基于体素化的深度置信网络车载LiDAR点云分类

发布时间：2021-12-19 19:00

　　车载Li DAR点云数据具有密度大、场景复杂、目标丰富、遮挡、透射情况更加严重以及含有噪声等特点,导致车载激光雷达点云数据分类困难,三维场景目标提取识别方法自动化程度不高、识别准确率不高。针对目前三维场景中目标识别率低的问题,本文在综合前人基于预定义规则、机器学习、深度学习进行点云分类的基础上,提出了以特征为输入的一种深度置信网络模型,将三维场景分类为地面、低植被、高植被、建筑物、电力线、杆状地物六类。主要研究内容如下:对于城区的Li DAR彩色点云数据,本文首先进行体素化,并在分析点云数据特点和总结前人经验的基础上提取了用于描述体素内点簇的几何特征、色彩特征,通过计算构成了体素的24维特征向量。本文构建了后向传播DBN和联想记忆DBN两种深度置信网络,以体素的特征向量作为网络的输入进行点云分类。通过实验探索了网络节点数以及体素尺度大小对点云分类总体精度的影响,并比较了两种不同网络及常用的机器学习分类器的分类效果。实验结果表明,两种网络都取得了较好的分类精度,总体在90%以上。本文对比了两种网络结构对实验数据的分类效果,发现后向传播DBN比联想记忆DBN取得了较高的总体分类精度。同时本... 

【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

本文技术路线图

再利用前文所设置的模型在三维空间各个方向的分辨率将这个已经建立间包围盒子划分为单个的小体元，经过这个步骤我们就可以求得三维体表，当然我们一般情况下假设每个方向的分辨率相等的话，得到的体素就是当前包围盒的各个边长与分辨率的商。而后我们可以利用模型表面或者三角形与当前包围盒的交，得到表面的体素位置，将所有的交接位素进行标记这样就得到了表面的体素，完成了表面的体素化。二步就是对模型的内在三维空间的结构进行体素化操作的过程，在这个我们可以把前文所述的表面体素化后的模型当成一个外壳模型来看待，们就需要把这个外壳包围的三维空间，也就是模型内在的空间进行体素理。这里一般我们用到的方法就是将所要将进行体素化的模型内在空间叉树建立，然后根据射线发散法或扫描法进行加速处理，这样可以快速内部的体素化过程。

图 2-2 体素示意图如图 2-2 所示，当浅蓝色的体素所在位置为（x，y，z）情况下，则黄色所位置为（x，y+1，z+1）。当然所有的体素框都是不存在的，每个点云都可坐标和体素边长计算得到对应点的体素位置。这里的体素只是相对于平面像素而言的。体素化后每个体素空间内可能包含的点云数量是不均匀的。素空间大小一致的情况下，实验所用数据的点云密度等因素都会影响到体点的个数。体素化点云的特征提取本文中主要利用了基于体素化的特征向量，所以对于分类特征的提取和整文的工作重点。特别是对于点云分类深度置信网络来讲，输入的特征对最的输出，也就是对原始点云的抽象表达是很重要的。在很大程度上会影响度。由于车载 LiDAR 点云数据采集的场景特别的复杂，里面包含的地物

【参考文献】：
期刊论文
[1]受限波尔兹曼机[J]. 张春霞,姬楠楠,王冠伟.  工程数学学报. 2015(02)
[2]一种数值属性的深度置信网络分类方法[J]. 孙劲光,蒋金叶,孟祥福,李秀娟.  计算机工程与应用. 2014(02)
[3]玻尔兹曼机研究进展[J]. 刘建伟,刘媛,罗雄麟.  计算机研究与发展. 2014(01)
[4]基于BM神经网络编码的生理信号情感识别[J]. 潘闻特,申丽萍.  计算机工程与设计. 2012(03)

博士论文
[1]基于协同过滤视角的受限玻尔兹曼机研究[D]. 罗恒.上海交通大学 2011



本文编号：3544899