车载激光扫描系统是目前主流的数据获取平台之一,它能够快速、主动、连续地获取目标表面的空间三维信息和光谱信息,是进行室外场景重建的最有效手段之一。然而,该系统在目标采样过程中,无差别地对待各类地物,使得获取的海量点云缺乏语义信息。而在无人驾驶、林业调查、城市规划和机器人等应用领域,需要点云的语义信息。车载激光点云分类是对点云中的每一个点都赋予一个类别标签(如道路、建筑、植被、车等),传统的激光点云分类依靠人机交互判读,劳动强度大、效率低,达不到地物目标属性实时判读的要求。因此,车载激光点云自动分类算法的研究对快速获取目标语义信息具有重大意义。传统的车载激光点云分类的方法是对点云中所有点计算一些局部特征值,并将这些局部特征值组合成该点的特征向量,然后用随机森林或支持向量机等经典分类器进行监督分类。Weinmann et al.(2015a)一文中给出了基于机器学习算法对激光点云分类的流程:包括邻域选取、特征计算、模型训练、类别预测四部分,其中提出了计算多个低阶几何特征作为点的特征描述子,获得了不错的点云分类结果。然而,低阶几何特征中很多特征都是由张量矩阵的三个特征值计算而来,特征之间的相关性导致特征描述子同时存在特征冗余和信息缺失的问题。此外,仅仅基于每个点自身的特征属性,而不考虑相邻点类别的相似性,会产生不符合现实规律的分类结果。通过研究已有的点局部特征描述子对点云分类结果的影响,本文提出了结合FPFH特征与低阶几何特征作为特征向量,并基于条件随机场CRF模型进行点云上下文分类的方法。具体的研究内容分为如下两个阶段:1、提出了结合FPFH特征与低阶几何特征进行初始分类。首先对原始点云中的每一个点都计算一个最优邻域。然后基于此最优邻域,计算每个点的FPFH特征与低阶几何特征。对低阶几何特征进行特征选择后,与FPFH特征组合成特征描述子。最后利用随机森林算法训练分类器并对测试集进行类别预测,获得每个点的初始类别和点云的类别概率矩阵。2、基于CRF模型对点云的初始分类结果进行语义优化。由于随机森林算法的分类过程中并没有考虑到相邻点间类别的相似性或相关性,导致初始分类结果的空间平滑度不高,存在大量噪声。针对这一问题,对原始点云构建无向图模型,认为点云中每个点的类别受其k邻域的类别影响,训练两个不同的随机森林分类器分别计算无向图的单势能和双势能,基于无向图结构、单势能和双势能给出点云的类别标签向量为的后验概率p,求解使得联合概率p最大的类别标签向量作为语义优化后的点云类别标签。实验结果表明,通过结合FPFH特征与低阶几何特征进行分类并对分类结果进行语义优化,相比用单一低阶几何特征进行分类,本文方法的分类准确率可以提高2%～6%