基于Light-BotNet的激光点云分类研究

三维点云在机器人与自动驾驶中都有着普遍的应用,深度学习在二维图像上的研究成果显著,但是如何利用深度学习识别不规则的三维点云,仍然是一个开放性的问题。目前大场景点云自身数据的复杂性,点云扫描距离的变化造成点的分布不均匀,噪声和异常点引起的挑战性依然存在。针对于现有的深度学习网络框架对于激光点云数据的分类效率不高以及分类精度低的问题,提出一种基于激光点云特征图像与Light-BotNet相结合的CNN-Transform框架。该框架在于通过对点云数据进行特征提取,以相邻的特征点构造点云特征图像作为网络框架的输入,最后以Light-BotNet为网络框架模型进行点云分类训练。实验结果表明,该方法与现有的多数点云分类方法相比,能够较好地提升激光点云的分类效率以及分类精度。

自适应最优邻域尺寸选择的三维激光点云分类研究

针对三维激光点云分类中点特征提取邻域大小选择困难问题,本文基于自适应最优邻域尺寸选择实现三维激光点云精细分类。首先使用局部邻域协方差矩阵特征值得到的线性特征、平面性特征和散射性特征构造局部邻域熵函数,通过局部邻域熵函数取最小值时的最佳邻域尺寸计算点云特征描述参数;基于特征描述参数提取点云特征;最后根据递归特征消除法(RFE)筛选出最优特征子集,采用随机森林算法对特征子集进行分类。利用公开标记的Oakland三维激光点云数据集进行实验,结果表明本文点云分类方法的总体分类精度达94.1%,平均F_(1)分数达到76.8%。

融合注意力和多尺度表达的机载激光点云分类

针对机载激光点云数据中存在空间分布不均匀和地物尺度不一的问题,提出了一种融合注意力机制和多尺度特征的机载激光点云分类深度学习方法(AMMSF-Net)。该方法建立了局部空间位置注意力层学习局部邻域上下文特征,增加注意力跳连机制将解码器和编码器中的特征进行动态融合并有效保留细节信息;解码器中的多尺度特征融合通过将不同尺度的特征进行级联输入到多层感知机和条件马尔可夫层得到最后的语义概率图,实现了不同尺度与不同层级特征图之间的相关,增强不同尺度目标的表达能力。在Vaihingen数据集中AMMSF-Net取得83.8%的总体精度和70.4%平均F1分数,在DFC3D数据集取得了95.4%总体精度和88.5%平均F1分数,对比其他模型该方法在两个数据集都取得了更好的精度,这表明AMMSF-Net能有效提高点云地物类别区分的能力。

机载激光点云在1:10000基础测绘DEM局部更新中的应用

机载激光雷达作为一种重要的对地观测技术手段,融合GPS、惯性导航、激光测距等先进技术,可实现高效率、高精度获取地表三维坐标信息。随着机载激光雷达在测绘领域的广泛应用,基础测绘地理信息数据获取的方式发生了革命性的变化。文章重点探讨小型多旋翼无人机结合机载激光雷达开展1∶10 000数字高程模型(DEM)局部更新中的具体应用情况及相关问题,结合典型案例,旨在为今后相关工作提供经验及参考,从而进一步提高基础测绘工作的生产效率和成果质量。

基于机载激光点云的建筑物高度提取方法研究

以宁波市第一次地理国情普查中的建筑高度普查专项工作为例,提出了一条基于激光点云分类成果、大比例尺地形图和DEM,快速提取建筑物高度的技术路线。实验结果表明,该方法可快速准确提取建筑高度和顶部纹理信息,从而为城市建设和规划提供了可靠的测绘地理信息服务和保障。

基于大数据技术的机载激光雷达点云分类与建模研究

针对传统机载激光雷达点云数据分类建模方法存在的占用内存较大、运行时间较长等问题,提出一种大数据技术的机载激光雷达点云分类与建模方法。首先对当前机载激光雷达点云分类与建模方研究现状进行分析,指出各种机载激光雷达点云分类与建模方法的不足,然后引入大数据技术中的贝叶斯估计算法和包围盒法对机载激光雷达点云进行分类与建模,最后进行了机载激光雷达点云分类与建模的仿真测试,结果表明,方法提高了机载激光雷达点云分类精度,减少了机载激光雷达点云分类时间。

基于高精度激光点云数据的地形级场景构建

随着新型基础测绘的高速发展,机载激光雷达技术在遥感测量中已经成为一种有效的获取手段。其通过对目标地物的高分辨率扫描,能反映真实的地形地貌形态,高效率、高质量的获取激光点云数据,为地形级场景的构建提供可靠的基础。本文结合实际项目案例讲诉如何基于机载激光点云获取数字高程模型,构建地形级大场景,以及其在多领域的应用及思考。