5 总结与展望
5.1 本文工作总结
本文通过对国内外建筑物点云分割方法的分析，针对现有研究中的问题，深入探索了大型复杂建筑物点云场景的分割方法。首先，针对大型复杂建筑物分割准确率不高，方法普适性较低的问题，提出了一种基于迭代聚类与模型拟合的建筑物点云分割方法。其次，对于目前深度学习方法对点之间几何特征学习能力不足的问题，设计了一种基于动态特征融合图卷积的点云分割方法。最后，为了补充前两种方法对于建筑物场景复杂屋顶面点云的分割过程复杂以及准确率上的不足，实现一种基于自适应阈值区域增长的复杂建筑物屋顶面的分割方法。本文主要完成的工作具体如下：
（1）本文首先针对目前对于大型复杂建筑物场景的分割工作中仍然存在分割效率低、分割准确率不高的问题，提出了一种基于迭代聚类与模型拟合的建筑物点云分割方法。通过对传统的DBSCAN聚类算法以及RANSAC模型拟合算法的研究，设计了一种新的MS-DBSCAN以及NE-RANSAC算法来提升聚类效率以及模型拟合准确率。并且在这两种算法的基础之上，根据高斯映射的点云分布规律，通过采用迭代提取，分类分割的方式设计了一种由粗分割到精细提取的分割方法。最后通过实验验证了本文方法对于大型复杂建筑物点云场景分割的准确性以及普适性。
（2）通过研究发现现有大多数点云分割网络都未充分利用点之间的几何结构特征，针对此问题，本文设计了一种基于动态特征融合图卷积的建筑物点云分割网络——DFGCNN。第三章重点介绍该网络以及设计的FusionConv模块，该模块首先根据不同感受野携带的特性信息不同，分别使用图卷积以及随机采用的扩张卷积来提取两种感受野下的局部特征。接着通过一种软注意力机制根据特征重要性的不同实现对两个分支上局部特征的自适应筛选融合。经过实验评估验证了本文分割方法的有效性，对比于现有的一些网络，在准确率和交并比指标上都有不同程度的提升，且对建筑物中物体边缘细节的分割更为准确。
参考文献（略）
