【读论文】点云智能研究进展与趋势（2019）

【读论文】点云智能研究进展与趋势（2019）
杨必胜
doi: 10.11947/j.AGCS.2019.20190465

文章目录

• 摘要：
  • 该研究系统性地分析与解决了现有三维散点数据采集设备组存在的关键问题
  • 提出了基于多源数据融合的新一代数据采集体系
  • 关键词：
    • 点云大数据
    • 大规模场景建模
    • 智能化测量系统
    • 数字化建模技术
  • 点云大数据采集装备：
    • 主要包含高精度激光扫描仪、多通道采样仪及智能处理系统等核心组件
  • 点云场景：
    • 覆盖自可视化监测到智能化应用的全生命周期管理框架
    • 包括自可视化监测、动态重建与更新等基础功能模块
    • 并支持自适应复杂环境下的精准测量与建模
  • 展望：
    • 针对当前研究中存在的技术瓶颈问题提出了若干研究重点
    • 包括提升数据处理算法效率、优化硬件性能指标等方向
    • 计划通过建立完善的数据验证体系来确保研究成果的实际应用价值

摘要：

伴随着激光扫描和倾斜摄影等主流技术为基础的各种现实采集设备迅速发展的同时, 点云技术已逐渐取代传统的矢量地图和遥感影像, 成为与之相媲美的第三种重要时空数据来源, 并在多个关键领域如地球科学、空间认知以及智慧城市等方面发挥着越来越重要的作用。研究者们面临的首要挑战是如何高效地从海量散乱点云数据中提取精确的空间地理信息, 这一过程既是测绘地理学科的核心问题之一, 同时也是复杂的大规模三维地理信息获取与建模的重要难点。面对这一系列难题, 点云智能应运而生, 它不仅提供了一种全新的解决方案, 更成为突破上述关键技术瓶颈的有效途径。本文重点探讨了点云智能中的三个核心方向：基于大数据处理理论的方法论创新; 通过智能化算法实现的数据特征提取与分析技术突破; 以及在重大工程项目的实际应用价值提升方面的新探索。此外, 还展望了未来point cloud intelligence可能的发展趋势与研究方向, 旨在为相关领域的研究者提供参考与启发

关键词：

点云大数据；点云智能；语义标识；结构化建模；深度学习；广义点云

点云大数据采集装备

点云场景：从可视化量测到智能化场景

展望：

完善点云大数据存储和更新机制的建设与维护工作, 作为实现点云高效应用的基础技术支撑, 为点云的深入挖掘和广泛应用提供有力的技术保障。

建立面向新型基础测绘的点云三维信息提取与建模的技术标准体系，并以此指导相关行业的技术标准制定工作以支持实景三维中国建设以及自然资源的监测工作

推进基于地球大数据的三维空间数据精确解析工作，并整合人工智能与深度学习技术，在全球范围内构建覆盖各类场景的大规模三维信息处理体系；

研发一套集采集、处理与服务于一体的智能化装备系统，并为重大基础设施（如电网、高铁及交通等）提供健康管理服务。

[1]杨必胜, 董震. 点云智能研究进展与趋势[J]. 测绘学报, 2019, 48(12):11.
[27] GUO Yulan, SOHEL F, BENNAMOUN M, et al. Rotational projection statistics for 3D local surface description and object recognition[J]. International Journal of Computer Vision, 2013, 105(1):63-86.旋转投影统计在三维局部曲面描述和物体识别中的应用
[38] LALONDE J F, VANDAPEL N, HUBER D F, et al. Natural terrain classification using three-dimensional LiDAR data for ground robot mobility[J]. Journal of Field Robotics, 2006, 23(10):839-861.基于三维激光雷达数据的地面机器人自然地形分类
[39] RUSU R B, BLODOW N, BEETZ M. Fast point feature histograms (FPFH) for 3D registration[C]//Proceedings of 2009 IEEE International Conference on Robotics and Automation. Kobe, Japan:IEEE, 2009:3212-3217.用于3D配准的快速点特征直方图（FPFH）
[40] DONG Zhen, YANG Bisheng, LIU Yuan, et al. A novel binary shape context for 3D local surface description[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130:431-452.
[43] MATURANA D, SCHERER S. VoxNet:a 3D convolutional neural network for real-time object recognition[C]//Proceedings of 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems. Hamburg, Germany:IEEE, 2015:922-928.用于实时对象识别的3D卷积神经网络
[44] SU Hang, MAJI S, KALOGERAKIS E, et al. Multi-view convolutional neural networks for 3D shape recognition[C]//Proceedings of 2015 IEEE International Conference on Computer Vision. Santiago, Chile:[s.n.], 2015:945-953.用于3D形状识别的多视图卷积神经网络
[45] QI C R, SU Hao, MO Kaichun, et al. PointNet:deep learning on point sets for 3D classification and segmentation[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, HI:IEEE, 2017:77-85.深度学习用于3D分类和分割的点集
[46] YANG Bisheng, DONG Zhen, LIU Yuan, et al. Computing multiple aggregation levels and contextual features for road facilities recognition using mobile laser scanning data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 126:180-194.使用移动激光扫描数据计算用于道路设施识别的多个聚合级别和上下文特征
[47] YANG Bisheng, DONG Zhen, LIANG Fuxun, et al. Automatic registration of large-scale urban scene point clouds based on semantic feature points[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 113:43-58.
[51] GUO Yulan, SOHEL F, BENNAMOUN M, et al. A novel local surface feature for 3D object recognition under clutter and occlusion[J]. Information Sciences, 2015, 293:196-213.一种新的局部表面特征，用于杂波和遮挡下的三维物体识别
[52] GUO Yulan, BENNAMOUN M, SOHEL F, et al. A comprehensive performance evaluation of 3D local feature descriptors[J]. International Journal of Computer Vision, 2016, 116(1):66-89.3D局部特征描述符的综合性能评估
[53] HUANG Rong, HONG Danfeng, XU Yusheng, et al. Multi-scale local context embedding for LiDAR point cloud classification[J]. IEEE Geoscience and Remote Sensing Letters, 2019, DOI:10.1109/LGRS.2019.2927779.用于LiDAR点云分类的多尺度局部上下文嵌入
[54] ZHANG Wuming, QI Jianbo, WAN Peng, et al. An easy-to-use airborne LiDAR data filtering method based on cloth simulation[J]. Remote Sensing, 2016, 8(6):501.一种基于布模拟的易于使用的机载激光雷达数据滤波方法
[55] KANG Zhizhong, YANG Juntao. A probabilistic graphical model for the classification of mobile LiDAR point clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 143:108-123.移动LiDAR点云分类的概率图形模型
[58] XIONG B, OUDE ELBERINK S, VOSSELMAN G. A graph edit dictionary for correcting errors in roof topology graphs reconstructed from point clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 93:227-242.
[59] JARZABEK-RYCHARD M, BORKOWSKI A. 3D building reconstruction from ALS data using unambiguous decomposition into elementary structures[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 118:1-12.基于ALS数据的三维建筑重建
[60] XIA Shaobo, WANG Ruisheng. Extraction of residential building instances in suburban areas from mobile LiDAR data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 144:453-468.从移动激光雷达数据中提取郊区住宅建筑实例
[61] ZHANG Liqiang, LI Zhuqiang, LI Anjian, et al. Large-scale urban point cloud labeling and reconstruction[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 138:86-100.大规模城市点云标记与重建