基于深度残差网络的机载LiDAR点云分类

发布时间：2022-11-05 12:53

　　机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。 

【文章页数】：12 页

【文章目录】：
1 基于DRN的机载LiDAR点云分类
    1.1 低层次特征的提取
    1.2 点云特征图的生成
    1.3 点云深度特征的提取
    1.4 分类模型构建与后处理
2 试验分析与对比
    2.1 试验数据与方法
    2.2 试验1:尺度和视角数量的影响
    2.3 试验2:训练样本数的影响
    2.4 性能对比与分析
3 结 论


【参考文献】：
期刊论文
[1]一种由粗到精的机载激光测深信号检测方法[J]. 王丹菂,徐青,邢帅,林雨准,李鹏程.  测绘学报. 2018(08)
[2]机载LiDAR点云数据降维与分类的随机森林方法[J]. 熊艳,高仁强,徐战亚.  测绘学报. 2018(04)
[3]多尺度特征和马尔可夫随机场模型的电力线场景点云分类法[J]. 杨俊涛,康志忠.  测绘学报. 2018(02)
[4]机载多光谱LiDAR数据的地物分类方法[J]. 潘锁艳,管海燕.  测绘学报. 2018(02)
[5]激光雷达点云电力线三维重建模型的对比与分析[J]. 张继贤,段敏燕,林祥国,臧艺.  武汉大学学报(信息科学版). 2017(11)
[6]点云信息提取研究进展和展望[J]. 张继贤,林祥国,梁欣廉.  测绘学报. 2017(10)
[7]基于信息向量机的机载激光雷达点云数据分类[J]. 刘志青,李鹏程,陈小卫,张保明,郭海涛.  光学精密工程. 2016(01)
[8]基于Adaboost的高光谱与LiDAR数据特征选择与分类[J]. 朱江涛,黄睿.  遥感信息. 2014(06)
[9]机载激光扫描与航空影像的融合分类与精度分析[J]. 谢瑞,程效军,管海燕.  同济大学学报(自然科学版). 2013(04)
[10]基于随机森林的特征选择算法[J]. 姚登举,杨静,詹晓娟.  吉林大学学报(工学版). 2014(01)



本文编号：3702642