，焦点是由向上的方向和连接每个相邻点的线形成的角度;这个想法是，这样的角度分布在一个极点是高度不同的，周围的结构，非极点形状。在极点的情况下，大多数相邻的点要么在上面，要么在下面，这在两个角中反映出来。对于每个簇，角度被聚合成一个直方图。尽管这种局部特征提取方法不是PCL的一部分，但它的feature Class被用于编写代码，依赖于PCL的输入/输出工具和它在KdTree上的半径搜索。后续步骤也使用PCL的功能。基于直方图值，使用支持向量机(SVM)将每个点划分为极点或非极点，支持向量机是一种监督分类算法，可以从训练样本中学习，将预定义的类分配到结构中。 The LIBSVM library is used as apparatus to carry out the classification. Training is done through providing labelled histograms of both poles and non-poles. Figure 3 shows examples of 4 pole and 4 non-pole histograms computed on real data, clearly showing the differences. Next, the histograms are put into SVM, which returns the likelihood that the point belongs to a pole. The high-probability point groups, which lie close to each other and together form a vertical structure, are clustered and the resulting larger clusters form the input for the global classification step.

全球分类

群集可能被归类为属于一个极点，即使它们不是——这些是误报。为了去除这样的星团，计算星团的质心，通过质心绕星团的主方向旋转一个平面。平面的大小设置为质心和聚类点之间的最大距离。当这个旋转平面累积集群的相交点的坐标时，第二个旋转平面(大小相同)将累积云的所有点的坐标(即使那些不属于集群的点)。后一个平面带来的附加信息提供了上下文信息，以便从类似的形状(如树干)中区分真实的极点。然后再用SVM重新分类，结果是集群代表一个实际的极状结构的概率。

PCL

该方法是在c++中使用点云库(Point Cloud Library, PCL)工具实现的，PCL是一个大型的，开放源代码的2D/3D图像和点云处理项目。它包括滤波、特征估计、识别、配准、模型拟合和分割等模块。PCL起源于Willow Garage发起的机器人操作系统(ROS)项目，现在由Open Perception基金会管理，该基金会是Willow Garage的一个非营利性分支机构，得到了世界各地许多研究机构和公司的支持。188asia备用网址

结果

2012年，在意大利维罗纳市区，使用Topcon IP-S2 Compact +移动地图系统(MMS)获取了11亿个点，并对其进行了地理参考点云测试。由于数据集的大小，该数据集被自动划分为1294个块，每个块代表一个15m的轨迹。然后将每个块次采样为1cm的体素^3.平均每块86万分。一半的数据用于训练SVM分类器和算法参数的交叉验证，而其余的数据用于评估算法的性能，使用手动标记地面真相作为参考。总的来说，75%的极点被正确识别，而误报不到20%。图4显示了正确检测到多个极点的区域。平均整体处理时间是3.2秒每块。局部分类的处理时间与点的个数线性相关，全局分类的处理时间与点的个数呈二次关系。因此，细分为块有助于减少处理时间。

结束语

该方法有潜力适用于提取各种杆状结构，并可扩展为其他对象的自动检测，如建筑部件、车辆和植被。

致谢

感谢Samuele Salti和Alioscia Petrelli，以及QONSULT SpA对研究的资助和3D数据的使用。

进一步的阅读

• Tombari, N. Fioraio, T. Cavallari, S. Salti, A. Petrelli, L. Di Stefano(2014)三维城市环境中杆状结构的自动检测，智能机器人与系统国际会议。
• 基于局部分类和马尔可夫随机场的三维数据分割，三维成像，建模，处理，可视化和传输国际会议(3dimmpvt 2011)
• 点云图书馆(PCL)网址为www.pointclouds.org

本文原稿发表在GIM International 2014年10月号上。188金宝搏特邀