激光扫描成像在多源视觉信息感知与识别中的应用

激光扫描成像（laser scanning）是通过激光器以主动发射激光的方式，根据激光测距的原理来感知真实的三维世界。与传统的数字摄影成像技术只能获取场景的二维投影信息相比，通过激光扫描所获取的三维点云数据能充分地表达现实场景中重要的三维几何形状信息以及深度信息。因此，三维点云数据的应用，得到了国内外学者的广泛关注，并获得了一定程度的发展。目前，三维点云数据已经在测绘工程、智能交通、考古研究、文物保护、资源勘探、建筑设计等领域发挥了十分重要的作用。

在机载激光扫描系统方面，加拿大Optech公司生产的ATLM和SHOALS、瑞士Leica公司的ALSSO、瑞典的TopoEyeAB公司生产的TopEye、德国IGI公司的LiteMapper、法国TopoSys公司的FalconⅡ等是当前较成熟的商业扫描系统。同时，当前主要的商业化地面激光扫描系统有：东京大学的VLMS、3D Laser Mapping和IGI公司合资开发的Street Mapper系统、加拿大Optec公司的Lynx系统、瑞士Leica公司的TLS系列、奥地利Riegl公司的VMX系列移动激光扫描系统和VZ系列静态系统、Trimble公司的MX系列系统、澳大利亚Maptek公司的I-Site Vehicle System以及日本Topcon公司的IP-S2 HD。

中国科学院上海光学精密机械研究所联合有关单位，开展了机载双频海洋激光雷达产品化工作。中国测绘科学研究院刘先林院士团队集成生产了一套高精度轻小型国产机载激光雷达系统（SW-LiDAR），该系统主要由Air LiDAR-100机载激光扫描测量仪、国产高精度位置姿态测量系统（POS2010）、单镜头数字航测相机、全球定位系统、高效快速数据处理软件及飞行平台（A2C飞机、动力伞、无人机、多旋翼机等）共同集成。此外，山东科技大学、南京师范大学、中国科学院深圳先进技术研究院也相继研制了车载激光扫描系统。(www.xing528.com)

三维点云数据处理主要包括点云滤波、语义信息提取和数据配准。在三维点云数据滤波方面，Orts-Escolano等人首次提出基于统计学的Growing Neural Gas网络三维点云滤波方法，基于该预处理方法能够获得较好的关键点检测结果。Moorfield等人使用基于偏微分方程形态学算子的滤波方法获得了较好的三维表面重建结果。在三维点云数据语义信息提取方面，Lehtomäki等人提出了一个自动检测三维点云物体的流程，主要步骤包括：地面及建筑物滤除、体分割、物体分割块分类以及物体所在位置估计。为了从点云场景中提取出整个物体，Rodríguez-Cuenca等人提出了利用一个针对垂直物体的检测器来确定三维杆状物的候选区域，进而在候选区域中提取物体整体特征，然后利用分类器对杆状物进行分类。Balado等人结合几何与拓扑信息提出了一种自动城市地表元素分类方法。Riveiro等人基于曲率分析来实现三维点云数据道路分割。Najafi等人引入了更多的先验信息，采用更复杂的非关联的高阶马尔可夫网络来描述更真实的场景语义信息。Qi等人提出了基于深度学习的神经网络Point Net来提取点云数据语义信息。在三维点云数据配准（含粗配准和精配准）方面，Theiler等人使用三维关键点如3D DOG、3D Harris等改进了4PCS（4-Point Congruent Sets）方法进行配准。Monserrat和Crosetto采用最小二乘法约束基于面的点云数据配准。Yu等人在识别表面目标基础上进行配准，也取得了一定的成果。迭代最近点（ICP）方法广泛用于精配准方面，如Bucksch和Khoshelham提出了一种基于树骨架线的点云数据配准方法。另外，Weinmann等人借助SIFT（Scale-Invariant Feature Transform）算法实现了点云数据的高效配准。

在三维点云数据滤波方面，南京大学的王军等人分别设计了一种基于邻域连通性的点云滤波方法，以及一种基于均值漂移聚类和自适应尺度采样一致性的点云滤波算法。中南大学的刘圣军等人提出了一个迭代处理框架。在三维点云数据语义信息提取方面，厦门大学王程团队提出了采用霍夫森林、深度波兹曼机、基于视觉词典的深度模型对目标物进行特征提取，并应用在树木检测、标志牌检测等方面。同时，该团队在大规模三维点云数据线结构提取、道路标志牌、标志线检测、识别等领域也取得了相应的研究成果。武汉大学的杨必胜团队基于提取和分割目标的特征描述，设计了一系列的经验规则来对点云进行分类。北京师范大学的张立强团队为了减少手工标注三维点云训练样本的标注量，提出了一种无监督学习和有监督学习相结合的方法对场景中的样本进行分类。山东大学的陈宝权团队提出了一个简单且通用的点云特征学习框架。在三维点云数据配准方面，中国地质大学、南京信息工程大学的相关团队借助线特征和点特征对点云数据进行配准。香港理工大学的Ge和Wunderlich基于面特征实现了点云粗配准。武汉大学与美国普渡大学研究人员共同开展了加权RANSAC（random sample consensus）方法在精配准中的应用。