基于无人机激光点云分类方法研究综述.pdf

信息通信基于无人机激光点云分类方法研究综述杨义乾（三峡大学，湖北宜昌4430 0 0）摘要：三维点云为无人机在做树障分析过程中的关键数据，能有效的表示物体特征信息。点云分类，是指通过物体属性特征对周围事物和状态的分类标记，给每个点划分一种语义标记，从而识别特定物体。文章在点云分类任务分析的研究基础上，通过国内外研究成果对分类技术加以归纳，并分别介绍了四种分类技术的基本概念，详尽阐述了四种划分方式和常见的划分技术以及进行研究，并分析归纳了各个分类技术不足之处，针对当前分类技术的发展状况，介绍了点云分析技术的发展热点与未来发展趋势。关键词：激光雷达；点云分类；深度学习；关键应用中图分类号：P231Summary of research on laser point cloud classification based on UAVAbstract:3D point cloud is the key data of UAV in the process of tree obstacle analysis,which can effectively represent the ob-ject feature information.Point cloud classification refers to the classification and marking of surrounding things and states byattribute features,and the division of a semantic mark for each point.Based on the research of point cloud classification taskanalysis,the classification technology is summarized through domestic and foreign research results,and the basic concepts ofthe three classification technologies are introduced,the three classification methods and common classification technologies are elab-orated,and the research is carried out,and the shortcomings are analyzed and summarized.According to the current development of clas-sification technology,this paper introduces the development hotspot and future development of point cloud analysis technology.Keywords:laser radar;Point cloud classification;Deep learning;Key applications由于三维激光扫描技术的发展和广泛应用，点云数据的采集越来越方便和廉价，点云分析技术也已成为了三维电脑可视化应用领域的科研热点。在遗址环境保护，机器人，照相等方面也有着越来越广阔的应用领域。点云分类，也就是在繁杂不规则的点云抽取人造和天然地物要素的流程，是对大场景进行三维场景重建和数据模型生成等后期研究的重要基石，基于点云具备海量，离散，精准等特点，针对规模，大场景的点云，怎样迅速地获取其语义信息，毫无疑问，需要对其作出合理分类。由于在计算过程中，经常会收到噪音、阻碍和干扰信息，这也就给点云的语义标记提供了诸多困难。因传统点云分类法获得结构特点的方法有所差异，因此本文将三维点云分类方法分为了四个类别：根据点的类别，根据机器学习方式的类别，根据深度学习的类别及其根据更多融合特性的点云分类法，并对各个方法做了详细地介绍与总结。1基于点的分类方法点签名法（Point Signature），是由Chua等人在19 9 4年发明的。签名距离是由平面法向量和参考向量之间的旋转距离拟合在每个点的球半径邻域和目标的交线C上得到的，即每个点的签名，然后再利用匹配签名进行排序。这种技术尽管减少了一阶导数的运算步骤，但对于模糊信息的处理性能仍不理想。在外部信息中，根据点云形状特征有些科学家可以对点云作出判断，包括旋转图像中的体素网格；文献中给出了一个旋转图像法，利用二维数据形成的螺旋图像可以表示三维点云，从而有效的克服了多目标分析中对于大区域内的遮挡物体无法实现有效辨识的问题。董等人给出了一个利用激光收稿日期：2 0 2 3-0 2-13作者简介：杨义乾（19 9 7-），男，河南周口人，研究生，硕士，主要研究方向：计算机和通信网络。2023年第0 5期(总第2 45期)文献标识码：A文章编号：2 0 9 6-9 7 59(2 0 2 3)0 5-0 0 40-0 4YANG Yiqian(China Three Gorges University,Yichang,Hubei 443000)扫描数据的多目标层次化获取方案，该方法通过使用目标点云的形状、激光反射程度、法矢量大小、主方位等特征产生超体素，可用于小尺度场景中多目标点云的快速分割和分类，在识别没有树冠的树木和被大树遮挡的路灯时仍存在识别错误的问题。2基于机器学习的分类方法通过机器学习技术对点云的分析实质上是在模型的支持下对数据的自动选择和排序。国内众多专家做出了丰富的成果，通过机器学习技术进行特征云分析，关键是通过模型实现数据的自动选择与排序，国内不少专家创造出不少成果，常见的监督式学习包含：随机森林，支持向量机（SVM)，马尔可夫随机场等。如孙等人就提供了一个基于随机森林的城市航空点云识别方法，该方法可以根据几何纹理、空间特性以及其他特性对城市特点进行划分，试验结果显示，自动特征选择的准确度略高于所有特征选择，通过特征选择，在减少特征的情况下仍能够达到较高的分类精度。1995年，Drucker等人整理总结了向量机支持向量机的数学思想，支持向量机将数据和构建的模型分成两组。最优模型通过求解凸二次规划来获得是其基本思想，从而可以正确有效地划分点云计算集合，并求解最大划分超平面，大多数节点云分类任务都采用非线性支持向量机进行划分，分类任务的决策函数采用核函数作为内积，核函数的选择对最终的分类结果有重要影响。Lai等 2 在构造核函数时，运用了小波分析的基本理论，并利用小波函数的局部化特征构造了各种类型的小波支持向量机，解决了过拟合和欠综合现象，该方式具备较强的鲁棒性。40Changjiang Information&Communications由于不同类型数据之间的特征差异较小，提出了结合一组基础分类器来确定输出结果的集成学习，并使用SVM集成来提高判别能力，SVM以前的内核函数通常会导致欠拟合或过度拟合，从而降低泛化性能。因此,利用一系列基于小波分析的核函数来构造不同的小波支持向量机（WSVM)，以提高集成系统的异构性。同时，支持向量机的参数对分类结果有显著影响。本文通过WSVM集成对FWL点云进行分类，并利用粒子群优化来求解WSVM的最优参数，实验结果表明，所提方法具有鲁棒性和有效性，适用于一些实际工作。Wu等3还提出了多维度基于SVM分割器的基本理论，根据不同尺度的空间结构对点云进行划分，从而形成不同层次的划分，并确定条件概率模型来完成最终的划分，从而实现了自动地在与激光雷达点云分离的数字高程模型。SVM分类器具备了良好的泛化功能，对地球表面和其他陆地物体类型的显示中，分类效率和准确性都得到了提升，当物体数量被激光雷达中探测到的数量较少时，良好的可解释性也被分析人员广泛使用，但在大量点云训练中速度较慢，不适合多目标提取的复杂场景。3基于深度学习的分类方法Qi等人首先突破常规，建立了一个名为PointNet的网络系统，传统的卷积神经网络是对图像像素进行卷积，如果在不同方向将点云数据进行投影，再利用卷积神经网络也能实现ClassificationNetworkinputsiuodndutransformExuxuT-Net3元3transformmatrixmultiplyHierarchicalpointsetfeaturelearning杨义乾：基于无人机激光点云分类方法研究综述分割，但是算法复杂且效果不好。如图1所示，可以将框架分成两个部分，第一个部分用于提取全局特征，第二个部分用于点云分类或者点云分割。对于第一个部分，首先是通过一个仿射变换模块(T-Net)对数据做仿射变换，然后由共享的多层感知器(MLP)逐点提取特征，此时数据维度为6 4，然后又经过一个T-Net模块做放射变换，再由共享的多层感知器逐点提取特征，此时的数据维度为1024，最后再经过maxpool得到一个10 2 4维的向量。对于第二个部分，如果是点云分类任务，可以直接将全局特征输入mlp预测scores，如果是点云分割，那么需要将全局特征与每个顶点向量cat起来，然后输入给mlp对每个顶点分类。PointNet考虑的是直接输入点云数据，实现一个端到端的网络。但是点云数据不同于图像数据，首先是点具有置换不变性，即交换任意点之间的位置，不会对整体造成影响。该网络系统旨在克服点云排列不变性和旋转刚性等难题，其一般方法是通过将收集到的原始点云进行输入，获取特性则通过多个传感器来实现，其次利用最大池化层进行对称函数来整合特征向量实现全域特性，最后通过利用多级传感器（MultiLayerPrecep-tion,MLP)来实现特征分类功能。PointNet与当下主流网络不符，只是做了全局信息的融合，并没有考虑局部信息的语义，其次点之间的特征关系并没有考虑,对于局部特征PointNet由于无法在度量空间中捕获，影响了其区分细粒度模式和推广到复杂环境的能力。mlp(64,64)featuretransformsharedt9xuT-Net64x64transformmatrixmultiply图1PointNet网络结构图Segmentationmlp(64,128,1024)t9xusharednx1088mlp(512,256,128)2+Ci)(Ni.d+C2+maxNpool1024nx1024global featurepoint featuressharedskiplinkconcatenation(Ni.d+C)mlp(512,256,k)KoutputscoressharedIxumlp(128,m)(N.d-CH4C)(N.k)(N.d+C)(NI.K.d+C)(NI.d+CI)(N2,K.d+CI)(N2.d+C2)interpolateClassificationsampling&pointnetgroupingsetabstraction41unitpointnet(1.C)sampling&pointnetgroupingset abstractioninterpolatepointnetfully connected layers图2 PointNet+网络结构图unitpointnetper-pointscores(k)Changjiang Information&Communications为满足这种情况，人们提出了一个叫做PointNet+的分层神经网络，它先根据空间距离的度量将点云划分到一些局部的区域中，这些区域可以是重叠的，再对每个小区域采用pointnet聚合特征，将每个区域聚合成一个带有特征向量的点，到此为止，庞大的点云转化为了：少量的点+包含区域特征的特征向量。处理和抽象一组点产生具有较少元素的新集合。获得的新点云重复上面的工作，以扩大特征深度和广度，它的另一个重点就在于提供了一个多层次的特征提取系统，当人们对点云进行处理后，先选择某点为中心点，然后通过多尺度领域分析对中心点按相应的范围框选区域，之后再对各个区域通过PointNet网络来获取的特点，之后再依次扩展中心点区域，然后反复地对的特点进行分组。试验结果，达到了良好的性能。上述方案中都未充分考虑到点云的色彩，形状等相关数据信息，但由Roman等人提供了一个DeepKd-Networks，网络系统可将各种数据信息内容的颜色、反射光强、法向量属性作为输入，并使用Kd-tree技术将点云架构化，掌握树中每个节点的相对权重关系，在ModelNet数据集的准确度可以超9 0.6%，但由于该网络对噪音和转速很敏感，对各个节点需要上采样或下采样，这将产生巨大的计算成本。根据上述研究进展，Li等人提出了一个更简单，更通用的点云理论框架一一Poin-tCNN，对于图像分割和点云分割，区别在于图像是固定的，而点云是无序的、不规则的。PointNetpointnet+通过maxpooling（对称函数）实现排序不变性；但是，会丢失一些本地信息，当点云像图像一样直接卷积时，输出会不一致（相同形状的点云可能有不同的排序方法）。如图3所示。Ja2Tafa111图3点云卷积fu=Conu(K,fa,fo,fe,fa)fu=Con(K,fa,fo,fe,falT)fiu=Con(K,fa.fo,fe,fa)点云特征提取可以通过多层感知法在输入点上做一个转换阵，把无序的点云转换成有序点云，在ModelNet中的准确度可以达到91.7%，但是由于置换矩阵离预想相距甚远，点云的排序问题也是个难点，而且由于这个技术要根据单点云模型来定位，所以针对不同场景下的点云数据定位仍是待以解决的难题。poin-tcnn也是直接对点云数据进行处理，并没有转化为其他的数据形式。4基于多融合的点云分类方法基于分类器的生物分类技术虽然在进行单一动物和地物划分时效率较高，但特征需要人工训练和分类，分类过程中条件选择的可靠性较差。尽管基于深度学习的点云分析技术由于其网络模型的特点，减少了人工获取特征信息所引起的分类误差的复杂性，但训练和估计结果需要很长时间，尤其是在大型复杂场景的分析中，更多的学者考虑把二个分析方式融为一体，综合各自的优势来优化分析模型架构，加速处理点云杨义乾：基于无人机激光点云分类方法研究综述的分析流程。随着三维数据资源的普及，三维形状识别成为必然。Ho-ang等将CNN技术与多项式核SVM分割器技术相结合，八层CNN成为获取特征的主要方法，利用支持向量机分割器对点云进行分析，并通过实验证明该方法具有较高的精度，持续时间也得到了相应的减少。三维网格的顶点被插值转换为点云；这些点云被旋转用于3D数据增强。将该三维增强数据的二维投影存储在一个32 32 12 矩阵中，作为CNN-SVM的输入数据，采用八层CNN作为特征提取算法，然后采用支持向量机进行分类特征提取 5。Plaza leiva等 提供了一个可以将VoxNet与SVM分类器结合使用的架构，可以透过利用KNN算法来估计体素点以及邻域的特性，并且将非重复提速中的点分派给相同类型，之后再把特点当作输入来训练SVM分类器，从而极大地缩减了特征提取工作的时间时限，通过实现和比较不同的监督学习分类器，使用简单的基于体素的邻域计算，其中规则网格中每个非重叠体素中的点通过考虑体素本身定义的支持区域内的特征分配给同一类。该贡献提供了离线训练和在线分类程序，以及基于主成分分析的散点、管状和平面形状的五种备选特征向量定义，作者通过支持向量机（SV M）、高斯过程（GP)和高斯混合模型（GMM)，评估了该方法的可行性，分类性能指标和处理时间测量证实了神经网络分类器的优点和基于体素的邻域的可行性。Zhao等人 7 将基于像素块的与SVM划分技术相结合,采用八又叉树结构对体素化的地面点云进行了划分，并采用提体素云连通式划分技术来得到了超提体素，并将从像素块尺度上所获得的数据用SVM分类器进行了划分，结果表明在进行地面点和非地面点划分时有很大的区别准确性。Rehush8等3人则把随意树林与CNN方法加以融合，可以获取比较完善的局部特性并训练分类器，利用点云的三视图来训练CNN网络d系统，并加权结合了随意树林与CNN网络方法的分析结果，iv在地面分析上可以得到比较好的效果结果。5结语文章主要从点云的方式，特征提取方法，点云分类技术这(1)三方面阐述了目前三维点云分析技术的研发情况与发展。总的来说，虽然采用重点特征的分类技术也可以进行分类辨识工作，但由于采用了人工的数据、运算量大、费时长，且针对复杂环境和存在遮挡的多项目分类技术的工作处理效率并不佳，而通过机器学习技术实现的点云分类主要针对远距离图像的颜色、反射强度、几何特征等特征进行认知与获取，使分析工作更为自动化和智能化。此外，由于点云是非常离散和无序的，点云中可以有多个网格，所以它们不能全部输入到网络中，要将学习技术应用于三维点云，很难在点云中找到符合各种排列方式的矩阵，把机器学习和深度学习结合，可以综合各自的优点来完善分类的框架，从而加速处理点云中的分析进程。综上，怎样来获得具有强的表达能力的数据，并且增加三维数据的自识别能力成为未来点云识别技术研发中急需解决的难点。参考文献：1 Drucker,Harris,Donghui.Support Vector Machines for SpamCategorization.J.IEEE Transactions on Neural Networks,1999,10(5):1048-1048.（下转第46 页）42Changjiang Information&Communications据格式处理。（1)时间项处理：以时间项“2 0 2 2-0 8-18 16:14:2 9 为例，其对应的时间戳为“16 2 9 2 7 446 9 0 0 0”。接下来对监控的时间项进行归一化操作：-tuan(A=toa-tsan)t=式中，设-30 0 0 0 0 mS，设窗口结束时间戳tem=1629274769000，且监控数据时间戳为t=1629274769000，则tstar=1629274469000，归一化处理后的1。(2)数据项处理：对于性能指标数据主机CPU、内存、IO,基础指标数据（主机状态、数据库新链接是否正常）、业务日志（业务办理过程中各服务提供的业务办理日志）。处理后的监控数据格式统一转换为维度key-value 的形式。3.3缓存通道将采集到且预处理过的监控数据的性能指标数据、基础指标数据、业务日志数据写入Kafka通道。3.4 AI智能计算从Kafka通道获取充值场景的监控数据进行加工计算。(1)三维统计计算：将IaaS、Pa a S性能指标和基础指标按照业务场景ID、I P、时间戳三个维度进行统计分组。(2)多维统计计算：按照充值场景涉及的服务（SGW、集团SR、省SR、采预中心来进行具体的订单日志分组。3.5告警收敛AI智能计算的数据结果指标，基于充值场景的业务架构进行业务日志串联和IaaS、Pa a S监控指标关联。(1)指标收敛颗粒度：取5分钟内充值场景的IaaS基础监控指标、性能监控指标、订单业务受理日志。(2)业务架构和数据流收敛：按照业务架构将充值场景同一订单的业务受理日志数据串联并关联IaaS、Pa a S监控指标。(3)时间相关性算法过滤收敛：过滤充值场景一直存在且不影响业务的告警数据。(4)面积权重算法关键告警提取：按照充值场景的汇聚后的各类指标根据业务流转的面积权重，最终将业务办理报错告警、数据库连接告警、数据库状态告警、主机状态告警，统一收敛归并成主机状态告警，提取关键告警信息。（5）告警过滤筛选：过滤掉业务告警、数据库告警等不重+（上接第42 页）2 Lai X D,Yuan Y F,Li Y X,et al.Full-Waveform LiDA RPoint Clouds Classification Based on Wavelet Support Vector Machine and Ensemble LearninglJJ.Sensors,2019,19(14):3191.3 Wu J,Liu L,Rong L.Automatic DEM Generation from Aer-ial Lidar Data Using Multi-Scale Support Vector MachinesJ.Proceedings of SPIE-The International Society for Op-tical Engineering,2011,8006:8.4 Yang yan Li,Rui Bu,Mingchao Sun and Baoquan Chen.PointC NNC.CVPR,arXiv:1801.07791,2018.1.26.5 Hoang L,Lee S,Kwon K.A 3D Shape R ecognition MethodUsing Hybrid Deep Learning Network CNN-SVMJJ.Elec-孙亚尼：基于AI技术的智能运维(AIOps)告警模式研究与应用要的告警信息，只保留权重最大（最重要）的告警。（6）告警根源分析：套用充值场景根源告警模型，结合历史告警知识库，分析得出告警根源是：每月2 号出账后充值量较大导致数据库服务器压力较大，所以考虑对数据库服务器做扩容操作。(1)3.6发送告警将收敛归并后的充值场景涉及的某主机宕机的一条告警发送给运维人员，极大地减少了运维人员告警接收IaaS/PaaS/SaaS三层重复告警信息条数。4总结在当前云化环境、分布式微服务架构下，传统的运维模式已难以维系,不断引进的新技术应用与规模不断增长的基础架构造成了实际管理需求的不断变化与挑战，而愈发吃紧的运维预算成本又再三强调要在效率与保障之间寻找平衡点 2 。信息化的数字化发展离不开运维数字化，而运维的数字化转型，迫切需要在智能运维（AIOps)场景体系引领下，与AI算法的有机结合。本文对智能运维（AIOps)告警模式展开研究和应用，提出基于AI技术的创新技术方案，方案中结合AIOps时间相关性过滤算法、面积权重算法，同时兼顾IaaS/PaaS/SaaS三层网络拓扑关系、宿主机承载关系、业务服务调用关系创建多层收敛策略，运维人员可以自定义告警收敛基准选定告警维度信息组合，达到准确有效的告警归并效果，减少重复告警量，减轻运维工作人员的工作量，提升运维工作效率，实现降本增效。5展望初尝智能运维（AIOps），与AI技术的结合已经给我们带来了惊喜，可以预见，AIOps是运维未来的必然方向。除了运维告警效率的提升，还有很多运维领域值得去探索、研究和实践。随着新技术的不断迭代，IT运维自动化能力将有更大的提升。参考文献：1郑金辉,智能运维引领IT运维进入智能化时代 ,计算机与网络,2 0 2 1,第47 卷(1):44-45.2汤斌,大数据定义智能运维 M,北京,机械工业出版社,责任编辑：曹雅君,陈崇昱,2 0 19.12,4-5.+tronics,2020,9(4):649-663.6 Plaza L V,Antonio G R J,Mandow A,et al.Voxel-BasedNeighborhood for Spatial Shape Pattern Classification ofLidar Point Clouds with Supervised LearningJ.Sensors,2017,17(3):594-611.7 Zhao H,Xi X,Wang C,et al.Ground Surface R ecognition atVoxel Scale From Mobile Laser Scanning Data in Urban En-vironmentJ.IEEE Geoscience and R emote Sensing Let-ters,2020,17(2):317-321.8 ehush N,Abegg M,Waser L T,et al.Identifying Tree-R el-ated Microhabitats in TLS Point Clouds Using MachineLearningJ.R emote Sensing,2018,10(11):1735-1758.+46