江　珊，吕京国，李现虎

(北京建筑大学测绘与城市空间信息学院，北京 102616)

近年来，点云分割方面取得了很多成果。Herman Gross[1]采用从点云中提取线特征的方法，通过计算最大特征值和特征向量，利用提取的特征线实现点云的分割，结果表明线曲率特征适用于流形结构的点云。Bisheng Yang[2]采用移动LiDAR点云利用路面反射率探测路面信息，首先采用内插生成具有几何参照的点云图像，然后通过反射率强度值分离非地面点，试验表明该算法适用于路面特征的提取。Rostislav Hulik[3]提出了基于三维霍夫变换的连续平面的点云分割算法，通过对比PCL点云库的随机一致性采样算法，证明了算法的稳健性。

随着人工智能的发展，研究者开始关注群智能算法的点云分割研究。林望[4]提出了基于多维粒子群算法(MD-PSO)的散乱点云非监督分类方法，依据PSO聚类和RANSAC建立了稳健的非监督平面分割目标函数，为了防止陷入局部最优，每一维度改进策略的粒子全局最优加入到MD-PSO算法中，试验表明对平面分割具有较高的精度。许多研究者利用蚁群算法来解决分割，分类和类似的问题[6-10]。Ni Shihong提出了基于改进蚁群算法的连续空间优化方法[11]。蚁群算法在其他领域[12-17]也有许多其他方面的应用。

本文的内容为：首先，采用改进信息素残留系数的模型，通过网格划分连续区间变量优化投影方向，实现蚁群优化的投影寻踪点云聚类；然后，评估树木和建筑数量及位置的准确性；最后，基于DUNN指数对蚁群聚类结果的有效性进行评价。……