BP神经网络的道路场景杆状地物自动分类

发布时间：2022-01-09 02:10

　　针对车载激光扫描数据中杆状地物分类精度不高、自动化程度低的问题,本文提出一种基于BP神经网络的分类方法。首先根据杆状地物点云特征选取10个特征值,获取杆状地物聚类单元的特征向量,构建特征矩阵;然后使用样本集训练BP神经网络模型并保存该分类模型;最后使用BP神经网络分类模型对试验区内的杆状地物进行分类。试验结果表明,该方法对杆状地物的分类精度可达95.34%,验证了文中所述方法对杆状地物分类的有效性。 

【文章来源】：测绘通报. 2020,(04)北大核心CSCD

【文章页数】：6 页

【文章目录】：
1 杆状地物特征向量
2 BP神经网络分类
    2.1 BP神经网络
    2.2 BP神经网络模型及优化
    2.3 杆状地物分类
3 试验分析
    3.1 试验数据及预处理
    3.2 精度分析
4 结论


【参考文献】：
期刊论文
[1]基于多尺度特征和PointNet的LiDAR点云地物分类方法[J]. 赵中阳,程英蕾,释小松,秦先祥,李鑫.  激光与光电子学进展. 2019(05)
[2]一种基于高度差异的点云数据分类方法[J]. 马东岭,王晓坤,李广云.  测绘通报. 2018(06)
[3]车载LiDAR点云路灯提取方法[J]. 李永强,董亚涵,张西童,李鹏鹏.  测绘学报. 2018(02)
[4]车载LiDAR场景中路灯的提取与识别[J]. 张西童,刘会云,李永强,黄腾达,李有鹏.  测绘工程. 2016(09)
[5]支持向量机的车载雷达点云目标识别[J]. 李海亭,王厚之,李艳红,汪汇兵.  测绘科学. 2016(05)
[6]基于知识的车载LiDAR地物自动分类[J]. 冯义从,岑敏仪,张同刚.  计算机工程与应用. 2016(05)
[7]SVM用于LiDAR数据的地物分类[J]. 乔纪纲,陈明辉,艾彬,张亦汉.  测绘通报. 2013(07)
[8]车载激光扫描数据的地物分类方法[J]. 谭贲,钟若飞,李芹.  遥感学报. 2012(01)

博士论文
[1]车载移动测量系统数据配准与分类识别关键技术研究[D]. 李艳红.武汉大学 2014



本文编号：3577738