CN110794424B - 基于特征选择的全波形机载激光雷达地物分类方法及系统 - Google Patents

Abstract

本发明涉及一种基于ReliefF特征选择的全波形机载激光雷达地物分类方法。该方法包括：对机载激光雷达全波形数据进行高斯分解，获取回波参数并使用LM算法进行优化；基于不同几何邻域提取机载激光雷达数据点云特征，利用优化后的回波参数提取全波形数据的波形特征；将机载激光雷达数据中的点云特征和全波形数据的波形特征相融合，使用ReliefF算法对各特征在分类时的重要性进行评价；进行特征选择，分析多种特征组合对不同地物分类效果的影响，利用随机森林分类器进行地物分类。本发明利用机载激光雷达点云数据与全波形数据，通过特征提取与选择找到分类的最优特征组合，从而达到实现高精度地物多分类的目的。

Description

基于特征选择的全波形机载激光雷达地物分类方法及系统

技术领域

本发明涉及一种机载激光雷达地物分类方法及系统，属于机载激光雷达技术领域，具体是涉及一种基于特征选择的全波形机载激光雷达地物分类方法。

背景技术

机载激光雷达(Airborne LiDAR System,ALS)是一种集成了高精度惯性测量单元(Inertial Measurement Unit,IMU)、全球定位导航系统(Global Positioning System，GPS)以及激光扫描测距系统组成的主动对地观测系统，可以通过量测激光脉冲在空气中传播的时间来获取扫描仪与激光脚点之间的距离，在森林参数估计、三维城市建模、提取电力线和数字地面模型生成等方面应用广泛。近年来，由于ALS具有受天气影响小、作业周期快、时效性强、穿透性等诸多优点，正日益成为遥感数据采集技术的一种重要方式。

然而，传统的机载激光雷达只能提供离散三维点云数据和回波强度信息，这些有限的信息使得地物分类的精度受到很大的制约。通过多源数据融合的方法来弥补点云物理信息的缺乏是目前常用的解决方法，但是这种方法又带来了对数据完备性要求过高的问题。

目前，随着全波形LiDAR观测技术的发展，全波形LiDAR数据的获取，为弥补传统机载激光雷达点云数据物理信息的不足，提高地物分类精度提供了新的可能。与传统的机载激光LiDAR系统相比，全波形LiDAR系统具有两点优势：(1)全波形LiDAR系统接收的回波信号包含更加全面的地面几何信息。这意味在同一个光斑内，全波形LiDAR数据比传统LiDAR数据能够更详细地描述目标地物的粗糙度、水平分布和垂直结构等信息(尤其在林区)。(2)全波形数据经过波形分解以后可以得到更丰富的高密度、高精度三维点云数据。

全波形数据分解的基本目的是实现从一维信号到三维点数据的转化，即根据一维波形信号获取三维地形信息。采用高斯分解方法可以提取额外波形信息(脉冲宽度和振幅等)，获得的波形参数不仅使波形数据处理精度更高，而能反映地物特性。可见，通过利用全波形机载激光雷达数据，可以对地物进行更加细致的描述，提供丰富的信息，对地物分类有着极其重要的意义。

现有技术中利用全波形机载激光雷达数据进行地物分类的方法仍存在以下两点不足：(1)应用范围小，目前在国内外已有的案例中大多将全波形数据应用于林地区域，但对于城市区域多目标分类问题仍没有一种可以达到生产需求的有效处理方法。(2)计算消耗大，加入波形特征后导致特征空间的维度显著增加，使得分类算法的运算复杂度较高，其对于有限面积的城市区域仍然适用，但是对于大范围的野外林区则将会产生巨大的计算消耗。

发明内容

鉴于此，为克服现有技术的不足，针对现有地物分类精度受限及全波形数据处理中存在应用范围小、计算消耗大的问题，本发明提供一种基于特征选择的全波形机载激光雷达地物分类方法及系统，该方法及系统有效提高机载激光雷达数据点自动分类精度，能够为环境监测、地质调查、农业勘测以及城乡规划等领域提供高质量的基础数据。

为实现上述目的，本发明公开一种基于ReliefF特征选择的全波形机载LiDAR地物分类方法，包括以下步骤：

步骤一、全波形机载激光雷达的准备和安装，以及机载激光雷达数据的生成；

步骤二、获取全波形机载激光雷达数据后进行预处理，去除噪声影响。

步骤三、对进行预处理后的全波形数据进行高斯分解，获取回波参数，并使用LM算法进行优化。

步骤四、通过设置不同的几何邻域提取点云特征，利用优化后的回波参数获取波形特征。

步骤五、将得到的机载激光雷达数据中的点云特征和全波形数据的波形特征相融合，使用ReliefF算法对各特征的重要性进行评价。

步骤六、根据排序结果进行特征选择，分析多种特征组合对不同地物分类效果的影响，利用随机森林分类器进行地物分类。

进一步，所述步骤一的具体方法如下：

11)在航飞载体上搭载一套全波形LiDAR系统，包括惯性测量单元(IMU)、差分GPS(DGPS)、激光扫描测距系统和成像装置；

12)根据制定好的飞行方案，对测区进行航飞；

13)根据全波形机载激光雷达数据生成理论模型得到一套全波形机载激光雷达数据和全波形数据。

所述步骤二的具体方法如下：

21)计算原始波形中前后各5％数据的平均值，并根据3σ原则设置噪声阈值，去除背景噪声。

22)使用窗口大小为5的高斯函数对数据进行平滑滤波，去除波形中的随机噪声。

所述步骤三的具体方法如下：

31)对进行预处理后的波形数据求一阶导数，并确定其零交叉点的个数以作为回波分量的数量。

32)对进行预处理后的波形数据求二阶导数，并确定其拐点的位置，计算高斯分量的回波参数(A_i、μ_i、ω_i)。

33)利用LM算法对各回波参数初值进行优化，使得残差平方和ξ^Tξ小于预先设置的阈值。

所述步骤四的具体方法如下：

41)设置不同的几何邻域(格网邻域、圆柱体邻域、球体邻域)提取点云特征。

42)根据优化后的回波参数(A_i、μ_i、ω_i)提取波形特征。

所述步骤五的具体方法如下：

51)选取具有代表性的实验数据进行手工分类，作为ReliefF算法以及分类器的训练样本。

52)对实验数据及训练样本融合点云特征与波形特征。

53)使用ReliefF算法对训练样本数据中的点云特征与波形特征进行重要性评价。

所述步骤六的具体方法如下：

61)根据特征重要性排序结果，选取其中符合需求的特征组合。

62)使用训练样本数据对随机森林分类器(50棵树)进行训练。

63)使用训练好的随机森林分类器对融合点云特征与波形特征的实验数据进行分类，获取每个激光点的类别。

64)评价不同特征组合进行地物分类的精度变化，分析加入不同特征对各地物类型分类效果的影响，反馈到步骤a寻找到最优的特征组合，重新执行步骤63、步骤64，获取高精度的地物分类数据。

因此，本发明相对于现有技术的有益效果是：

(1)利用全波机载激光雷达两套数据，通过特征分析与处理，从而达到实现高精度地物分类的目的，经本发明得到的机载激光雷达点云分类结果，针对城市区域多分类得到了较好的效果。

(2)经本发明融合点云特征与波形特征进行地物分类，其总体精度与Kappa系数均能得到显著改善，同时各地物类别的漏分误差与错分误差也有明显下降，得到了高精度的地物分类结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1本发明基于ReliefF特征选择的全波形机载LiDAR地物分类方法的流程示意图；

图2全波形数据预处理效果图；

图3全波形数据高斯分解效果图；

图4融合波形特征与点云特征分类效果图；

图5各特征对地物分类效果的影响，图中，1a-1b为地面的分类，2a-2b为低矮值被的分类，3a-3b为高植被的分类，4a-4b为建筑物的分类。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。

参照图1，为本实施例提供的一种基于ReliefF特征选择的全波形机载激光雷达地物分类方法，首先，进行全波形机载激光雷达准备和安装，以及机载激光雷达数据的生成，然后对全波形数据进行预处理，去除噪声影响，对预处理后的全波形数据进行高斯分解，获取回波参数，并使用LM算法进行优化，再通过设置不同的几何邻域提取点云特征，利用LM算法优化后的回波参数获取波形特征。接下来融合机载激光雷达数据中的点云特征和全波形数据的波形特征，利用ReliefF算法评价各特征的重要性；最后，根据特征重要性排序结果，进行特征选择，分析多种特征组合对不同地物分类效果的影响，使用随机森林分类器进行地物分类。

下面将结合附图1对本实施例的一种基于ReliefF特征选择的全波形机载激光雷达地物分类方法进行详细描述。其具体步骤包括：

步骤1，在航飞载体上搭载一套全波形LiDAR系统，包括惯性测量单元(IMU)、差分GPS(DGPS)、激光扫描测距系统和成像装置。

步骤2，利用步骤1中的全波形机载激光雷达进行数据采集，可以得到两套数据，分别为全波形机载激光雷达自身产生的机载激光雷达数据，以及全波形数据。

步骤3，根据步骤2中得到的LAS 1.3及1.3以上版本机载激光雷达数据读取对应的WDP全波形数据。

步骤4，将步骤3得到的全波形机载激光雷达数据进行预处理，去除其中的噪声影响。

步骤5，将步骤4中预处理后的全波形数据进行高斯分解，得到各回波参数并通过LM算法进行优化。

步骤6，通过设置不同的几何邻域提取点云特征，利用步骤(5)中优化后的回波参数获取波形特征。

步骤7，融合步骤(6)得到的机载激光雷达数据中的点云特征和全波形数据的波形特征，使用ReliefF算法对各特征的重要性进行评价。

步骤8，根据步骤7中的特征重要性排序结果，进行特征选择，分析多种特征组合对不同地物分类效果的影响，利用随机森林分类器进行地物分类。

所述的步骤4中，全波形机载激光雷达数据进行预处理，去除其噪声影响的步骤及计算方法为：

步骤4.1，设置回波数据前后各5％的数据平均值作为标准噪声值。

步骤4.2，根据3σ原则确定噪声阈值，去除数据中的背景噪声。

步骤4.3，采取窗口大小为5的高斯模板对经过阈值去噪后的数据进行平滑滤波处理，去除数据中的随机噪声。

所述的步骤5中，全波形机载激光雷达数据高斯分解，获取各回波参数并通过LM算法进行优化的步骤及计算方法为：

步骤5.1，检测回波数，对经过预处理后的波形数据进行求一阶导数，统计一阶导数零交叉点的个数作为回波数。

步骤5.2，计算波形参数初值，对经过预处理后的波形数据进行求二阶导数，获取连续拐点位置为l_2i-1与l_2i。由此，第i个回波的峰值位置与波宽可以通过公式(1)与公式(2)计算，且波峰位置的初值

对应的振幅为峰值

步骤5.3，对各参数的初值使用LM算法进行优化，使得迭代残差平方和ξ^Tξ小于预先设置的阈值，具体步骤如下：

步骤5.3.1，设x∈R_m为参数向量(R_m为实数域中长度m的列向量)，y∈R_n为观测向量(R_n为实数域中长度n的列向量)，任意一个参数x均可通过函数f计算出相应的估值

(见公式3)，ξ为残差，通过观测值y与估值

之间的差值进行计算(见公式4)。

步骤5.3.2，对于一个足够小的值

可以将f(x)通过泰勒级数线性展开，如公式(5)。

其中J为雅克比矩阵

步骤5.3.3，在每一次迭代过程中找到一个局部最优值

最终使得公式(6)的结果最小：

步骤5.3.4，通过公式(6)计算出

的值，对各参数值进行改进，见公式(7)。

其中x_i-1为前一次迭代得到的参数值；x_i为当前迭代的改正值。

步骤5.3.5，利用改正后的参数值计算经过本次迭代后的残差ξ，若本次的残差平方和ξ^Tξ小于预先设置的阈值则停止迭代，否则重复执行上述步骤5.3.2-5.3.4。

所述的步骤6中，提取点云特征及波形特征的步骤及计算方法为：

步骤6.1，使用格网邻域对机载激光雷达点云数据提取对建筑物有较好区分效果的特征阶跃数。

步骤6.2，基于圆柱邻域对机载激光雷达点云数据提取高程相关特征，圆柱体邻域可以通过公式(8)进行描述：

其中R_cylinder为圆柱体邻域的半径，(x_i,y_i)为当前点的平面坐标，(x_j,y_j)为搜索点的坐标。

步骤6.2.1，提取最大正高差特征，即当前圆柱邻域内最高且高于当前点的激光脚点与当前点之间的高差。

步骤6.2.2，提取最大负高差特征，即当前圆柱邻域内最低且低于当前点的激光脚点与当前点之间的高差。

步骤6.2.3，提取高程变化范围特征，当前圆柱体邻域内最高激光脚点与最低点之间的高差。

步骤6.2.4，提取高程方差特征，当前点所在邻域内高程的方差值。

步骤6.2.5，提取高差均值特征，当前点高程与圆柱体邻域内所有点平均值之间的高差。

步骤6.2.6，提取高差偏度特征，当前点与圆柱体邻域内所有点高差的偏度，反映邻域内高程分布的对称情况，计算见公式(9)。

式中，E代表三阶标准化矩，X代表邻域内所有点的高程，μ为邻域高程均值，σ为高程标准差。

步骤6.2.7，提取高差峰度特征，当前点与圆柱体邻域内所有点高差的峰度，描述邻域内高程分布形态陡缓程度，计算见公式(10)。

式中，x_i为第i个激光脚点的高程值，

为邻域高程平均值，n为邻域内包含的点数。

步骤6.3，本发明按照一定高度(0.5m)把圆柱体邻域的剖面划分为若干个网格，提取三个不同特征，具体步骤如下：

步骤6.3.1，提取非空网格数特征，该特征为统计剖面视图内非空网格的数量。

步骤6.3.2，提取最大高程方差特征，如果非空网格数的值不小于8，则计算高程值最大的三个网格所包含点云的高程方差值，反之，该特征的值为0。

步骤6.3.3，提取最大网格高程方差特征，此特征为点数最多的网格内数据的高程方差，代表了该区域激光脚点的离散程度。

步骤6.4，基于球体邻域对机载激光雷达点云数据提取密度相关特征，具体步骤如下：

步骤6.4.1，提取点密度特征，该特征代表圆柱体邻域内的激光脚点密度，计算见公式(11)。

式中，N_cylinder为圆柱体邻域内激光脚点的个数，r为圆柱体邻域半径，h为高程变化范围，即最高点与最低点之间的高程差。

步骤6.4.2，提取点密度比特征，该特征为圆柱体邻域与球体邻域的点密度之比，可通过公式(12)进行计算。

其中，D_s为球体邻域内激光脚点密度，计算见公式(13)。

式中，N_sphere为球体邻域内激光脚点的个数。

步骤6.5，基于LM算法优化后的回波参数，提取蕴含丰富物理信息的波形特征，具体步骤如下：

步骤6.5.1，提取振幅特征，其随着不同物体的辐射和几何特性而变化。由步骤5中LM算法优化后的参数A_i(回波振幅)表示。

步骤6.5.2，提取波峰位置特征，代表发射脉冲与目标物产生响应的位置与回波脉冲初始记录之间的时间间隔。由步骤5中LM算法优化后的参数μ_i(回波波峰位置)表示。

步骤6.5.3，提取半波宽特征，其与地表形状密切相关。由步骤5中LM算法优化后的参数ω_i(回波半波宽)表示。

步骤6.5.4，提取回波强度特征intensity，代表目标反射到传感器能量的大小，计算见公式(14)。

式中A_i代表第i次回波的振幅，ω_i代表第i次回波波形的半波宽

步骤6.5.4，后向散射系数特征，为激光脉冲与地面的有效碰撞面积，计算见公式(15)。

式中，C_cal为定标常数，R为为激光束到地面的距离，A为入射波形的振幅，w为入射波形的半波宽，Γ是伽马函数，代表传感器对回波的影响，α是水平面与法线之间的夹角，即地面坡度。

所述的步骤7中，融合点云特征与波形特征并使用ReliefF算法进行重要性评价的步骤及计算方法为：

步骤7.1，选择一部分具有代表性的实验数据进行手工分类，作为训练样本。

步骤7.2，融合训练样本数据中的点云特征与波形特征，并使用ReliefF算法对各特征的重要性进行评价，具体步骤如下：

步骤7.2.1，设置所有点云特征与波形特征的权重均为0。

步骤7.2.2，随机选择一个训练实例R。

步骤7.2.3，从当前点同类的样本中寻找K近邻(K设置为10)样本H。

步骤7.2.4，从当前点不同类的样本中寻找K近邻(K设置为10)样本M。

步骤7.2.5，分别计算当前样本R与样本H及样本M之间在各特征上的距离。

步骤7.2.6，若R与H在某个特征的距离大于R与M，则认为此特征对于区分同类与不同类有益，增强该特征的权重；反之，若R与H在某个特征的距离小于R与M，则认为此特征对于区分同类与不同类有负面作用，降低该特征的权重。

步骤7.2.7，上述步骤7.2.2-7.2.6重复m次，最后得到各特征的平均权重。权重的值越大，表示该特征的分类能力越强，反之，表示该特征的分类能力较弱。

步骤7.3，对步骤7.3中获取的特征权重进行排序。

所述的步骤8中，分析不同特征组合对地物分类效果的影响并利用随机森林分类器进行地物分类的步骤及计算方法为：

步骤8.1，按照步骤7中的特征排序结果选取不同的特征组合。

步骤8.2，利用训练样本数据对随机森林分类器(50棵树)进行训练。

步骤8.3，使用训练完成的随机森林分类器对实验数据进行分类，获取每个激光点的类别信息。

步骤8.4，对分类结果进行精度评价，分析各特征对不同地物分类效果的影响，反馈到步骤8.1寻找到最优的特征组合，重新执行步骤8.2、步骤8.3，获取高精度的地物分类数据。

如图2、图3、图4及图5所示分别为进行全波形数据预处理、高斯分解、融合特征分类以及各特征对地物分类效果影响等步骤的示意图。

图2中，原始波形(实线)存在背景噪声和随机噪声两个部分主要表现为在一些小抖动，这些小抖动会严重妨碍我们对高斯函数变量个数的判断。阈值去噪(虚线)对背景噪声产生了较好的处理效果，去除了原始波形头部和尾部的抖动，平滑滤波(点线图)去除了随机噪声使得波形更加光滑且最大化保留了原始波形信息。

图3中，全波形高斯分解结果，分解后产生了两个高斯分量(见两条虚线)较好拟合了预处理后的全波形数据(实线)，可以完整的描述全波形数据所包含的信息。

图4中，融合波形特征与点云特征对地面、低矮植被、高植被、建筑物等四类地物分类结果与点云真实类别基本一致。

图5中，根据ReliefF算法进行特征排序的结果，逐步加入特征到分类器，分析可知各特征对不同地物分类效果的影响，得到最优的特征组合。分析可知，随着特征的加入四类地物的错分误差及漏分误差整体呈现下降趋势，但是可以发现两类误差在加入前六个特征时已基本达到稳定，由此，基于本发明ReliefF算法的改进后大大降低了特征空间的维数，可以实现对机载激光雷达点云数据的快速、有效的高精度地物分类。

本发明能有效提高机载激光雷达数据点自动分类精度，为环境监测、地质调查、农业勘测以及城乡规划等领域提供高质量的基础数据，且针对城市区域多分类有很好的效果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于特征选择的全波形机载激光雷达地物分类方法，其特征在于，包括：

参数获取步骤，对全波形数据进行高斯分解以获取回波参数，并对回波参数进行优化；

特征提取步骤，通过设置不同的几何邻域提取点云特征，并利用优化后的所述回波参数获取波形特征；

特征融合步骤，融合所述点云特征和波形特征得到融合特征，使用ReliefF算法对融合特征进行重要性评价；

地物分类步骤，选择评价靠前的融合特征进行地物分类；

其中，所述特征融合步骤中，使用ReliefF算法对融合特征进行重要性评价包括：

随机选择一个训练实例样本R，在样本R的同类样本中寻找K近邻样本H，在样本R的非同类样本中寻找K近邻样本M，其中K为正整数；

若样本R与样本H在某个融合特征上的距离大于样本R与样本M在该融合特征上的距离，则增强该融合特征的权重，否则，降低该融合特征的权重；

对计算权重后的各融合特征进行排序。

2.根据权利要求1所述的一种基于特征选择的全波形机载激光雷达地物分类方法，其特征在于，所述参数获取步骤中，高斯分解的具体步骤如下：

对全波形数据求一阶导数，并确定其零交叉点的个数以作为回波分量的数量；

对全波形数据求二阶导数，并确定其拐点的位置，计算高斯分量的回波参数；

利用LM算法对各回波参数初值进行优化，使得残差平方和小于预先设置的阈值。

3.根据权利要求1所述的一种基于特征选择的全波形机载激光雷达地物分类方法，其特征在于，所述特征提取步骤中，点云特征的提取包括：

使用格网邻域对机载激光雷达点云数据提取对建筑物有较好区分效果的特征阶跃数；

基于圆柱邻域对机载激光雷达点云数据提取高程相关特征；

基于球体邻域对机载激光雷达点云数据提取密度相关特征。

4.根据权利要求1所述的一种基于特征选择的全波形机载激光雷达地物分类方法，其特征在于，所述地物分类步骤中，分析不同特征组合对地物分类效果的影响并利用随机森林分类器进行地物分类，包括以下步骤：

根据特征重要性排序结果，选取其中符合需求的特征组合；

使用训练样本数据对随机森林分类器进行训练；

使用训练好的随机森林分类器对融合点云特征与波形特征的实验数据进行分类，获取每个激光点的类别；

评价不同特征组合进行地物分类的精度变化，分析加入不同特征对各地物类型分类效果的影响。

5.根据权利要求1所述的一种基于特征选择的全波形机载激光雷达地物分类方法，其特征在于，还包括：

全波形预处理步骤，用于去除全波形数据噪声，具体为：

计算原始波形中前后各预设范围内的数据平均值，并根据3σ原则设置噪声阈值，去除背景噪声；

使用预设大小的窗口的高斯函数对数据进行平滑滤波，去除波形中的随机噪声。

6.根据权利要求1所述的一种基于特征选择的全波形机载激光雷达地物分类方法，其特征在于，所述全波形数据的获取包括：

在航飞载体上搭载一套全波形激光雷达系统；

根据制定好的飞行方案，对测区进行航飞；

根据全波形机载激光雷达数据生成理论模型得到机载激光雷达点云数据和配套全波形数据。

7.一种基于特征选择的全波形机载激光雷达地物分类系统，其特征在于，包括：

参数获取模块，用于对全波形数据进行高斯分解以获取回波参数，并对回波参数进行优化；

特征提取模块，用于通过设置不同的几何邻域提取点云特征，并利用优化后的所述回波参数获取波形特征；

特征融合模块，用于融合所述点云特征和波形特征得到融合特征，使用ReliefF算法对融合特征进行重要性评价；

地物分类模块，用于选择评价靠前的融合特征进行地物分类；

其中，所述特征融合模块中，使用ReliefF算法对融合特征进行重要性评价包括：

随机选择一个训练实例样本R，在样本R的同类样本中寻找K近邻样本H，在样本R的非同类样本中寻找K近邻样本M，其中K为正整数；

若样本R与样本H在某个融合特征上的距离大于样本R与样本M在该融合特征上的距离，则增强该融合特征的权重，否则，降低该融合特征的权重；

对高速权重后的各融合特征进行排序。

8.根据权利要求7所述的一种基于特征选择的全波形机载激光雷达地物分类系统，其特征在于，所述参数获取模块中，高斯分解的具体步骤如下：

对全波形数据求一阶导数，并确定其零交叉点的个数以作为回波分量的数量；

对全波形数据求二阶导数，并确定其拐点的位置，计算高斯分量的回波参数；

利用LM算法对各回波参数初值进行优化，使得残差平方和小于预先设置的阈值。

Images