用于检测和定位 3D 点云中人造物体的无监督机器学习
计算机视觉与模式识别
2024-10-29 v1 机器学习
机器学习
摘要
3D 点云是一种非结构化、稀疏且不规则的数据集，通常由机载 LiDAR 系统在地质区域上方采集。这些系统发射的激光脉冲从地面及地面上方的物体反射，生成一个包含每个点经度、纬度和高程，以及相应激光脉冲强度信息的数据集。许多先前的工作已经研究了一个广泛探讨的研究问题，即地面滤波，该问题涉及将点划分为地面和非地面子集。本研究引入了一项新任务：在自然树木结构中检测和识别人造物体。此任务在源自地面滤波阶段的非地面点子集上执行。标记点场（MPFs）被用作非常适合这些任务的模型。所提出的方法由三个阶段组成：地面滤波、局部信息提取（LIE）和聚类。在地面滤波阶段，引入了一种称为单侧回归（OSR）的统计方法，以解决先前地面滤波方法在不平坦地形上的局限性。在 LIE 阶段，缺乏无监督学习方法。为了缓解这一问题，我们开发了一种基于核的 MPF 海森矩阵计算方法。在聚类阶段，将高斯混合模型（GMM）应用于 LIE 阶段的结果，将非地面点划分为树木和人造物体。其基本假设是，来自树木的 LiDAR 点呈现三维分布，而来自人造物体的点遵循二维分布。MPF 的海森矩阵有效地捕捉了这一区别。实验结果表明，所提出的地面滤波方法优于以往的技术，且 LIE 方法成功区分了代表树木和人造物体的点。
引用
@article{arxiv.2410.20006,
title = {Unsupervised Machine Learning for Detecting and Locating Human-Made Objects in 3D Point Cloud},
author = {Hong Zhao and Huyunting Huang and Tonglin Zhang and Baijian Yang and Jin Wei-Kocsis and Songlin Fei},
journal= {arXiv preprint arXiv:2410.20006},
year = {2024}
}