機(jī)載LiDAR點(diǎn)云的分類是利用其進(jìn)行城市場景三維重建的關(guān)鍵步驟之一。為充分利用現(xiàn)有的圖像領(lǐng)域性能較好的深度學(xué)習(xí)網(wǎng)絡(luò)模型,提高點(diǎn)云分類精度,并降低訓(xùn)練時間和對訓(xùn)練樣本數(shù)量的要求,本文提出一種基于深度殘差網(wǎng)絡(luò)的機(jī)載LiDAR點(diǎn)云分類方法。首先提取歸一化高程、表面變化率、強(qiáng)度和歸一化植被指數(shù)4種具有較高區(qū)分度的點(diǎn)云低層次特征;然后通過設(shè)置不同的鄰域大小和視角,利用所提出的點(diǎn)云特征圖生成策略,得到多尺度和多視角點(diǎn)云特征圖;再將點(diǎn)云特征圖輸入到預(yù)訓(xùn)練的深度殘差網(wǎng)絡(luò),提取多尺度和多視角深層次特征;最后構(gòu)建并訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器,利用訓(xùn)練的模型對待分類點(diǎn)云進(jìn)行預(yù)測,經(jīng)后處理得到分類結(jié)果。利用ISPRS三維語義標(biāo)記競賽的公開標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行試驗,結(jié)果表明,本文方法可有效區(qū)分建筑物、地面、車輛等8類地物,分類結(jié)果的總體精度為87.1%,可為城市場景三維重建提供可靠的信息。 

【文章頁數(shù)】：12 頁

【文章目錄】：
1 基于DRN的機(jī)載LiDAR點(diǎn)云分類
    1.1 低層次特征的提取
    1.2 點(diǎn)云特征圖的生成
    1.3 點(diǎn)云深度特征的提取
    1.4 分類模型構(gòu)建與后處理
2 試驗分析與對比
    2.1 試驗數(shù)據(jù)與方法
    2.2 試驗1:尺度和視角數(shù)量的影響
    2.3 試驗2:訓(xùn)練樣本數(shù)的影響
    2.4 性能對比與分析
3 結(jié) 論


【參考文獻(xiàn)】：
期刊論文
[1]一種由粗到精的機(jī)載激光測深信號檢測方法[J]. 王丹菂,徐青,邢帥,林雨準(zhǔn),李鵬程.  測繪學(xué)報. 2018(08)
[2]機(jī)載LiDAR點(diǎn)云數(shù)據(jù)降維與分類的隨機(jī)森林方法[J]. 熊艷,高仁強(qiáng),徐戰(zhàn)亞.  測繪學(xué)報. 2018(04)
[3]多尺度特征和馬爾可夫隨機(jī)場模型的電力線場景點(diǎn)云分類法[J]. 楊俊濤,康志忠.  測繪學(xué)報. 2018(02)
[4]機(jī)載多光譜LiDAR數(shù)據(jù)的地物分類方法[J]. 潘鎖艷,管海燕.  測繪學(xué)報. 2018(02)
[5]激光雷達(dá)點(diǎn)云電力線三維重建模型的對比與分析[J]. 張繼賢,段敏燕,林祥國,臧藝.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2017(11)
[6]點(diǎn)云信息提取研究進(jìn)展和展望[J]. 張繼賢,林祥國,梁欣廉.  測繪學(xué)報. 2017(10)
[7]基于信息向量機(jī)的機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)分類[J]. 劉志青,李鵬程,陳小衛(wèi),張保明,郭海濤.  光學(xué)精密工程. 2016(01)
[8]基于Adaboost的高光譜與LiDAR數(shù)據(jù)特征選擇與分類[J]. 朱江濤,黃睿.  遙感信息. 2014(06)
[9]機(jī)載激光掃描與航空影像的融合分類與精度分析[J]. 謝瑞,程效軍,管海燕.  同濟(jì)大學(xué)學(xué)報(自然科學(xué)版). 2013(04)
[10]基于隨機(jī)森林的特征選擇算法[J]. 姚登舉,楊靜,詹曉娟.  吉林大學(xué)學(xué)報(工學(xué)版). 2014(01)



本文編號：3702642