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％.     

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。     

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。     

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%。     

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。     

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...     

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。     

网络化激光雷达的多源数据融合点云分类算法研究

针对当前多源数据融合点云分类算法的激光雷达点云数据分类精度较低,分类时间较长的问题,提出网络化激光雷达的多源数据融合点云分类算法.利用加权航迹关联法,计算各激光雷达目标航迹号,并打散已关联航迹,通过泰勒级数将非线性问题转化成近似线性问题,求解线性状态,融合多源数据.使用主成分分析法,求解点云法线与曲率,分割段协方差矩阵...     

基于动态图卷积网络的点云分类和分割网络

点云分类和分割是三维场景理解中的关键步骤.针对稀疏点云输入和遮挡不能有效识别点云的问题,提出一种改进型分类和分割网络Linked-DGCNN.在动态图卷积网络(DGCNN)的基础上增加EdgeConv卷积层数以提取深层次点云特征;去除DGCNN的转换网络以简化网络结构;引入深度残差网络的思想连接不同网络层的输出特征,形...     

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...     

基于空间感知和特征增强的三维点云分类与分割研究

针对直接处理点云数据的深度神经网络PointNet++无法充分学习点云形状信息的问题,提出一种融合空间感知模块和特征增强模块(spatial awareness and feature enhancement,SAFE) 的三维点云分类与分割方法(SAFE-PointNet++) 。首先,设计了空间感知(spatial awareness,SA) 模块,使特征提取网络在特征升维时融合了包含空间结构的权重信息,增强了特征在空间上的表现力。其次,设计了特征增强(feature enhancement,FE) 模块,通过把增强后的几何信息和附加信息拆分并分别进行编码,达到充分利用点云附加信息的目的。实验结果表明,在ModelNet40和S3DIS数据集上,SAFE-PointNet++与其他10种经典网络相比具有更高的分类和分割精度。     

联合NDRI特征和空间相关性的机载MS-LiDAR数据分类

对比仅包含多光谱信息、仅可实现二维土地覆盖分类的传统光学遥感数据,机载多光谱激光雷达(multispectral light detection and ranging,MS-LiDAR)的优势在于同时包含多光谱和空间信息、可实现三维土地覆盖分类,但现有的机载MS-LiDAR数据的土地覆盖分类研究所需特征维度过高、算法复杂度高。因此,提出了一种整合空间相关性和归一化差分比率指数(Normalized Difference Ratio Index,NDRI)特征的逐步分类算法。该算法首先融合机载MS-LiDAR数据的多波段独立点云,获取兼具空间位置及其多光谱信息的单一点云数据;然后利用空间邻域增长下的地面滤波算法分离地面和非地面点;接着基于不同目标的激光反射特性差异设计将草地(树木)自地面(非地面)中分离的NDRI指数,并利用类间方差最大原则下的自适应最优NDRI指数实现地面和非地面点的精细分类;最后利用3D多数投票法优化分类结果。采用加拿大Optech Titan实测MS-LiDAR数据测试提出算法的有效性及可行性,实验结果表明：算法的平均总体精度和Kappa系数分别可达90.17%和...     

高低维双局部特征融合的点云分类分割网络

点云的分类和分割是三维点云网络的基础步骤,是三维重建、目标识别和自动驾驶等研究的关键环节。针对现有三维点云网络进行分类和分割时无法充分利用点云局部信息而导致精度不高的问题,提出了一种高低维双局部特征融合的点云分类分割网络。本文网络利用图卷积提取点云基于位置信息的低维局部特征,并通过注意力机制提取点云基于语义信息的高维局部特征,同时使用多层感知机提取点云的全局特征,通过多个特征融合的方式来提高点云分类和分割的精度。实验结果表明:本文网络在点云分类任务中,总体精度达到934,平均精度达到903;在点云分割任务中,平均交并比达到862;相较于现有的主流网络具有较好的分类和分割精度。同时对于稀疏点云输入的问题,本文网络具有较强的鲁棒性。