基于改进LBET和神经网络的机载LiDAR点云分类研究

基于改进LBET和神经网络的机载LiDAR点云分类研究

论文摘要

本文针对多特征融合的机载LiDAR点云分类中,样本数据多和样本选取时存在误差,导致分类速度慢和分类结果精度较低的问题,提出了基于改进LBET(Learning Based on Eigenvalue Transition,LBET)和神经网络的机载LiDAR点云分类方法。该方法选取地面高度、修复后的反射强度、影像分类结果、回波信息、高程纹理共五种分类特征信息经过改进LBET模型分析生成二进制信号,获取地物标准二进制信号和模糊信号,然后使用BP(Back Propagation,BP)神经网络训练标准地物二进制信号和识别模糊信号实现点云分类。与多特征融合分类比较该方法的处理时间较快并且精度明显提高。本文的主要贡献有以下几点:(1)对点云分类特征分析和处理,反射强度受仪器和外界的影响产生错误的值,反射强度应用到点云分类中效果较差,本文根据高程和反射强度使用相似性聚类算法对点云反射强度修复,对点云的高程纹理分析上,本文使用新的方法还衡量高程纹理,对地面高度的获取上,使用点到DTM(Digital Terrain Model,DTM)的距离作为地面高度。(2)提出了改进LBET和BP神经网络融合的机载LiDAR点云分类方法。实验验证了单一神经网络和决策树模型分类的优点和缺陷。本文对两种模型的进行优化组合,根据点云分类特征信息置信区间为依据,对分类特征信息进行分割和重组,在此基础上利用BP神经网络最终完成点云分类。(3)利用Kappa系数对分类结果进行评定。通过对比多特征融合分类结果、TerraSolid分类结果及本文实验结果,验证本文分类方法的可靠性和有效性。(4)在开源点云数据处理软件CloudCompare的基础上,本文对提出的算法进行编程实现。程序的主要功能有:点云的导入与显示、反射强度的修复、点云与影像的配准融合、BP神经网络分类器等。实验结果表明,本文提出的算法能够将点云分类为高大的树、建筑物、低矮植物、裸露的地表和道路,且Kappa系数平均精度为87.3%。与多特征融合的神经网络分类方法比较,改进LBET和BP神经网络融合算法点云分类精度较高并且该方法的分类速度较快。

论文目录

  • 摘要
  • abstract
  • 第一章 绪论
  •   1.1 研究背景与意义
  •   1.2 研究现状
  •   1.3 研究内容及结构
  •     1.3.1 研究内容
  •     1.3.2 技术路线
  •   1.4 论文组织结构
  • 第二章 机载LiDAR系统原理及发展
  •   2.1 机载LiDAR系统原理
  •     2.1.1 激光扫描测距
  •     2.1.2 GPS定位动态定位
  •     2.1.3 INS姿态测量系统
  •     2.1.4 成像设备
  •     2.1.5 机载LiDAR系统对地定位原理
  •   2.2 机载LiDAR系统测量数据组成及特点
  •     2.2.1 机载LiDAR数据的组成
  •     2.2.2 机载LiDAR技术的特点
  •   2.3 机载LiDAR系统发展
  •   2.4 本章小结
  • 第三章 机载LiDAR点云分类特征信息
  •   3.1 点云高程纹理特征
  •   3.2 点云回波信息特征
  •   3.3 点云反射强度特征
  •   3.4 影像RGB特征
  •   3.5 点云地面高度特征
  •   3.6 本章小结
  • 第四章 基于多特征融合的点云分类方法
  •   4.1 基于决策树的分类
  •     4.1.1 决策树分类原理
  •     4.1.2 决策树分类
  •     4.1.3 实验与分析
  •   4.2 基于神经网络的分类
  •     4.2.1 BP神经网络原理
  •     4.2.2 BP神经网络分类
  •     4.2.3 实验与分析
  •   4.3 本章小结
  • 第五章 改进LBET和神经网络的点云分类
  •   5.1 LBET模型
  •   5.2 改进LBET模型
  •   5.3 改进LBET和BP神经网络融合
  •   5.4 实验软件介绍
  •     5.4.1 点云的索引方式
  •     5.4.2 点云格式转换
  •     5.4.3 点云转为栅格数据
  •   5.5 实验与分析
  •     5.5.1 实验步骤
  •     5.5.2 实验成果分析
  •   5.6 精度评定
  •     5.6.1 混淆矩阵与Kappa系数评定
  •     5.6.2 BP神经网络识别能力评定
  •   5.7 本章小结
  • 结论与展望
  • 参考文献
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 李晓天

    导师: 姜刚

    关键词: 机载,特征提取,数据融合,神经网络,分类

    来源: 长安大学

    年度: 2019

    分类: 基础科学

    专业: 自然地理学和测绘学

    单位: 长安大学

    分类号: P237

    总页数: 67

    文件大小: 4193K

    下载量: 111

    相关论文文献

    • [1].基于卷积神经网络的非等效点云分割方法[J]. 东华大学学报(自然科学版) 2019(06)
    • [2].点云智能研究进展与趋势[J]. 测绘学报 2019(12)
    • [3].基于深度学习的点云分割方法综述[J]. 计算机工程与应用 2020(01)
    • [4].点云数据预处理研究[J]. 现代信息科技 2020(02)
    • [5].基于地基激光雷达点云的植被表型特征测量[J]. 生态学杂志 2020(01)
    • [6].机载点云空洞的修复方法[J]. 北京测绘 2020(02)
    • [7].基于深度学习的零件点云分割算法研究[J]. 机电工程 2020(03)
    • [8].基于深度学习的点云语义分割综述[J]. 激光与光电子学进展 2020(04)
    • [9].基于神经网络的航空行李点云检测方法研究[J]. 电子世界 2020(07)
    • [10].基于二维截面筛选标记的点云简化方法研究[J]. 机电工程 2020(05)
    • [11].三维点云补全方法的现状和发展趋势[J]. 信息记录材料 2020(05)
    • [12].新型激光远程点云装置研究[J]. 机电信息 2020(17)
    • [13].一种简化的输电线路点云电塔自动定位方法[J]. 北京建筑大学学报 2020(03)
    • [14].一种改进的区域增长彩色3D点云分割算法[J]. 国外电子测量技术 2018(11)
    • [15].面向反光工件点云缺陷的点云增强算法[J]. 计算机辅助设计与图形学学报 2019(07)
    • [16].一种基于高度差异的点云数据分类方法[J]. 测绘通报 2018(06)
    • [17].手提激光盘煤仪点云去噪[J]. 激光杂志 2017(05)
    • [18].面向室内场景点云的对象重建[J]. 测绘通报 2017(06)
    • [19].快速点云定向数学模型实际精度分析[J]. 北京测绘 2017(04)
    • [20].基于点云几何约束的仿真安装探讨[J]. 地理空间信息 2017(09)
    • [21].基于自适应切片的点云压缩算法[J]. 工程勘察 2017(09)
    • [22].序列图像三维重构中点云精简算法的研究与改进[J]. 计算机工程与应用 2016(08)
    • [23].地面三维激光扫描点云重建技术研究[J]. 数码世界 2017(08)
    • [24].三维环境下交互式点云对象提取方法[J]. 计算机工程与应用 2019(24)
    • [25].换流站激光点云密度对土石方计算的影响[J]. 电力勘测设计 2020(01)
    • [26].融合个体识别的3D点云语义分割方法研究[J]. 黑龙江工业学院学报(综合版) 2019(12)
    • [27].机载激光点云与摄影测量点云非监督建筑物变化检测[J]. 测绘科学技术学报 2019(05)
    • [28].电力巡检点云分布式异构处理的研究[J]. 湖北电力 2019(05)
    • [29].点云重建的并行算法[J]. 计算机工程与应用 2020(06)
    • [30].基于深度学习的点云匹配[J]. 计算机工程与设计 2020(06)

    标签:;  ;  ;  ;  ;  

    基于改进LBET和神经网络的机载LiDAR点云分类研究
    下载Doc文档

    猜你喜欢