利用神经网络的城区机载激光雷达点云分类算法

为了将神经网络应用于城区激光雷达点云数据分类,并针对大规模点云数据训练过程中计算量大、耗时长的问题,改进原有PointNet神经网络,加入了点云邻域特征的提取和分析,提出了一种新的点云分类算法。通过网格化聚类和重采样压缩原始点云数据量,提取多尺度邻域点云数据,利用改进PointNet完成对城区点云数据的分类,并用不同地区数据验证该分类算法。结果表明该算法分类效果良好,分类精度较高;数据训练过程中的计算量减少;能够对城区机载激光雷达数据实现有效分类。

基于三角网滤波和支持向量机的点云分类算法

为了提高城区机载激光雷达点云数据分类算法的自动化程度和分类精度,提出一种基于渐进加密三角网和双层支持向量机的点云分类算法。采用渐进加密三角网滤波提取地面点,在地面点的基础上对地物点进行归一化处理。对点云特征有效性进行评估,选取特征向量并用最邻近支持向量机(NN-SVM)对地物点进行分类,实现对城区点云数据的多元分类。利用城区点云数据验证该算法,通过分析分类精度对分类效果进行评价。结果表明,该算法有效提高了点云数据分类精度,实现了对城区点云数据的有效分类。

基于Point-Net的多源融合点云地物分类方法

为了提高城区机载激光雷达点云数据地物分类的分类精度,提出了一种基于Point-Net网络的多源融合点云地物分类方法。点云在地物三维特征表示上具有优势,而遥感影像包含丰富的光谱信息,因此设计了一种点云与遥感影像的配准融合方法,综合利用两种数据的优势。针对Point-Net网络存在缺少邻域信息的问题,提出一种针对融合点云数据的多尺度Point-Net分类模型,实现对融合点云数据的有效分类。利用城区点云数据验证本文算法,通过分析分类精度和分类时间对分类效果进行评价。结果证明:相比其他算法,本文算法有效提高了点云数据分类效果,实现了对城区点云数据的有效分类。

基于多尺度特征和PointNet的LiDAR点云地物分类方法

针对复杂场景下激光雷达测量(LiDAR)点云数据的地物分类问题,提出了一种基于多尺度特征和PointNet的深度神经网络模型,该方法改进了PointNet提取局部特征的能力,实现了复杂场景下LiDAR点云的自动分类。在PointNet网络基础上添加多尺度网络提取点的局部特征,将不同尺度点的局部特征通过全连接层组成一个多维特征,并与PointNet提取的全局特征相结合,返回每个点类的分数以完成点云分类标签。利用Semantic三维数据集和ISPRS提供的Vaihingen数据集,验证了所提深度神经网络模型。研究结果表明,与其他用于点云分类的神经网络相比,所提算法达到了更高的分类精度。

综合布料滤波与改进随机森林的点云分类算法

城区激光雷达点云建筑物提取技术是近年来发展的热点,如何准确区分植被、建筑物以及人造物,提高分类精度一直是研究难点。为此,针对分类精度较低的问题,提出一种基于随机森林的点云分类算法。首先使用改进布料滤波算法对点云数据进行地面滤波;其次,构建决策树并进行基于最大互信息系数的相关性分析,选出相关系数最小、精度最高的决策树,得到弱相关随机森林模型;最后,对决策结果进行加权投票处理,得到一种综合布料滤波和加权弱相关随机森林的点云分类算法,并通过Vaihingen城区数据集对算法进行验证。实验表明,与传统随机森林分类算法相比,本文算法提高了4.2%的分类精度,也提高了算法效率。