编辑推荐：
为解决点云分类中存在的单点分类稳健性差、单尺度点簇特征表示不足等问题，广西大学等单位的研究人员开展基于多层次点簇特征融合算法的研究，实验效果良好。推荐阅读，助你了解点云分类前沿技术。
在当今科技飞速发展的时代，3D 点云数据（由离散点集表示物体表面信息的数据集）凭借其高精度、能反映丰富空间信息等优势，在众多领域崭露头角，像增强现实、机器人、导航技术等，都能看到它的身影。而点云分类作为点云数据处理的关键技术，对于环境感知和场景理解至关重要。
不过，点云分类的发展并非一帆风顺，目前主要存在着几个棘手的问题。基于单点的点云分类，把每个点当作独立的分类单元，这种方式在简单场景下还能勉强应对，但一旦面对复杂场景，就暴露出诸多缺陷。它难以有效捕捉点云数据中的局部结构信息，比如物体的边缘和表面拓扑结构，这就导致在不同场景下分类的稳健性和准确性大打折扣。
而基于聚类的点云分类虽然有了一定的进步，通过将相似点聚类并提取特征来提高分类效果，但在点簇构建和特征提取方面仍有很大的提升空间。在点簇构建时，合适的簇大小和形状很难确定。簇太小，属于同一物体的点可能被分到多个簇，造成分类错误；簇太大，又会把不同物体的点归到一起，同样影响分类的准确性。并且在特征提取上，现有的一些方法大多依赖人工设计的特征或者简单的神经网络结构，无法充分挖掘点云数据中的信息，使得分类精度难以进一步提高。
为了解决这些难题，广西大学等单位的研究人员勇挑重担，展开了深入研究。他们的研究成果发表在了《Heliyon》期刊上，论文题目是《Outdoor LiDAR point cloud classification algorithm based on multilevel point cluster feature fusion》 。经过不懈努力，他们提出了一种基于多层次点簇特征融合的点云分类算法，在点云分类领域取得了重大突破。这一算法有效提高了点云分类的精度和稳健性，为点云数据在各个领域的广泛应用奠定了更坚实的基础，有着不可忽视的重要意义。
研究人员在开展这项研究时，用到了几个关键的技术方法。首先是基于 MLPCS（多层次点簇分割）的多层次点簇构建方法，通过体素下采样和重扫描、Voxel-Meanshift、VoxelDBSCAN（基于密度的空间聚类算法）将原始点云划分为大、中、小不同层次的点簇。然后针对不同层次的点簇，采用最大池化、词袋模型（BoW）和 K-Means 等方法来提取和增强特征表示。最后，将多层次点簇特征聚合起来，与随机森林分类器相结合，实现点云的自动分类。
下面我们来看看具体的研究结果：
点云基于多层次聚类的分割
- 基于体素的小尺度点簇构建：小尺度点簇通过体素下采样和重扫描构建。体素下采样先获取种子点，把原始点云划分成小的体素，计算每个体素的质心来替换其中的点，完成下采样。接着以种子点为基础重扫描，通过 Kd 树半径最近邻搜索确定点簇，对于划分后过小的体素还会进行融合。小尺度点簇能聚集相似属性的点，降低后续计算成本，但它也存在不足，难以获取更多结构和上下文信息，还容易受噪声影响12。
- 基于 Voxel-Meanshift 的中尺度点簇构建：为了提取更高级的特征，研究人员改进了 Meanshift 算法来构建中尺度点簇。与小尺度点簇不同，中尺度点簇以体素为聚类基本单元。改进后的算法在核函数中引入了更多结构信息，包括法向量、协方差特征等。通过这样的方式，中尺度点簇包含了场景中物体的详细几何特征，不过它也有局限性，在复杂场景下，对于区分相似几何特征的不同物体可能不够有效34。
- 基于 Voxel-DBSCAN 的大尺度点簇构建：利用 DBSCAN 算法，以体素为基本单元构建大尺度点簇。该算法根据密度来识别聚类和处理噪声点。大尺度点簇能够勾勒出场景的主要结构和特征，反映场景的整体布局，为后续分析提供基础56。
基于多层次点簇特征和随机森林的分类算法
- 基于体素的小尺度点簇特征提取：小尺度点簇由于包含的点数较少，难以提取高度代表性的局部结构特征信息。其提取的特征主要有局部密度特征、高程特征、协方差特征和法向量特征等，此外还通过最大池化构建了多尺度的 Spin Image 和 FPFH 特征78。
- 基于 Voxel-Meanshift 的中尺度点簇特征构建：中尺度点簇的特征包括高程特征、协方差特征以及不同尺度的 Spin Image 和 FPFH 特征。为了增强特征的表示能力和稳健性，使用词袋模型（BoW）来构建特征，通过 K-means 聚类得到视觉单词，进而用 BoW 表示特征910。
- 基于 Voxel-DBSCAN 的大尺度点簇特征构建：大尺度点簇的特征涵盖了点簇的高程特征、协方差特征，以及多尺度 FPFH 和 Spin Image 特征的平均池化表示和 BoW 表示。通过这些特征，大尺度点簇能从更宏观的层面描述点云1112。
- 基于随机森林的点云分类：研究人员利用提取的点簇聚合特征训练随机森林分类器，该分类器由 220 棵树组成，最大深度为 25。基于点簇划分结果构建测试数据的多尺度特征，用训练好的模型进行预测，最终实现所有点的分类1314。
实验
- 实验数据集和评估指标：研究人员用两组室外点云数据验证算法。Scene1 数据集是由背包式移动测绘机器人收集的，包含地面、汽车、建筑物和植被等对象，实验时过滤掉了地面点。Scene2 数据集是常用的公共数据集，由中国天津某市区的机载激光扫描数据组成，主要包含建筑物、树木和汽车等对象。评估指标采用准确率、精确率、召回率、F1 分数和 Kappa 系数，通过混淆矩阵来直观展示分类性能1516。
- 定量分析：研究人员选取了 9 种对比算法与自己的算法在 Scene1 中进行比较，在 Scene2 中选取 8 种对比算法进行比较。结果显示，该研究提出的算法在分类性能上表现优异。在 Scene1 中，对于建筑物、车辆和树木分类的 F1 分数分别达到 99.93%、100.0% 和 99.66%，准确率为 99.88%，Kappa 系数为 99.86%。与其他算法相比，在不同方面都有显著提升，这充分证明了该算法在点云分类任务中的高效性和准确性1718。
- 定性分析：通过对比该算法与其他算法在 Scene1 和 Scene2 中的分类结果，发现基于点簇的分类方法优于基于单点的分类方法，因为它能更好地提取局部区域之间的结构信息。同时，中尺度点簇特征在分类中表现出色，研究人员所选用的随机森林分类器也比其他对比分类器效果更好。并且，基于 MLPCS 构建的多层次点簇和特征在分类效果上明显更优1920。
研究人员提出的基于多尺度点簇聚合特征和随机森林的点云分类算法，成功解决了现有点云分类方法存在的一些关键问题。通过构建多层次点簇，有效提取了不同层次的特征，结合随机森林分类器，大大提高了分类的精度和稳健性。这一研究成果为点云数据在城市规划、虚拟现实、农林等领域的应用提供了强有力的技术支持，让点云数据能够更好地服务于各个行业。不过，研究人员也清楚地认识到，目前的算法还存在一些需要改进的地方。比如小尺度点簇划分可能会导致不同类别的点被分到同一簇，影响最终分类效果。未来，他们计划进一步优化算法，结合周围环境信息和先验知识来优化点簇划分，设计更高效准确的点云特征，探索点云数据与其他传感器数据的融合，拓展算法在更多领域的应用，让这项技术不断完善，为相关领域的发展带来更多惊喜。
