基于深度学习的机载点云分类研究

发布时间：2020-08-20 19:15

【摘要】：在现代科学技术的不断发展和推动下,“智慧城市”,“数字地球”,“数字城市”等一系列新兴理念不断被提出,同时伴随着三维激光扫描技术的日趋成熟,大规模城市数据的采集和获取变得更为简单和便捷,对这些数据的处理和分类是实现城市智能化分析的关键一步。尤其是机载激光扫描的大规模城市点云中包含大量对象类别和许多相邻或重叠的部分,这就为多目标的分类带来了极大的挑战。针对这个问题,本文围绕大规模城市场景的多目标自动化分类提取这一主旨,重点展开了以下几个方面的工作:首先对大规模城市机载点云进行预处理,然后基于近邻空间进行3D最近邻邻域的优化求解,对于每个点云,求解最近邻中的3D特征。类比3D特征的提取方法,将机载点云投影到二维xoy平面,基于2D最优圆邻域提取2D特征,利用基于滤波器的方法和信息增益策略度量进行特征筛选,然后将2D和3D特征进行横向组合,利用构建的卷积神经网络测试文中提出方法的有效性。实验结果表明:组合特征的整体分类效果和3D特征的整体分类结果分别为:94.12%和97.01%。由于AlexNet模型的稀疏特性使其能够充分学习到与训练数据相关的特征,为了进一步提高机载点云的分类效率,本文微调并使用AlexNet对组合特征矩阵进行分类识别,最终整体的精度能达到97.79%。
【学位授予单位】：东华理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN249;TP18

【参考文献】

相关期刊论文 前3条

1 董震;杨必胜;;车载激光扫描数据中多类目标的层次化提取方法[J];测绘学报;2015年09期

2 孙杰;赖祖龙;;利用随机森林的城区机载LiDAR数据特征选择与分类[J];武汉大学学报(信息科学版);2014年11期

3 杨必胜;魏征;李清泉;毛庆洲;;面向车载激光扫描点云快速分类的点云特征图像生成方法[J];测绘学报;2010年05期

本文编号：2798341