共查询到18条相似文献,搜索用时 343 毫秒
1.
多尺度邻域特征下的机载LiDAR点云电力线分类 总被引:1,自引:0,他引:1
利用机载激光雷达技术三维测量精度高且获取快速的优点进行电力线自动分类提取已成为点云数据处理与电力应用的重要领域。针对电力线分类模型的自动化和高精度需求,本文提出了基于三维多尺度邻域特征的机载LiDAR点云电力线分类提取模型框架,主要包括4个步骤:电力线候选点滤波、多尺度邻域类型选取、形状结构特征提取和支持向量机分类。通过对2个复杂城市区域的试验数据集和8种不同邻域类型的详细结果对比分析,发现基于多尺度圆球邻域形状结构特征的分类模型结果准确率、召回率和质量分别达到97%、94%和93%,同时整体处理时间在2个试验数据中分别从366、256 s减少到274、160 s。试验结果表明,该方法在多种复杂城市场景中能够实现机载LiDAR数据的电力线较高精度分类提取。 相似文献
2.
机载多光谱LiDAR系统能够快速、准确地获取地物的空间几何和光谱信息,为地物覆盖分类和目标识别提供新的数据源。近年来,基于三维点云的深度学习算法取得了一系列突破性进展,然而直接将不规则的原始点云数据输入深度学习模型进行基于点的分类存在一定的困难。本文提出了一种基于FPS-KNN的样本生成方法,用于基于深度学习的机载多光谱LiDAR数据分类。该方法首先对输入数据进行归一化处理;然后利用最远点采样方法(FPS)和K近邻法(KNN)在输入数据中生成一系列规则大小的训练样本数据集。通过机载多光谱LiDAR数据的试验表明,该方法所生成的样本不仅符合卷积神经网络所要求的输入数据形式,而且能够确保对输入场景的完整覆盖。 相似文献
3.
近年来,随着三维计算机视觉的发展,三维点云深度学习方法得到越来越多学者的关注。然而,目前大多数三维点云深度学习方法仅在标准数据集上进行精度和性能评估,这些方法在设计过程中通常会根据特定数据集设定特定的学习策略以达到最佳点云分类精度,从而影响模型的泛化能力。在三维点云深度学习方法的遥感应用中,往往会出现诸如复杂的网络模型方法并不一定取得更好的数据处理精度,以及原始网络模型学习策略并不一定获得最优结果等问题。对此,为了探究学习策略对三维点云深度学习方法在实际遥感应用的影响,文中以机载多光谱LiDAR点云分类应用为例,以深度学习经典模型PointNet++为主,在分析当前学习策略的基础上构建一套较为通用的深度学习策略,以提高点云分类精度的稳定性和鲁棒性。机载多光谱LiDAR点云分类实验表明,学习策略对于点云分类精度影响不容忽视,学习策略的调整可以有效地提高模型对海量三维点云分类能力。 相似文献
4.
探索自动化的激光点云分类方法对于三维建模、城市土地分类、DEM制图等应用具有重要作用。考虑到现有的点云分类算法在提取依赖邻域结构的特征参数时面临邻域尺度的选择难、数据维度高、计算复杂,并且缺乏对分类特征参数的重要性评估和选择等问题,本文提出了基于随机森林的机载LiDAR点云数据降维与分类方法。在分析点云数据的高程、回波、强度等属性特征的基础上,提取归一化高度、高度统计量、表面特征、空间分布特征、回波特征及强度特征6大类特征参数,并构建多尺度特征参数,运用随机森林的特征选择算法对分类特征集进行优化,然后进行点云分类。试验结果表明,基于随机森林的特征选择方法可以有效地降低特征维度,并且使得总体分类精度达到94.3%(Kappa系数为0.922),相比于使用全部特征分类和SVM分类方法而言,该方法的总体分类精度均有一定程度的提高;特征的重要性度量结果表明,归一化高度特征在点云分类中所起的作用最大。 相似文献
5.
及时、准确地监测电力线安全可以预防危险情况的发生。本文以机载点云为研究对象,提出了一种基于随机森林后验概率的马尔可夫随机场模型,用于电力线场景的点云分类。首先结合空间金字塔理论构建多尺度视觉分类特征以此描述空间点及其邻域的几何形状信息;接着利用随机森林分类器描述观测数据的概率分布,基于马尔可夫随机场模型建立顾及上下文信息的先验概率,从而构建一个多标记能量函数;最后利用多标记图割技术最小化能量函数完成分类标签优化。利用直升机巡线系统和小型无人机巡线系统获取的LiDAR点云数据来验证本文提出的模型。试验结果表明,该模型能够有效地分类场景中的电塔、电力线和植被且总分类正确率得到98%以上。与其他分类方法相比,本文提出的模型总体精度更高,尤其是电塔的分类优势明显。 相似文献
6.
LiDAR点云的分类提取是点云数据处理中的首要步骤。为了提高复杂场景中点云数据分类提取方法的适用性,文中根据三维数学形态学思想,提出一种基于地物空间形状特征的点云提取方法。方法首先建立网格索引,划分网格空间,进行点云数据组织,然后根据地物在网格空间中的形状特征设计出四种参数可控的空间网格算子,最后结合点云反射强度信息自动提取特定地物点云。通过对复杂场景中的铁路地物要素LiDAR点云中建筑、电力杆线、铁路轨道的提取和郊区机载LiDAR点云中的地面与建筑屋顶的提取,验证提取算法的适用性,为点云分类提取功能模块的程序设计提供便捷方法。 相似文献
7.
本文针对深度神经网络算法应用于机载激光点云进行大规模建筑物提取的问题,分别选取PointNet++和PointCNN两个网络模型进行了改进和对比。对于PointCNN,通过参数调整,使其更适合大场景信息提取。对于PointNet++,为了增加更多特征,加快大场景下网络模型的训练效率,在网络体系结构中添加了一种新的特征提取层——K-means层。另外,通过在测试数据集上的训练和验证发现,本文基于深度学习方法的分类较好地克服了点云的无序特性,能够更好地利用点之间的空间相关性,改进后两种模型的精度均达96%以上,在建筑物提取的时间效率和效果上优于原始模型。 相似文献
8.
城市环境中的行道树、车辆、杆状交通设施是重要的交通地物,也是智能交通,导航与位置服务,自动驾驶和高精地图等行业应用的核心要素.为了准确识别这些路侧目标,本文提出一种融合点云和多视角图像的深度学习模型PGVNet(point-group-vi ew network),充分利用目标点云数据中空间几何信息及其多视角图像中高级全局特征提升路侧行道树、车辆和杆状设施的分类精度.为了减少视图间的冗余信息并增强显著视图特征,PGVNet模型利用预训练的VGG网络提取多视图特征,对其进行分组赋权获取最优视图特征;采用嵌入注意力机制的融合策略,利用最优视图特征动态调整PGVNet模型对点云不同局部关系的注意力度,学习不同路侧目标的多层次、多尺度显著特征,实现行道树、车辆和杆状交通设施的精确分类.试验采用5份不同车载激光扫描系统获取的不同城市场景数据验证本文方法的有效性,其中行道树、车辆及杆状交通设施分类结果中的准确率、召回率、精度和F1指数分别达(99.19%、94.27%、93.58%、96.63%);(94.20%、97.56%、92.02%、95.68%);(91.48%、98.61%、90.39%、94.87%).结果表明,本文方法融合多视图全局信息和点云局部结构特征可以有效区分城市场景中的行道树、车辆和杆状交通设施,可为高精度地图中要素构建与矢量化提供数据支撑. 相似文献
9.
10.
针对现有场景分类方法特征表征能力差以及单视角遥感影像分类精度难以提升的问题,提出一种融合多尺度注意力的多视角遥感影像场景分类方法。首先,将航空图像和地面图像构造成正负图像对,并划分为训练集、验证集和测试集;其次,构建融合多尺度注意力的卷积神经网络并训练,通过特征融合模块得到融合注意力且表征能力更强的特征,实现多尺度特征学习;然后,利用训练的多尺度注意力网络分别提取航空图像和地面图像特征并进行融合;最后,基于融合后的特征使用支持向量机进行场景分类。实验结果表明,相比现有方法,所提方法在两个公开数据集上均取得了更高的分类精度,改善了单视角场景分类效果,同时也证明了多视角所提供的补充信息能进一步提升遥感场景分类的准确性。
相似文献11.
针对当前点云语义分割研究对地面站激光点云特征利用不足、正确率较低的问题,该文提出了一种基于多尺度球形邻域特征的深度神经网络算法。该算法基于多尺度球形邻域计算的地面激光点云的粗糙度、高斯曲率,以及全方差、线性度等基于协方差的多种特征,结合XYZ坐标、RGB颜色、激光反射强度组成47维特征向量作为神经网络的输入,经过多组参数组合实验优化神经网络结构,最后通过softmax分类器输出每个点的类别。利用Semantic-3D测试集验证所提的深度神经网络模型,取得了较好的分类精度,总体正确率和平均交并比分别达到了86.6%和55.0%。实验结果表明,所提算法充分利用了地面站激光点云的特征,可有效提升语义分割的正确率。 相似文献
12.
车载LiDAR点云数据中杆状地物自动提取与分类 总被引:1,自引:0,他引:1
针对城市道路场景中车载LiDAR点云数据质量差、各类地物相互遮掩的情况,提出杆状地物自动提取与分类算法。先通过改进数学形态学算法移除点云数据中的地面点,再根据杆状地物的形态特征,使用纵向格网模板初步提取杆状地物,然后对提取的疑似杆状地物进行点云数据规则化并通过统计分析移除噪声点,最后根据预先建立的杆状地物样本训练SVM分类模型,对提取的杆状地物进行分类。试验表明,本文方法能够在数据质量欠佳的情况下有效提取城市道路场景中的杆状地物,并对提取的杆状地物进行高精度分类。 相似文献
13.
为解决复杂场景下高陡边坡点云数据的植被过滤问题,首先研究了高陡边坡上植被和岩石激光点云的多尺度维度特征;然后利用支持向量机(support vector machine,SVM)构建分类器,针对高陡边坡点云数据提出滤波算法,并编制了三维激光点云滤波软件LIDARVIEW。实验数据表明,复杂场景内不同尺度的植被均得到很好识别,滤波算法分类精度较高;算法不受激光点云的密度、遮挡和复杂地形的影响,且适用于机载雷达点云数据的滤波;植被覆盖率高的岩石分类精度高于93%,植被覆盖率低的岩石分类精度高于97%。算法对山丘区有复杂地貌的高陡边坡地形测量具有重大研究意义。 相似文献
14.
The urban land cover mapping and automated extraction of building boundaries is a crucial step in generating three-dimensional city models. This study proposes an object-based point cloud labelling technique to semantically label light detection and ranging (LiDAR) data captured over an urban scene. Spectral data from multispectral images are also used to complement the geometrical information from LiDAR data. Initial object primitives are created using a modified colour-based region growing technique. Multiple classifier system is then applied on the features extracted from the segments for classification and also for reducing the subjectivity involved in the selection of classifier and improving the precision of the results. The proposed methodology produces two outputs: (i) urban land cover classes and (ii) buildings masks which are further reconstructed and vectorized into three-dimensional buildings footprints. Experiments carried out on three airborne LiDAR datasets show that the proposed technique successfully discriminates urban land covers and detect urban buildings. 相似文献
15.
随着数字城市的发展,城市三维模型重建对三维点云结构化的需求与精度要求越来越高。如何有效准确地分割室内语义模型与三维重构是当前研究的热点问题。点云分割分类是室内点云结构化的重要基础,如何将粘连点云构件进行准确分割并用于室内点云结构化,是当前城市建模的难点。本文提出了一种面向室内粘连点云数据的分割分类方法。首先,利用深度学习网络处理室内点云数据;其次,对点云数据进行标签分类,得到目标标签点云;然后,利用欧氏算法对目标点云进行聚类分割,通过室内语义构件包围盒信息计算各目标中心点坐标与水平半径;最后,利用点云最小割实现室内粘连点云的准确分割。利用3组室内场景中获取的数据对分割方法的精度及有效性进行了验证。结果表明,该分割优化方法具有较高的精度与数据完整性。 相似文献
16.
以激光点云数据和倾斜多视影像为研究对象,提出了一种结合机载点云、地面点云及倾斜多视纹理的融合多源特征的建筑物三维模型重建方法。该方法结合点云面元以及影像边界特征,利用倾斜影像的线特征对顶面及立面模型进行边界规则约束,实现了面元自动拓扑重建;通过交互编辑完成不同复杂程度的建筑模型重建,并对模型进行纹理映射。实验结果表明,该方法能够有效提升城市建筑物三维模型重建的效率和边界精度,为利用多源数据的空地联合建筑物三维精细重建提供了一套切实可行的解决方案。 相似文献
17.
以激光点云数据和倾斜多视影像为研究对象,提出了一种结合机载点云、地面点云及倾斜多视纹理的融合多源特征的建筑物三维模型重建方法。该方法结合点云面元以及影像边界特征,利用倾斜影像的线特征对顶面及立面模型进行边界规则约束,实现了面元自动拓扑重建;通过交互编辑完成不同复杂程度的建筑模型重建,并对模型进行纹理映射。实验结果表明,该方法能够有效提升城市建筑物三维模型重建的效率和边界精度,为利用多源数据的空地联合建筑物三维精细重建提供了一套切实可行的解决方案。 相似文献
18.
随着激光雷达技术的发展及广泛应用,点云数据的分类及理解成为了目前一个研究热点。本文研究了较复杂的电力线路走廊场景的点云自动分类方法,目标类别为地面、植被、建筑物、电力塔、电力线等。本文首先归纳、定义了点云分类所需的关键特征,并利用JointBoost实现地物分类;同时,考虑到点云数据量大,其分类速度较慢,本文结合地物空间上的相互关联关系,提出了一种序列化的点云分类及特征降维方法。该方法在保证分类精度的前提下,使分类所需特征维数降低,缩短了分类所需时间。实际的电力线路走廊的激光扫描点云数据分类实验证明本文研究的分类方法的有效性。 相似文献