車載Li DAR點云數據具有密度大、場景復雜、目標豐富、遮擋、透射情況更加嚴重以及含有噪聲等特點,導致車載激光雷達點云數據分類困難,三維場景目標提取識別方法自動化程度不高、識別準確率不高。針對目前三維場景中目標識別率低的問題,本文在綜合前人基于預定義規(guī)則、機器學習、深度學習進行點云分類的基礎上,提出了以特征為輸入的一種深度置信網絡模型,將三維場景分類為地面、低植被、高植被、建筑物、電力線、桿狀地物六類。主要研究內容如下:對于城區(qū)的Li DAR彩色點云數據,本文首先進行體素化,并在分析點云數據特點和總結前人經驗的基礎上提取了用于描述體素內點簇的幾何特征、色彩特征,通過計算構成了體素的24維特征向量。本文構建了后向傳播DBN和聯想記憶DBN兩種深度置信網絡,以體素的特征向量作為網絡的輸入進行點云分類。通過實驗探索了網絡節(jié)點數以及體素尺度大小對點云分類總體精度的影響,并比較了兩種不同網絡及常用的機器學習分類器的分類效果。實驗結果表明,兩種網絡都取得了較好的分類精度,總體在90%以上。本文對比了兩種網絡結構對實驗數據的分類效果,發(fā)現后向傳播DBN比聯想記憶DBN取得了較高的總體分類精度。同時本... 

【文章來源】：中國地質大學(北京)北京市 211工程院校 教育部直屬院校

【文章頁數】：78 頁

【學位級別】：碩士

【部分圖文】：

本文技術路線圖

再利用前文所設置的模型在三維空間各個方向的分辨率將這個已經建立間包圍盒子劃分為單個的小體元，經過這個步驟我們就可以求得三維體表，當然我們一般情況下假設每個方向的分辨率相等的話，得到的體素就是當前包圍盒的各個邊長與分辨率的商。而后我們可以利用模型表面或者三角形與當前包圍盒的交，得到表面的體素位置，將所有的交接位素進行標記這樣就得到了表面的體素，完成了表面的體素化。二步就是對模型的內在三維空間的結構進行體素化操作的過程，在這個我們可以把前文所述的表面體素化后的模型當成一個外殼模型來看待，們就需要把這個外殼包圍的三維空間，也就是模型內在的空間進行體素理。這里一般我們用到的方法就是將所要將進行體素化的模型內在空間叉樹建立，然后根據射線發(fā)散法或掃描法進行加速處理，這樣可以快速內部的體素化過程。

圖 2-2 體素示意圖如圖 2-2 所示，當淺藍色的體素所在位置為（x，y，z）情況下，則黃色所位置為（x，y+1，z+1）。當然所有的體素框都是不存在的，每個點云都可坐標和體素邊長計算得到對應點的體素位置。這里的體素只是相對于平面像素而言的。體素化后每個體素空間內可能包含的點云數量是不均勻的。素空間大小一致的情況下，實驗所用數據的點云密度等因素都會影響到體點的個數。體素化點云的特征提取本文中主要利用了基于體素化的特征向量，所以對于分類特征的提取和整文的工作重點。特別是對于點云分類深度置信網絡來講，輸入的特征對最的輸出，也就是對原始點云的抽象表達是很重要的。在很大程度上會影響度。由于車載 LiDAR 點云數據采集的場景特別的復雜，里面包含的地物

【參考文獻】：
期刊論文
[1]受限波爾茲曼機[J]. 張春霞,姬楠楠,王冠偉.  工程數學學報. 2015(02)
[2]一種數值屬性的深度置信網絡分類方法[J]. 孫勁光,蔣金葉,孟祥福,李秀娟.  計算機工程與應用. 2014(02)
[3]玻爾茲曼機研究進展[J]. 劉建偉,劉媛,羅雄麟.  計算機研究與發(fā)展. 2014(01)
[4]基于BM神經網絡編碼的生理信號情感識別[J]. 潘聞特,申麗萍.  計算機工程與設計. 2012(03)

博士論文
[1]基于協同過濾視角的受限玻爾茲曼機研究[D]. 羅恒.上海交通大學 2011



本文編號：3544899