基于图论的LiDAR数据鲁棒三维法向量提取方法

从LiDAR点云中提取低维基元特征（如平面）构成了大多数LiDAR数据处理任务的基础。LiDAR数据分析的一大挑战源于其不规则特性，迫使从业者要么使用某种网格化对数据正则化，要么利用三角网格如不规则三角网（TIN）。尽管已有少数将LiDAR数据作为连通图的应用，但利用图论方法进行LiDAR数据建模的系统性处理仍属欠缺。本文试图弥补这一缺口，利用图方法从LiDAR点云进行法向量估计。我们将法向量估计问题表述为一个优化框架，其中通过利用每个LiDAR点的最近邻并同时基于点样本施加图平滑假设，来求得对应的法向量。这是一个非线性约束凸优化问题，可用投影共轭梯度下降求解以得到唯一解。作为对优化问题的增强，我们还基于法向量点积与点间欧氏距离给出了不同的加权解。为评估所提法向量提取方法与加权策略的性能，我们首先在四种噪声水平与四种调参设置下对重复随机生成的数据集进行了详细分析。最后，我们在大规模合成平面提取数据集上将所提方法与现有SOTA方法进行了基准对比。所提方法连同仿真与基准测试的代码见https://github.com/arpan-kusari/graph-plane-extraction-simulation。