何鄂龙

（中国船舶集团有限公司第七一五研究所，杭州 310023）

1 技术背景

随着LiDAR（Light Detection and Ranging）技术的快速发展，通过机载激光扫描、地面激光扫描和移动激光扫描可以更加快速地获取城市点云数据[1]。点云分类是三维点云场景分析中的关键[2]，现已经成为摄影测量和遥感领域的研究主题[3]。

在点云分类任务中，点云数据缺失和不均匀的密度分布给分类任务带来了巨大挑战[4]。经典算法是提取典型的特征[5]，并基于监督分类算法进行点云分类[6]，可以分为点云邻域重构、点云局部特征提取和点云分类3个步骤[7]。

点云局部特征可以有效地表达实际场景中物体的结构信息，通常由局部邻域的点云空间分布统计得到[2]。三维邻域的构建可分为固定尺度方法和自适应尺度方法[4]。固定邻域方法受限于场景先验知识、点云密度以及曲率分布等。自适应邻域方法通过点云局部邻域的空间分布情况生成邻域，可以有效消除点云密度分布不均和线状分布带来的影响，但需要真实数据的先验信息作为参数。最小熵方法通过搜索邻域k或邻域半径r确定最优邻域[2]，其中基于邻域半径r的方法容易受到密度变化的影响，基于邻域k的方法容易受到线状分布的影响。

本文采用点云单点分类方法对点云数据进行分类，创造性地提出了顾及曲率的自适应邻域估计方法，有效增强了点云统计特征的可分离性，进一步提升了分类效果。

2 算法流程

本文的点云分类方法主要包括曲率的自适应邻域估计、特征提取和监督分类3部分。……