《基於高階層次關聯馬爾科夫網的行駛環境雷射點雲分類》是依託武漢大學，由李明擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於高階層次關聯馬爾科夫網的行駛環境雷射點雲分類
- 項目類別：青年科學基金項目
- 項目負責人：李明
- 依託單位：武漢大學
項目摘要,結題摘要,
項目摘要
本項目針對行駛環境點雲分類這個難點問題，以關聯馬爾科夫網為基礎，擴展高勢函式，將點雲的高階結構信息運用到分類中去。創新主要體現在兩點：一是基於軟判決同時分割分類，以解決物體粘連情況下的點簇劃分問題；二是構造三維點雲特徵字典來分析複雜點簇的形態。具體研究：基於軟判決疊代的點簇劃分、基於特徵模式字典的高階勢函式、基於點簇集的層次上下文模型等三點。以解決模型中引入高階勢函式帶來的三個具體問題，即點雲局部高階結構範圍劃分、高階複雜點簇的結構關係表達、不同點簇間的空間結構模型等。在這樣的認知模型下，單個點的類別將結合局部幾何特徵、高階模式信息、空間上下文等綜合分析確定。在一定程度上，可以解決自然場景中目標形態變化大、結構複雜等問題，進一步提高點雲分類正確率。最終成果將作為核心技術，用於移動製圖、智慧型交通系統，智慧型地識別行駛場景內容，自動地進行地物、交通等相關信息的分類統計。
結題摘要
創新的提出了時域關聯點雲馬爾科夫網模型用於動態行駛環境點雲分類。目前，可以查到的國際期刊和會議論文上，發表的關聯馬爾科夫網有關Velodyne雷達點雲分類的研究進展，其方法都是基於單幀點雲數據進行處理的。由於單幀中點雲密度變化較大，以往在密集點雲中分類最好的關聯馬爾科夫網模型，在Velodyne雷達動態點雲中效果不佳。其實Velodyne雷達採集點雲數據每幀都是360度全景的空間場景數據，兩幀時間上僅差0.1秒，空間上有80%以上的重疊度，可以充分的利用時域關聯信息來彌補單幀的密度問題，並可以進一步分析其中的運動部分所提供的信息，但已有點雲分類研究並沒有關注這個方向，點雲序列中的動態信息，對於提高關聯馬爾科夫網模型分類能力完全沒有實質性的貢獻。因此本項目敏銳的將這個方向選擇作為本年度基金的研究突破目標。因此本項目創新的提出將時域的動態信息引入到馬爾科夫網模型中，來實現更精細的逐點的精確分類和運動分析，以達到動態場景的深入理解。在具體模型推廣上，本項目並未直接在隨機場中增加時域勢函式變數，而是從節點的類別標記集入手，將運動信息引入，使得隨機場節點中的類別就是一個時空域的變數，不僅是代表節點的類別，而且代表了節點在時間空間上的關聯關係，這樣隨機場的學習和分類的過程中，時域的信息都會像類別信息一樣參與運算，很顯然從節點的類別標記集引入時域關聯信息，這個改動從根本上，將時域的信息帶入了隨機場的整體最佳化過程中；將有可能使關聯馬爾科夫網，真正的使用時域信息來表達複雜的行駛環境的動態場景。結合Veloslam方法實現了隨機場時域關聯信息的提取和動態分類並公開驗證代碼。通過之前為期兩年的基金研究工作，點雲動態拼接和分類算法已經可以在密集道路場景下，有效實現自身姿態估計、動目標跟蹤和局部點雲地圖構建。相關成果在智慧型車輛和智慧型交通的會議IV2012，IV2013和ITSC2012上做了專門的口頭報告，得到相關領域國際專家的好評。
