增强特征融合的动态图卷积的机载LiDAR点云分类

针对动态图卷积神经网络(dynamic graph convolutional neural network, DGCNN)聚合邻居点信息时的局限性,提出一种增强特征融合的动态图卷积神经网络模型EFF-DGCNN,并应用于机载LiDAR点云分类。该模型主要基于DGCNN提出特征增强模块和特征融合模块,对原始三维点云进行分类。首先,基于DGCNN对原始点云进行边缘卷积获取局部特征和全局特征;然后,将全局特征集成于各层的局部特征得到增强局部特征,据此凸显点云不同特征的重要性,使网络更加关注有利于分类的特征;最后,对不同增强局部特征进行特征融合得到深层次特征,从而实现点云的分类。为验证所提模型的分类性能,在GML＿DataSetA数据集和ISPRS数据集分别进行了点云分类试验。试验结果表明：相比于DGCNN,所提EFF-DGCNN模型具有更好的分类能力,能更好地区分结构相似的点云。     

融合机载LiDAR和高光谱影像的土地利用分类

高光谱影像具有丰富的波谱和纹理信息,机载LiDAR点云数据包含了地物高密度、高精度的三维信息。分别从两种数据中提取地物的光谱特征、纹理特征和高度特征,并进行不同的特征组合,然后采用随机森林分类器进行地物分类实验。结果表明,机载LiDAR点云和高光谱数据在地物分类方面具有很强的信息互补性;融合了LiDAR高度特征的总体分类精度和Kappa系数均优于仅使用高光谱影像,其中“PCA+NDVI+GLCM+CHM”的特征组合总体分类精度和Kappa系数最高,分别为85.96%和0.81;与未加入LiDAR特征的组合相比,总体分类精度提高了5.33%。     

基于CAFF-PointNet的机载LiDAR点云语义分割

针对机载LiDAR点云中几何结构复杂和不同地物尺度变化大导致小目标点云分类准确率低的问题,本文提出了一种基于通道注意力机制进行多尺度特征融合的卷积神经网络.首先,通过球形邻域计算点云的平面度、线性度、法向量以及本征熵等浅层几何特征,并将其与网络提取的深层次语义特征进行融合,增强模型对点云几何结构的感知能力;其次,设计基于通道注意力机制的多尺度特征融合模块,学习特征融合的权重系数,使网络可以自适应调整不同尺度目标的感受野大小,实现对不同尺度信息的筛选,进而提高小尺度目标的分类精度.实验结果表明,与其他模型相比,本文模型在ISPRS机载LiDAR点云上的平均F1分数为72.2％,且对电力线和汽车类别均取得了最高的分类精度,F1分数分别为64.3％和79.9％.     

整合图卷积与PointNet的机载激光雷达点云分类

针对三维深度学习网络PointNet中缺少点局部特征描述而导致的分类精度较低的问题,提出了一种整合图卷积模型与PointNet的机载激光雷达点云分类方法。该方法首先通过最小香农熵准则确定点的最优邻域,计算出点云的浅层特征;然后将点云的浅层特征输入深度学习网络中,通过图卷积提取点云局部特征,并将该特征与PointNet提取的点特征、全局特征组合得到特征向量;最后,将上述特征向量输入设计的多层感知机实现点云的准确分类。利用国际摄影测量与遥感协会提供的Vaihingen点云数据集进行了验证,实验结果表明,所提方法相较于PointNet点云分类方法精度提高了9.58个百分点。     

机载LiDAR点云分块插值滤波

现有机载激光雷达（LiDAR）点云滤波算法在简单地形下取得了较好的滤波效果,但普遍对陡坡地形适应性较差。为提高在不同地形下的滤波性能,提出了基于分块的多尺度表面插值滤波算法。该算法首先通过改进的区域增长分块算法将原始点云分为点云块集和散点集,然后通过构建的多尺度表面插值算法同时对点云块和散点进行分类。利用国际摄影测量与遥感学会(ISPRS)提供的基准数据验证表明,该方法在15个样本中有11个样本滤波效果优于现有滤波方法,对各类地形均有较强适应性,且该方法平均总误差最小。对三种不同地形特征的高密度数据滤波实验,也验证了该方法的良好性能。     

结合物理与几何特性的机载LiDAR数据分类方法EI北大核心CSCD

机载LiDAR数据分类是根据数据特征为每个点指定类别标签。针对现有方法忽略全波形与点云在物理特性上的关联、缺乏对邻域几何和语义相关性的深入挖掘,从而导致捕获局部结构能力不足的问题,搭建了结合目标物理与几何特性的分类方法,实现了由全波形和点云组成的机载LiDAR数据端到端分类。首先,构建了特征融合模块,提取了全波形时序特征和点云几何特征,依据两种数据物理意义上的关联,通过双低秩矩阵实现了全波形与点云特征级融合。其次,构建了邻域特征增强模块,挖掘点对相关性,增强对局部几何结构的学习。最后基于层次化编解码结构搭建了分类网络。该网络在机载LiDAR数据集上测试,达到平均精度0.96、平均召回率0.90、平均F1分数0.92,证明了网络的有效性。     

浅析机载Li DAR点云数据的构成与简单分类

分类作为机载Li DAR点云处理的关键步骤之一,在点云处理过程中起到重要的作用,本文立足于电晕数据的概念、构成、以及常见的数据分类计算,简要地对机载Li DAR点云数据的分类进行研究,试图为机载Li DAR点云数据研究提供数据资料.     

机载三维激光点云数据分类数学模型

传统机载三维激光点云数据分类方法效率低、计算开销大,对算法自身要求较高,容易受到多种因素影响,导致结果偏差较大.为此提出机载三维激光点云数据分类数学模型方法.首先采集机载三维激光点云数据,利用概率法与直线滑动平均法分别做去噪和平滑处理;其次分析数据空间分布结构,获取特征数据的有限集合,通过平面拟合、残差拟合等步骤提取点...     

基于结构特征的机载LiDAR数据与航空影像自动配准

针对现有机载LiDAR数据与航空影像配准方法对匹配特征具有较强的依赖性,易受数据等影响的问题,提出了一种基于结构特征的自动配准方法。该方法首先提取LiDAR距离图像与对应影像的结构特征,利用初始姿态参数将LiDAR结构特征投影至影像坐标系下,根据结构特征的几何约束条件获取初始匹配点集,完成粗匹配;接着利用粗匹配结果计算直接变换模型（DLT）参数,并以此为初值引入双点几何约束,采用循环迭代的匹配策略,不断剔除错误匹配,获得一组新的匹配点集,完成精匹配;最后根据精匹配结果,采用基于单位四元数的空间后方交会方法解算航空影像的姿态参数,实现机载LiDAR数据与航空影像的自动配准。实验证明,该方法受噪声影响小,能实现机载LiDAR数据与航空影像的自动配准。     

机载平台6-D运动误差对LiDAR点云质量的影响比较

直升机载荷平台6-D（Six-Dimensional）运动误差（即飞行轨迹和姿态角运动误差）对机载LiDAR点云质量影响显著,进而影响三维重建模型精度。分析各运动误差对点云质量的影响特点,对于有针对性地消除各运动误差影响、有效提高机载LiDAR三维成像产品精度具有重要意义。建立了机载激光扫描脚点三维空间位置偏差与机载平台六方位运动误差之间的传递关系;采用数值仿真,定量比较了六方位运动误差对激光点云密度分布和的影响,获得了六方位运动误差的影响特点及规律。仿真结果表明,直升机载荷平台的三个姿态角运动误差对点云密度的影响更显著,且随飞行高度的增大而增大,而三个飞行轨迹运动误差的影响相对较小。     

用于机载辅助导航的点云地形自适应分割方法研究

针对目前机载辅助导航应用的激光雷达点云地形分割方法对不同地形自适应性差和实时性不高的问题,结合CSF算法和移动曲面拟合思想,提出了一种新的点云地形自适应分割方法.该方法通过格网划分和地形识别计算布料硬度值,使点云自适应分割;并利用分割过程中产生的布料模型生成用于头盔显示器显示的网格化地形.实验表明,与ISPRS公布的经...     

基于多约束连通图分割的机载LiDAR点云滤波方法

点云滤波是机载LiDAR点云后处理应用的必要环节.现有的大多数点云滤波方法往往在地形平坦的区域滤波效果比较好,而在地形起伏较大区域滤波效果较差.为进一步提升点云滤波方法的精度及对复杂环境的适应能力,提出一种基于多约束连通图分割的滤波方法.通过设定垂直性、高差、距离三个约束条件构建点云连通图,实现点云分割,并基于地面覆盖...