車載Li DAR點(diǎn)云數(shù)據(jù)具有密度大、場景復(fù)雜、目標(biāo)豐富、遮擋、透射情況更加嚴(yán)重以及含有噪聲等特點(diǎn),導(dǎo)致車載激光雷達(dá)點(diǎn)云數(shù)據(jù)分類困難,三維場景目標(biāo)提取識別方法自動化程度不高、識別準(zhǔn)確率不高。針對目前三維場景中目標(biāo)識別率低的問題,本文在綜合前人基于預(yù)定義規(guī)則、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)進(jìn)行點(diǎn)云分類的基礎(chǔ)上,提出了以特征為輸入的一種深度置信網(wǎng)絡(luò)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(nèi)容如下:對于城區(qū)的Li DAR彩色點(diǎn)云數(shù)據(jù),本文首先進(jìn)行體素化,并在分析點(diǎn)云數(shù)據(jù)特點(diǎn)和總結(jié)前人經(jīng)驗(yàn)的基礎(chǔ)上提取了用于描述體素內(nèi)點(diǎn)簇的幾何特征、色彩特征,通過計(jì)算構(gòu)成了體素的24維特征向量。本文構(gòu)建了后向傳播DBN和聯(lián)想記憶DBN兩種深度置信網(wǎng)絡(luò),以體素的特征向量作為網(wǎng)絡(luò)的輸入進(jìn)行點(diǎn)云分類。通過實(shí)驗(yàn)探索了網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)以及體素尺度大小對點(diǎn)云分類總體精度的影響,并比較了兩種不同網(wǎng)絡(luò)及常用的機(jī)器學(xué)習(xí)分類器的分類效果。實(shí)驗(yàn)結(jié)果表明,兩種網(wǎng)絡(luò)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(wǎng)絡(luò)結(jié)構(gòu)對實(shí)驗(yàn)數(shù)據(jù)的分類效果,發(fā)現(xiàn)后向傳播DBN比聯(lián)想記憶DBN取得了較高的總體分類精度。同時(shí)本... 

【文章來源】：中國地質(zhì)大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

本文技術(shù)路線圖

再利用前文所設(shè)置的模型在三維空間各個(gè)方向的分辨率將這個(gè)已經(jīng)建立間包圍盒子劃分為單個(gè)的小體元，經(jīng)過這個(gè)步驟我們就可以求得三維體表，當(dāng)然我們一般情況下假設(shè)每個(gè)方向的分辨率相等的話，得到的體素就是當(dāng)前包圍盒的各個(gè)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(dāng)前包圍盒的交，得到表面的體素位置，將所有的交接位素進(jìn)行標(biāo)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(nèi)在三維空間的結(jié)構(gòu)進(jìn)行體素化操作的過程，在這個(gè)我們可以把前文所述的表面體素化后的模型當(dāng)成一個(gè)外殼模型來看待，們就需要把這個(gè)外殼包圍的三維空間，也就是模型內(nèi)在的空間進(jìn)行體素理。這里一般我們用到的方法就是將所要將進(jìn)行體素化的模型內(nèi)在空間叉樹建立，然后根據(jù)射線發(fā)散法或掃描法進(jìn)行加速處理，這樣可以快速內(nèi)部的體素化過程。

圖 2-2 體素示意圖如圖 2-2 所示，當(dāng)淺藍(lán)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(dāng)然所有的體素框都是不存在的，每個(gè)點(diǎn)云都可坐標(biāo)和體素邊長計(jì)算得到對應(yīng)點(diǎn)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(gè)體素空間內(nèi)可能包含的點(diǎn)云數(shù)量是不均勻的。素空間大小一致的情況下，實(shí)驗(yàn)所用數(shù)據(jù)的點(diǎn)云密度等因素都會影響到體點(diǎn)的個(gè)數(shù)。體素化點(diǎn)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(diǎn)。特別是對于點(diǎn)云分類深度置信網(wǎng)絡(luò)來講，輸入的特征對最的輸出，也就是對原始點(diǎn)云的抽象表達(dá)是很重要的。在很大程度上會影響度。由于車載 LiDAR 點(diǎn)云數(shù)據(jù)采集的場景特別的復(fù)雜，里面包含的地物

【參考文獻(xiàn)】：
期刊論文
[1]受限波爾茲曼機(jī)[J]. 張春霞,姬楠楠,王冠偉.  工程數(shù)學(xué)學(xué)報(bào). 2015(02)
[2]一種數(shù)值屬性的深度置信網(wǎng)絡(luò)分類方法[J]. 孫勁光,蔣金葉,孟祥福,李秀娟.  計(jì)算機(jī)工程與應(yīng)用. 2014(02)
[3]玻爾茲曼機(jī)研究進(jìn)展[J]. 劉建偉,劉媛,羅雄麟.  計(jì)算機(jī)研究與發(fā)展. 2014(01)
[4]基于BM神經(jīng)網(wǎng)絡(luò)編碼的生理信號情感識別[J]. 潘聞特,申麗萍.  計(jì)算機(jī)工程與設(shè)計(jì). 2012(03)

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



本文編號：3544899