场景理解是信息科学里的重要研究内容,而三维(3D)数据相比于二维(2D)数据有着众多优势。目前点云的获取有多种方式,且不同获取方式的点云具有不同的特点,此外,基于点云的3D场景理解中的关键技术研究还没有完整、系统的综述。为此,总结了不同方式的点云获取方法,并对不同的点云数据及相关数据库进行对比分析。基于目前3D场景理解的研究进展,针对3D场景理解中的点云滤波、特征提取与点云分割和点云语义分割等技术进行了对比分析与总结。通过对近些年国内外文献的结论进行梳理,凝练出3D场景理解关键技术中存在的问题,并对3D场景理解问题的发展趋势做了展望。基于点云的3D场景理解因其数据的丰富性而被广泛应用在众多领域中,但是目前基于3D点云的场景理解效果,尤其是针对具有颜色信息的激光点云的场景理解,还有众多内容有待深入研究。

三维(3D)点云数据在智能驾驶、遥感测量和虚拟现实等领域的应用越来越广泛。针对室外大场景, 提出了一种兼顾快速性与准确性的三维点云分类算法, 该算法首先对原始点云进行离群点去除, 并在现有地面滤波算法的基础上,结合点云法向量差信息滤除地面点; 然后再使用具有噪声的基于密度(DBSCAN)的聚类算法对非地面点云进行分割, 同时针对点云的过分割问题采用了就近融合的策略; 再提取出不同物体点云的全局特征, 包括垂直方向切片采样直方图和质心距直方图, 以及点云的二维投影图像方向梯度直方图(HOG)特征; 最后, 通过支持向量机(SVM)分类器分类, 得到较为精确的三维点云分类结果。实验结果表明:所提算法可以将复杂的室外大场景分类为较为准确的单个物体, 并且具有较高的精确率以及召回率; 相较于其他算法, 所提算法的效率有了较大提高。

河流是遥感图像中一种非常典型且重要的地理目标,对河流的自动检测在水资源调查及水利规划等方面有重大意义。在此提出了一种基于多特征融合和软投票方法的河流目标检测算法,该算法首先将图像分割成胞元,提取胞元的局部熵、纹理、光谱和颜色等特征,利用随机森林训练和分类,并利用基于形态学运算结合多判据投票法优化机器学习的粗检测结果,对优化后的粗检测结果利用水平集活动轮廓逼近河岸线。实验表明,该算法检测效果良好,对测试集的检测准确率达97.44%,在复杂背景下可以有效检测出河流。

为了提高大规模场景三维重建中的精度,在保证算法效率的前提下,提取两种局部稳定不变特征,并采用多特征融合方法进行匹配。针对基于航拍影像和城市街景图像联合建模存在的问题,提出了一种两种局部稳定特征匹配的方法。其步骤为:先提取ASIFT(Affine Scale Invariant Feature Transform)特征点和MSER(Maximally Stable Extremal Regions)特征区域,并对MSER算法进行改进,得到这两种稳定的图像特征;再用SIFT(Scale Invariant Feature Transform)特征描述符对其进行描述;最后利用基于单应矩阵的特征匹配算法进行匹配。利用图形处理单元(GPU)对特征匹配环节进行并行优化处理。大量实验及对比结果表明,本文算法可以得到两种单一算法两倍以上的正确匹配对。