基于改进RandLA-Net的车载点云标线识别方法

摘要

针对车载LiDAR点云在道路标线识别中存在几何特征稀疏、遮挡或缺损导致标线模糊，以及复杂场景下边界辨识度低等问题，本文提出一种基于改进RandLA-Net的道路标线点云识别方法．首先，构建混合池化模块融合局部邻域与全局特征，以捕获更广泛的上下文信息；其次，设计特征对比增强模块，通过分析不同点的特征差异，并结合最大特征值和平均特征值的对比，采用特征加权策略，强化关键区域（如箭头、实线边界）的特征响应；最后，提出融合Dice与加权交叉熵的损失函数，以增强模型对边界区域的感知能力．为验证算法鲁棒性，本文构建了两个道路标线点云数据集Toronto-Rdmk和UPM-Rdmk，对其进行实验验证与分析．实验结果表明，本文方法在Toronto-Rdmk数据集上的平均交并比为69.40%，在UPM-Rdmk数据集上为49.06%，分别比RandLA-Net提高了3.17和4.23个百分点．充分证明了所提方法在复杂场景下的有效性，为大规模道路标线点云的自动化识别提供了有力支持．

关键词

车载LiDAR点云 / RandLA-Net / 混合池化模块 / 特征对比增强模块 / 融合损失函数 / 道路标线点云数据集