Mobile laser scanning (MLS), which can quickly collect a high-resolution and high-precision point cloud of the surroundings of a vehicle, is an appealing technology for three-dimensional (3D) urban scene analysis. In this regard, the classification of MLS point clouds is a common and core task. We focus on pointwise classification, in which each individual point is categorized into a specific class by applying a binary classifier involving a set of local features derived from the neighborhoods of the point. To speed up the neighbor search and enhance feature distinctiveness for pointwise classification, we exploit the topological and semantic information in the raw data acquired by light detection and ranging (LiDAR) and recorded in scan order. First, a two-dimensional (2D) scan grid for data indexing is recovered, and the relative 3D coordinates with respect to the LiDAR position are calculated. Subsequently, a set of local features is extracted using an efficient neighbor search method with a low computational complexity independent of the number of points in a point cloud. These features are further merged to produce a variety of binary classifiers for specific classes via a GentleBoost supervised learning algorithm combining decision trees. The experimental results on the Paris-rue-Cassette database demonstrate that the proposed approach outperforms the state-of-the-art methods with a 10% improvement in the F1 score, whereas it uses simpler geometric features derived from a spherical neighborhood with a radius of 0.5 m.

中文翻译：

---

基于原始数据的城市场景移动激光扫描点云逐点分类

移动激光扫描 (MLS) 可以快速收集车辆周围环境的高分辨率和高精度点云，是 3D (3D) 城市场景分析的一项有吸引力的技术。在这方面，MLS 点云的分类是一项常见且核心的任务。我们专注于逐点分类，其中通过应用涉及从点的邻域派生的一组局部特征的二元分类器，将每个单独的点分类为特定的类。为了加快邻居搜索并增强逐点分类的特征差异性，我们利用光检测和测距（LiDAR）获取并按扫描顺序记录的原始数据中的拓扑和语义信息。首先，恢复用于数据索引的二维（2D）扫描网格，并计算相对于 LiDAR 位置的相对 3D 坐标。随后，使用具有低计算复杂度的高效邻域搜索方法提取一组局部特征，与点云中的点数无关。这些特征通过结合决策树的 GentleBoost 监督学习算法进一步合并，为特定类别生成各种二元分类器。在 Paris-rue-Cassette 数据库上的实验结果表明，所提出的方法优于最先进的方法，F1 分数提高了 10%，而它使用了从具有半径的球形邻域派生的更简单的几何特征0.5 m。使用高效的邻居搜索方法提取一组局部特征，其计算复杂度低，与点云中的点数无关。这些特征通过结合决策树的 GentleBoost 监督学习算法进一步合并，为特定类别生成各种二元分类器。在 Paris-rue-Cassette 数据库上的实验结果表明，所提出的方法优于最先进的方法，F1 分数提高了 10%，而它使用了从具有半径的球形邻域派生的更简单的几何特征0.5 m。使用高效的邻居搜索方法提取一组局部特征，其计算复杂度低，与点云中的点数无关。这些特征通过结合决策树的 GentleBoost 监督学习算法进一步合并，为特定类别生成各种二元分类器。在 Paris-rue-Cassette 数据库上的实验结果表明，所提出的方法优于最先进的方法，F1 分数提高了 10%，而它使用了从具有半径的球形邻域派生的更简单的几何特征0.5 m。这些特征通过结合决策树的 GentleBoost 监督学习算法进一步合并，为特定类别生成各种二元分类器。在 Paris-rue-Cassette 数据库上的实验结果表明，所提出的方法优于最先进的方法，F1 分数提高了 10%，而它使用了从具有半径的球形邻域派生的更简单的几何特征0.5 m。这些特征通过结合决策树的 GentleBoost 监督学习算法进一步合并，为特定类别生成各种二元分类器。在 Paris-rue-Cassette 数据库上的实验结果表明，所提出的方法优于最先进的方法，F1 分数提高了 10%，而它使用了从具有半径的球形邻域派生的更简单的几何特征0.5 m。