CN110009054A - 一种利用几何与强度特征的分层次机载LiDAR点云分类方法 - Google Patents
一种利用几何与强度特征的分层次机载LiDAR点云分类方法 Download PDFInfo
- Publication number
- CN110009054A CN110009054A CN201910294565.8A CN201910294565A CN110009054A CN 110009054 A CN110009054 A CN 110009054A CN 201910294565 A CN201910294565 A CN 201910294565A CN 110009054 A CN110009054 A CN 110009054A
- Authority
- CN
- China
- Prior art keywords
- classification result
- point cloud
- strength
- airborne lidar
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims abstract description 41
- 238000007637 random forest analysis Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000003066 decision tree Methods 0.000 claims description 11
- 239000004615 ingredient Substances 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013508 migration Methods 0.000 abstract description 3
- 230000005012 migration Effects 0.000 abstract description 3
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241000512668 Eunectes Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Abstract
本发明公开了一种利用几何与强度特征的分层次机载LiDAR点云分类方法，属于遥感科学技术领域。本发明步骤为：首先通过机载LiDAR获取地表的三维几何信息和强度信息，并根据几何信息和强度信息为每个LiDAR点构建几何特征与强度特征；再利用随机森林分类器处理几何特征，得到监督分类结果；从监督分类结果中提取地面地物，并利用高斯混合模型处理地面地物点的强度特征，得到非监督分类结果；而后利用启发规则对监督分类结果与非监督分类结果进行融合，获得最终分类结果。本发明克服了现有技术中，易变的强度信息所引起的机载LiDAR点云监督分类器不稳定、难迁移的不足，可以分层次利用机载LiDAR点云的几何信息和强度信息，得到较好的机载LiDAR点云分类结果。
Description
技术领域
本发明涉及遥感科学技术领域，更具体地说，涉及一种利用几何与强度特征的分层次机载LiDAR点云分类方法。
背景技术
LiDAR指的是激光探测与测量(Light Detection And Ranging，简称LiDAR)，也就是激光雷达。LiDAR利用全球定位系统(Global Positioning System，简称GPS)和惯性测量单元(Inertial Measurement Unit，简称IMU)可以直接获取地表物体的三维几何信息。LiDAR所测得的数据使用离散点表示，因此LiDAR数据也被成为点云数据；应用分类技术在这些原始点云中解译出建筑物、植被、汽车、地面等物体，是城市形态及生态研究过程中必不可缺的环节。但是不同类型的地物，如建筑物、植被、汽车、地面等经常出现在一个较小的城市区域中，致使单纯地从机载LiDAR的三维几何信息中解译城市地物要素比较困难。
与此同时，LiDAR在获取三维几何信息时，也记录了激光的反射强度信息，这个强度信息有助于从机载LiDAR数据中分离人造地物(如道路、建筑物等)和自然地物(如植被、裸土等)。并且随着全波形和多光谱激光雷达的发展，强度信息将会成为机载LiDAR的重要信息。与融合的光学影像的光谱信息相比，机载LiDAR自身记录的光谱信息(即强度信息)具有多个优点：①机载LiDAR是一种主动遥感，其强度信息与阴影等光照条件无关；②机载LiDAR可以获取垂直方向上点云的强度信息；③机载LiDAR在测量过程中存在混合光谱的情形比光学影像少，是因为机载LiDAR的测量粒度较小。
目前，机载LiDAR点云分类一般是利用几何信息和强度信息训练监督学习方法，常用的监督学习方法有随机森林、条件随机场、神经网络等。2014年，孙杰等在期刊《武汉大学学报·信息科学版》39卷第11期中发表“利用随机森林的城区机载LiDAR数据特征选择与分类”一文，提出了一种基于随机森林的机载LiDAR数据特征选择与分类的方法；2014年，Niemeyer等在期刊《ISPRS Journal of Photogrammetry and Remote Sensing》87卷中发表“Contextual Classification of LiDAR Data and Building Object Detection inUrban Areas”一文，研究了将随机森林分类集成到条件随机场中，便于利用机载LiDAR点云的上下文信息；2018年，Yang等在期刊《Remote Sensing》9卷中发表“A ConvolutionalNeural Network-Based 3D Semantic Labeling Method for ALS Point Clouds”一文，研究了将点的三维邻域特征变换为二维图像，然后利用基于卷积神经网络的方法来提取高级特征，完成机载LiDAR点云分类。
然而，受飞行高度、传递功率、大气透过率等的影响，机载LiDAR记录的强度信息是易变的，导致使用几何信息与强度信息直接训练监督学习得到的分类器不够稳健、泛化能力差，难以迁移到其他区域的机载LiDAR数据中。综上所述，如何克服上述缺点得到较好的机载LiDAR点云分类结果，是现有技术亟需解决的问题。
发明内容
1.要解决的问题
本发明的目的在于克服现有技术中，易变的强度信息引起的机载LiDAR点云监督分类器不稳定、难迁移的不足，提供了一种机载LiDAR点云分类方法，可以分层次利用机载LiDAR的几何特征和强度特征，得到较好的机载LiDAR点云分类结果。
2.技术方案
为了解决上述问题，本发明所采用的技术方案如下：
本发明的一种利用几何与强度特征的分层次机载LiDAR点云分类方法，首先通过机载LiDAR获取地表的三维几何信息和强度信息，并根据几何信息和强度信息为每个LiDAR点构建几何特征与强度特征；再利用随机森林分类器处理几何特征，得到机载LiDAR点云的监督分类结果；从监督分类结果中提取地面地物，并利用高斯混合模型处理地面地物点的强度特征，得到机载LiDAR点云中地面地物点的非监督分类结果；而后利用启发规则对监督分类结果与非监督分类结果进行融合，获得最终分类结果。
优选地，按如下步骤构建几何特征和强度特征：首先通过机载LiDAR获取地表的三维几何信息和强度信息，再根据几何信息构建几何特征，根据强度信息构建强度特征；其中，几何特征包括快速点特征直方图、法向量和高度，强度特征为强度信息。
优选地，按如下步骤利用随机森林分类器处理几何特征：利用训练后的随机森林分类器处理机载LiDAR点云的几何特征，随机森林分类器根据几何特征为每个LiDAR点赋予的类概率向量为：
式中，Pi是每棵决策树所预测的概率向量，表示叶结点中同类点的数量所占总点数的比例；n是随机森林中决策树的个数；再利用公式获得监督分类结果：式中，C是类别空间，包括所有地物类别。
优选地，按如下步骤利用高斯混合模型处理强度特征：首先从监督分类结果中提取地面地物，再利用高斯混合模型处理地面地物点的强度特征，得到非监督分类结果；高斯混合模型为每个强度特征i赋予类标记λi的概率为：
式中，m表示共有m个成分，ωi是i成分的权重，每一个成分是均值为μi，标准差为σi的高斯概率密度函数g(i|μk,σk)：
其中，μk、σk、ωi是高斯混合模型根据机载LiDAR数据估计的参数；其中，每个LiDAR点类标记为：
优选地，按如下步骤融合监督分类结果和非监督分类结果：如果监督分类结果中的类别为地面地物，利用启发规则对监督分类结果和非监督分类结果进行融合得到最终分类结果y；
启发规则为：
式中，a为折中系数，a≥0，rs是机载LiDAR点云所属两类不同地面地物之间随机森林分类器所得概率比值：
ru是机载LiDAR点云所属两类不同地面地物之间高斯混合模型所得概率比值：
式中，glo1为一种地面地物，glo2为一种不同于glo1的地面地物。
优选地，如果监督分类结果中的类别为非地面地物，最终分类结果y为随机森林分类器处理得到的监督分类的结果。
3.有益效果
相比于现有技术，本发明的有益效果为：
(1)本发明的一种利用几何与强度特征的分层次机载LiDAR点云分类方法，通过分层次处理机载LiDAR点云的几何信息和强度信息，从而提高了本发明方法的稳健性与泛化能力，进而可以得到较好的机载LiDAR点云分类结果；
(2)本发明一种利用几何与强度特征的分层次机载LiDAR点云分类方法，通过快速点特征直方图替换传统的协方差特征，并且将快速点特征直方图与法向量和高度组合成几何特征，反映了点领域的形状分布特征，更符合现实的应用场景，进一步提高了本发明方法的实用性；
(3)本发明一种利用几何与强度特征的分层次机载LiDAR点云分类方法，启发规则基于随机森林分类器以及高斯混合模型所得的概率，进一步地定义随机森林分类器与高斯混合模型的处理结果的可信任程度，实现了对监督分类结果与非监督分类结果的有效融合，从而得到较好的机载LiDAR点云分类结果。
附图说明
图1为本发明方法流程示意图；
图2为实施例2中机载LiDAR标记数据；
图3为实施例2中待分类的机载LiDAR数据；
图4为实施例2中机载LiDAR点云分类结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例；而且，各个实施例之间不是相对独立的，根据需要可以相互组合，从而达到更优的效果。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。
实施例1
结合图1所示，本发明的一种利用几何与强度特征的分层次机载LiDAR点云分类方法，首先通过机载LiDAR获取地表的三维几何信息和强度信息，并根据几何信息和强度信息为每个LiDAR点构建几何特征与强度特征；再利用随机森林分类器处理几何特征，得到机载LiDAR点云的监督分类结果；从监督分类结果中提取地面地物，并利用高斯混合模型处理地面地物点的强度特征，得到机载LiDAR点云中地面地物点的非监督分类结果；值得说明的是，通过分层次处理机载LiDAR点云的几何信息和强度信息，从而提高了本发明方法的稳健性与泛化能力。进一步地，利用启发规则对监督分类结果与非监督分类结果进行融合，获得最终分类结果。需要说明的是，本发明的启发规则基于随机森林分类器以及高斯混合模型所得的概率，进一步地定义随机森林分类器与高斯混合模型的处理结果的可信任程度，实现了对监督分类结果与非监督分类结果的有效融合，从而得到较好的机载LiDAR点云分类结果。
本发明的一种利用几何与强度特征的分层次机载LiDAR点云分类方法，具体步骤如下：
步骤一：构建几何特征和强度特征
首先通过机载LiDAR获取地表的三维几何信息和强度信息，再根据几何信息构建几何特征，根据强度信息构建强度特征，该强度特征包括地面地物点强度特征与非地面地物点强度特征；其中，几何特征包括快速点特征直方图、法向量和高度，强度特征为强度信息。值得说明的是，快速点特征直方图是不随旋转、平移变化的相对特征，法向量和高度是对旋转、平移敏感的绝对特征，本发明通过快速点特征直方图替换传统的协方差特征，并且将快速点特征直方图与法向量和高度组合成几何特征，反映了点领域的形状分布特征，更符合现实的应用场景，进一步提高了本发明方法的实用性。
步骤二：利用随机森林分类器处理几何特征
利用训练后的随机森林分类器处理机载LiDAR点云的几何特征，随机森林分类器根据几何特征为每个LiDAR点赋予的类概率向量为：
式中，Pi是每棵决策树所预测的概率向量，表示叶结点中同类点的数量所占总点数的比例；n是随机森林中决策树的个数；其中，每棵决策树所预测的概率向量包含各个类的概率向量，例如电力线、汽车、围栏、屋顶、立面、灌丛与乔木等的概率向量。值得说明的是，本发明利用机载LiDAR的标记数据及机载LiDAR数据的几何特征训练随机森林分类器。
再利用公式获得监督分类结果：
式中，C是类别空间，包括所有地物类别；表示当最大时所对应的类别，即c的取值。
步骤三：利用高斯混合模型处理强度特征
首先从监督分类结果中提取地面地物，再利用高斯混合模型处理地面地物点的强度特征，得到非监督分类结果；高斯混合模型为每个强度特征i赋予类标记λi的概率为：
式中，m表示共有m个成分，ωi是i成分的权重，每一个成分是均值为μi，标准差为σi的高斯概率密度函数g(i|μk,σk)：
其中，μk、σk、ωi是高斯混合模型需要根据机载LiDAR数据估计的参数，一般采用EM算法进行估计；其中，每个LiDAR点类标记为：
式中，表示当最大时所对应的类别，即k的取值。
步骤四：融合监督分类结果和非监督分类结果
如果监督分类结果中的类别为地面地物，如低矮植被和不透水地面等；利用启发规则对监督分类结果和非监督分类结果进行融合得到最终分类结果y；启发规则为：
式中，a为折中系数，a≥0，rs是机载LiDAR点云所属两类不同地面地物之间随机森林分类器所得概率比值：
ru是机载LiDAR点云所属两类不同地面地物之间高斯混合模型所得概率比值：
式中，glo1为一种地面地物，glo2为一种不同于glo1的地面地物。
值得说明的是，本实施例中两类不同地面地物为低矮植物和不透水地面。
进一步地，如果监督分类结果中的类别为非地面地物，最终分类结果y为随机森林分类器处理得到的监督分类的结果。
实施例2
本实施例的内容基本同实施例1，不同之处在于：本实施例中快速点特征直方图表示为fpfh、法向量表示为N、高度表示为h，强度特征表示为i；本实施例采用实施例1的一种利用几何与强度特征的分层次机载LiDAR点云分类方法，具体地步骤如下：
步骤一：首先利用机载LiDAR技术获取机载LiDAR数据(如图2、图3所示)，值得说明的是，本实施例中机载LiDAR数据由国际摄影测量与遥感协会提供(http://www2.isprs.org/commissions/comm3/wg4/tests.html)，是由徕卡ALS50系统于2008年8月所拍摄。本实例具体实施采用C++编程语言，在Ubuntu 18.04平台与Python 3.6编程语言在Anaconda平台下实现，主要使用C++库point cloud library(简称PCL)和Python的Scikit-learn、Numpy库，机载LiDAR数据的格式转化借助开源软件CloudCompare实现。
进一步地，以CloudCompare为LiDAR数据格式转换工具，利用File→Open读取机载LiDAR数据；利用Edit→Normals→Compute计算几何特征中的N与强度特征i；利用File→Save将LiDAR数据保存为pcd格式。利用C++点云库pcl读取点云、计算几何特征中的快速点特征直方图fpfh与个高度h。
步骤二：使用机载LiDAR标记数据与步骤一计算得到的几何特征训练随机森林分类器，本实施例中采用Scikit-learn(https://scikit-learn.org/stable/)训练随机森林分类器；
本实施例中决策树的个数n设置为60，本实施例的类别空间C为{电力线，低矮植被，不透水地面，汽车，围栏，屋顶，立面，灌丛，树木}，每颗决策树的叶结点包含这相应类别的概率，例如：在训练后的随机森林分类器中，某叶结点总共包含100个点，其中地面点有80个，低矮植被点有15个，汽车的有5个，则对于落入该叶结点内的点，决策树为其预测的概率P为
P(低矮植被)＝15％，P(不透水地面)＝80％，P(汽车)＝5％
随机森林分类器得到的概率是所有决策树加权求和得到。进一步地，随机森林分类器根据几何特征为每个LiDAR点赋予的类概率向量为：
再利用公式获得监督分类结果：
步骤三：从所得的监督分类结果中提取地面地物，本实施例中的地面地物包括低矮植被、不透水地面；本实施例中将高斯混合模型的成分m设置为2，利用地面地物的强度特征i，借助EM算法估计高斯混合模型的参数ωi，μk，σk。然后根据公式为每个地面地物点分配新的类别：低矮植被与不透水地面，并得到非监督分类结果。具体公式如下：
步骤四：融合监督分类结果与非监督分类结果，具体地，如果监督分类结果中的类别为非地面地物，本实施例中包括：电力线、汽车、围栏、屋顶、立面、灌丛与乔木等，最终分类结果y为随机森林分类器处理得到的监督分类的结果。
如果监督分类结果中的类别为地面地物，本实施例中包括：低矮植被、不透水地面，利用启发规则对监督分类结果和非监督分类结果进行融合得到最终分类结果y；启发规则为：
式中，a为折中系数，本实施例中a为8，rs是机载LiDAR点云所属两类不同地面地物之间随机森林分类器所得概率比值：
ru是机载LiDAR点云所属两类不同地面地物之间高斯混合模型所得概率比值：
式中，glo1为一种地面地物，glo2为一种不同于glo1的地面地物。本实施例中glo1为低矮植被，glo2为不透水地面；
例如对点A，随机森林分类器对其输出的类别概率为：
高斯混合模型对其输出的类别概率为：
则对随机森林与高斯混合模型的可信任程度rs与ru为：
由于a×rs＝8×1.125＝9<11.5,因此点A的类别为非监督分类的结果即不透水地面。最后，利用Numpy.save()对分类结果进行输出，并在CloudCompare里面可视化(如图4所示)。
进一步地，为了检测本发明的一种利用几何与强度特征的分层次机载LiDAR点云分类方法(表中以HUGI-LiDAR表示)的效果，将该方法得到的结果与不考虑强度信息的随机森林的结果进行比较，相应的精度评价见表1；为了检测本发明的一种利用几何与强度特征的分层次机载LiDAR点云分类方法在不同的点云获取条件下分类的稳定性，将该方法与考虑强度的信息随机森林(表中以RFI表示)的结果进行比较，相应的精度评价见表2。本实施例采用F1和总体精度对识别结果进行精度评价，F1是准确率与召回率的调和平均数，总体精度是正确分类的点数占总点数的比例。
表1 HUGI-LiDAR与不考虑强度的随机森林之间的比较
表2 HUGI-LiDAR与RFI的比较
对比结果表明，本发明的一种利用几何与强度特征的分层次机载LiDAR点云分类方法有效提高了分类的精度，而且增强了对易变强度信息的稳健性，提高了分类模型的可迁移性，具有一定的通用性。
在上文中结合具体的示例性实施例详细描述了本发明。但是，应当理解，可在不脱离由所附权利要求限定的本发明的范围的情况下进行各种修改和变型。详细的描述和附图应仅被认为是说明性的，而不是限制性的，如果存在任何这样的修改和变型，那么它们都将落入在此描述的本发明的范围内。此外，背景技术旨在为了说明本技术的研发现状和意义，并不旨在限制本发明或本申请和本发明的应用领域。
Claims (6)
1.一种利用几何与强度特征的分层次机载LiDAR点云分类方法，其特征在于，首先通过机载LiDAR获取地表的三维几何信息和强度信息，并根据几何信息和强度信息为每个LiDAR点构建几何特征与强度特征；再利用随机森林分类器处理几何特征，得到机载LiDAR点云的监督分类结果；从监督分类结果中提取地面地物，并利用高斯混合模型处理地面地物点的强度特征，得到机载LiDAR点云中地面地物点的非监督分类结果；而后利用启发规则对监督分类结果与非监督分类结果进行融合，获得最终分类结果。
2.根据权利要求1所述的一种利用几何与强度特征的分层次机载LiDAR点云分类方法，其特征在于，按如下步骤构建几何特征和强度特征：
首先通过机载LiDAR获取地表的三维几何信息和强度信息，再根据几何信息构建几何特征，根据强度信息构建强度特征；其中，几何特征包括快速点特征直方图、法向量和高度，强度特征为强度信息。
3.根据权利要求1或2所述的一种利用几何与强度特征的分层次机载LiDAR点云分类方法，其特征在于，按如下步骤利用随机森林分类器处理几何特征：
利用训练后的随机森林分类器处理机载LiDAR点云的几何特征，随机森林分类器根据几何特征为每个LiDAR点赋予的类概率向量为：
式中，Pi是每棵决策树所预测的概率向量，表示叶结点中同类点的数量所占总点数的比例；n是随机森林中决策树的个数；
再利用公式获得监督分类结果：
式中，C是类别空间，包括所有地物类别。
4.根据权利要求3所述的一种利用几何与强度特征的分层次机载LiDAR点云分类方法，其特征在于，按如下步骤利用高斯混合模型处理强度特征：
首先从监督分类结果中提取地面地物，再利用高斯混合模型处理地面地物点的强度特征，得到非监督分类结果；
高斯混合模型为每个强度特征i赋予类标记λi的概率为：
式中，m表示共有m个成分，ωi是i成分的权重，每一个成分是均值为μi，标准差为σi的高斯概率密度函数g(i|μk,σk)：
其中，μk、σk、ωi是高斯混合模型根据机载LiDAR数据估计的参数；
其中，每个LiDAR点类标记为：
5.根据权利要求4所述的一种利用几何与强度特征的分层次机载LiDAR点云分类方法，其特征在于，按如下步骤融合监督分类结果和非监督分类结果：
如果监督分类结果中的类别为地面地物，利用启发规则对监督分类结果和非监督分类结果进行融合得到最终分类结果y；
启发规则为：
式中，a为折中系数，a≥0，rs是机载LiDAR点云所属两类不同地面地物之间随机森林分类器所得概率比值：
ru是机载LiDAR点云所属两类不同地面地物之间高斯混合模型所得概率比值：
式中，glo1为一种地面地物，glo2为一种不同于glo1的地面地物。
6.根据权利要求4或5所述的一种利用几何与强度特征的分层次机载LiDAR点云分类方法，其特征在于，如果监督分类结果中的类别为非地面地物，最终分类结果y为随机森林分类器处理得到的监督分类的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910294565.8A CN110009054B (zh) | 2019-04-12 | 2019-04-12 | 一种利用几何与强度特征的分层次机载LiDAR点云分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910294565.8A CN110009054B (zh) | 2019-04-12 | 2019-04-12 | 一种利用几何与强度特征的分层次机载LiDAR点云分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110009054A true CN110009054A (zh) | 2019-07-12 |
| CN110009054B CN110009054B (zh) | 2021-01-29 |
Family
ID=67171436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910294565.8A Active CN110009054B (zh) | 2019-04-12 | 2019-04-12 | 一种利用几何与强度特征的分层次机载LiDAR点云分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110009054B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110501302A (zh) * | 2019-07-29 | 2019-11-26 | 武汉大学 | 一种多源证据融合数据的浒苔分布图生成方法 |
| CN111860359A (zh) * | 2020-07-23 | 2020-10-30 | 江苏食品药品职业技术学院 | 一种基于改进随机森林算法的点云分类方法 |
| CN111950658A (zh) * | 2020-08-28 | 2020-11-17 | 南京大学 | 一种基于深度学习的LiDAR点云与光学影像先验级耦合分类方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104280725A (zh) * | 2013-09-25 | 2015-01-14 | 中国科学院光电研究院 | 全波形激光雷达数据波形分解方法 |
| CN104808191A (zh) * | 2015-05-08 | 2015-07-29 | 南京林业大学 | 一种基于全波形LiDAR单木冠层容积分解的树种分类方法 |
| CN104933708A (zh) * | 2015-06-07 | 2015-09-23 | 浙江大学 | 一种基于多谱三维特征融合的植被环境中障碍物检测方法 |
| CN105678790A (zh) * | 2016-02-22 | 2016-06-15 | 辽宁工程技术大学 | 基于可变高斯混合模型的高分辨率遥感影像监督分割方法 |
| CN107092020A (zh) * | 2017-04-19 | 2017-08-25 | 北京大学 | 融合无人机LiDAR和高分影像的路面平整度监测方法 |
| US20170365094A1 (en) * | 2016-04-04 | 2017-12-21 | University Of Cincinnati | Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data |
| US20180188026A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Visual odometry and pairwise alignment for high definition map creation |
| CN109241999A (zh) * | 2018-08-07 | 2019-01-18 | 北京云迹科技有限公司 | 机器人、用于机器人的物体识别装置及物体识别方法 |
| CN109344854A (zh) * | 2018-08-07 | 2019-02-15 | 北京云迹科技有限公司 | 机器人、用于机器人的物体识别装置及物体识别方法 |
-
2019
- 2019-04-12 CN CN201910294565.8A patent/CN110009054B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104280725A (zh) * | 2013-09-25 | 2015-01-14 | 中国科学院光电研究院 | 全波形激光雷达数据波形分解方法 |
| CN104808191A (zh) * | 2015-05-08 | 2015-07-29 | 南京林业大学 | 一种基于全波形LiDAR单木冠层容积分解的树种分类方法 |
| CN104933708A (zh) * | 2015-06-07 | 2015-09-23 | 浙江大学 | 一种基于多谱三维特征融合的植被环境中障碍物检测方法 |
| CN105678790A (zh) * | 2016-02-22 | 2016-06-15 | 辽宁工程技术大学 | 基于可变高斯混合模型的高分辨率遥感影像监督分割方法 |
| US20170365094A1 (en) * | 2016-04-04 | 2017-12-21 | University Of Cincinnati | Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data |
| US20180188026A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Visual odometry and pairwise alignment for high definition map creation |
| CN107092020A (zh) * | 2017-04-19 | 2017-08-25 | 北京大学 | 融合无人机LiDAR和高分影像的路面平整度监测方法 |
| CN109241999A (zh) * | 2018-08-07 | 2019-01-18 | 北京云迹科技有限公司 | 机器人、用于机器人的物体识别装置及物体识别方法 |
| CN109344854A (zh) * | 2018-08-07 | 2019-02-15 | 北京云迹科技有限公司 | 机器人、用于机器人的物体识别装置及物体识别方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110501302A (zh) * | 2019-07-29 | 2019-11-26 | 武汉大学 | 一种多源证据融合数据的浒苔分布图生成方法 |
| CN110501302B (zh) * | 2019-07-29 | 2020-06-09 | 武汉大学 | 一种多源证据融合数据的浒苔分布图生成方法 |
| CN111860359A (zh) * | 2020-07-23 | 2020-10-30 | 江苏食品药品职业技术学院 | 一种基于改进随机森林算法的点云分类方法 |
| CN111860359B (zh) * | 2020-07-23 | 2021-08-17 | 江苏食品药品职业技术学院 | 一种基于改进随机森林算法的点云分类方法 |
| CN111950658A (zh) * | 2020-08-28 | 2020-11-17 | 南京大学 | 一种基于深度学习的LiDAR点云与光学影像先验级耦合分类方法 |
| CN111950658B (zh) * | 2020-08-28 | 2024-02-09 | 南京大学 | 一种基于深度学习的LiDAR点云与光学影像先验级耦合分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110009054B (zh) | 2021-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Varney et al. | DALES: A large-scale aerial LiDAR data set for semantic segmentation | |
| Branson et al. | From Google Maps to a fine-grained catalog of street trees | |
| Kalantar et al. | Drone-based land-cover mapping using a fuzzy unordered rule induction algorithm integrated into object-based image analysis | |
| Sohn et al. | Supervised and unsupervised spectral angle classifiers | |
| Vo et al. | Processing of extremely high resolution LiDAR and RGB data: Outcome of the 2015 IEEE GRSS data fusion contest—Part B: 3-D contest | |
| CN110009054A (zh) | 一种利用几何与强度特征的分层次机载LiDAR点云分类方法 | |
| Chen et al. | Valid: A comprehensive virtual aerial image dataset | |
| Waldhauser et al. | Automated classification of airborne laser scanning point clouds | |
| Kuzmin et al. | Automatic segment-level tree species recognition using high resolution aerial winter imagery | |
| CN109308451A (zh) | 一种高分数据信息提取系统及方法 | |
| Zhong et al. | Identification of tree species based on the fusion of UAV hyperspectral image and LiDAR data in a coniferous and broad-leaved mixed forest in Northeast China | |
| Norman et al. | Fusion of multispectral imagery and LiDAR data for roofing materials and roofing surface conditions assessment | |
| Wong et al. | Optical remote sensing | |
| Wang et al. | Multi-source evidence data fusion approach to detect daily distribution and coverage of Ulva prolifera in the Yellow Sea, China | |
| Zhang et al. | UAV‐derived imagery for vegetation structure estimation in rangelands: validation and application | |
| Sharma et al. | Building footprint extraction from aerial photogrammetric point cloud data using its geometric features | |
| Oșlobanu et al. | Built-up area analysis using Sentinel data in metropolitan areas of Transylvania, Romania | |
| Boerner et al. | Voxel based segmentation of large airborne topobathymetric lidar data | |
| Montoya et al. | TreeTool: A tool for detecting trees and estimating their DBH using forest point clouds | |
| Mweresa et al. | Estimation of tree distribution and canopy heights in ifakara, tanzania using unmanned aerial system (UAS) stereo imagery | |
| CN114004740B (zh) | 基于无人机激光雷达点云的建筑物墙线提取方法 | |
| Saheer et al. | Self-supervised approach for urban tree recognition on aerial images | |
| Alexander et al. | An approach to classification of airborne laser scanning point cloud data in an urban environment | |
| Wang et al. | Edge enhanced channel attention-based graph convolution network for scene classification of complex landscapes | |
| Zhao et al. | Robust shape extraction for automatically segmenting raw LiDAR data of outdoor scenes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |