基于两阶段随机森林回归的地下空间多源点云融合与三维重建高精度降噪方法研究

本文针对地下复杂环境中三维重建精度不足的难题，创新性地提出一种基于两阶段随机森林回归（Two-stage Random Forest Regression）的多源点云融合降噪方法。该方法融合单线激光雷达（LiDAR）与深度相机数据，通过几何引导的残差回归与局部特征优化，在五类典型隧道场景中实现噪声抑制率超77.42%，最大绝对误差降低72.97%-95.86%，显著提升地下空间三维重建精度与鲁棒性。

　　

Highlight

系统组成

本文采用的测量系统由履带式机器人底盘和集成传感模块组成，如图1所示。该机器人平台搭载深度相机、单线激光雷达和工业计算机，用于在狭窄隧道环境中进行移动数据采集。此外，系统还配备16线3D激光雷达用于对比评估实验。如图2所示，系统工作流程分为三个主要部分：联合标定、三维点云采集与预处理，以及两阶段随机森林回归融合降噪。

基于单线LiDAR与深度相机融合的点云回归降噪方法

为提升深度相机与单线激光雷达的融合测量精度，本研究选择具有规则纹理、低噪声和小数据量的单线LiDAR点云作为融合参考基准，指导深度相机点云的重新分布。具体而言，以单线LiDAR点云作为训练数据，深度相机点云作为目标数据，构建回归预测模型，通过两阶段随机森林回归实现噪声抑制与几何结构优化。第一阶段利用LiDAR数据构建密集三维点云基准，初步降噪深度相机点云；第二阶段结合空间坐标与快速点特征直方图（FPFH）描述符，进一步优化降噪效果。

实际隧道三维重建

为验证所提点云降噪方法在真实场景中的有效性，研究选取地下隧道场景开展实验，如图14所示。实验场景分为两段：

1. 1.

   隧道段I：截面尺寸为3.285米（宽）×2.615米（高），含有一处截面为1.220米（宽）×2.205米（高）的门架结构；

2. 2.

   隧道段II：截面尺寸为2.200米（宽）×2.335米（高），用于进一步测试方法在更狭窄条件下的适应性。

Conclusion

为解决复杂地下空间中多传感器融合或点云降噪模型在三维重建中精度不足的问题，本文提出一种基于两阶段随机森林回归的方法，用于提升多源点云数据融合的精度。该方法有效增强了地下壁面结构三维重建的准确性，具有以下创新点：提出一种基于单线LiDAR与深度相机融合的三维密集建图方法，通过两阶段回归策略实现高精度、低冗余的点云数据处理；构建轻量化层次化回归架构，在保持空间尺寸精度的同时实现高保真降噪；在合成与真实隧道数据集上的大量实验验证了该方法在复杂地下条件下的有效性、鲁棒性与泛化能力。