摘要
三维点云数据能够克服传统的二维图像数据的限制，提供包括物体形状、位置和大小等物体的三维空间信息，支持多种三维数据处理和可视化技术，已成为计算机视觉、自动驾驶、地形测绘和人工智能等行业的重要数据来源。随着各种三维激光扫描仪的广泛使用，点云数据的采集更加方便、普及，从而推动了点云数据的应用范围扩大。三维点云数据的处理成为了目前热门的研究方向之一，点云去噪和分类是点云数据处理的基础，影响后续的点云模型的重构，因而是重要的研究方向，而点云的离散型、无序性使得点云的高精度的去噪和分类极具挑战性。本文针对上述问题进行了研究，主要研究内容分为：基于密度聚类的点云去噪和基于深度学习的点云分类两方面，具体内容如下： （1）在点云去噪方面，针对点云数据中存在的离散点和杂乱点的问题，本文提出一种基于密度聚类的点云去噪方法。首先对大尺度点云噪声采用自适应DBSCAN算法进行聚类去噪，得到粗去噪后的点云数据，然后使用移动最小二乘法对小尺度点云噪声进行平滑去噪。通过对不同尺度的噪声分类处理，可以有效的滤除点云数据中的噪声，相比单一的滤波方法，能够同时保留点云特征细节和有效地去除噪声。通过实验结果表明，本文方法与其他滤波方法通过定量实验对比，噪声去除率更高，有效减少点云数据中的噪声干扰，提高点云数据的准确性和可靠性，从而为后续点云数据的分类奠定了基础。 （2）在点云分类方面，由于点云的非结构性和不规则性，现有点云分类算法未能很好地描述点云的局部特征信息。基于这个问题，本文提出一种基于自适应图卷积的点云分类方法。在图卷积的过程中通过自适应卷积核动态地提取每个点的特征信息，并使用最大池化函数和平均池化函数聚合后再拼接的方法来对特征进行聚合，实现了点云特征的有效提取与聚合。实验结果表明，本文方法在ModelNet40数据集上的平均精度达到了90.6%，总体精度达到了93.3%，在ScanObjectNN数据集上也进行了分类实验，分类网络结构的平均精度为76.1%，总体精度为79.2%，与目前主流的网络模型相比，其精度更高，鲁棒性更强。 综上所述，本文重点研究了三维点云数据处理中的去噪和分类两方面内容，通过本文方法对点云数据进行去噪和分类处理，可以进一步提高点云数据的应用效率，从而推动其在各个行业中的应用。
NETL