学海网

基于视觉认知与深度学习的LiDAR点云自动分类方法研究，硕士学位论文，共68页，38530字，附答辩文稿、开题报告、其他资料等。
摘要
由于LiDAR点云分类中地物类型多样，地物结构复杂，特定的特征和分类器很难适用于不同场景。如何自动提取有效的分类特征，是LiDAR点云自动分类的关键问题。为此，本文开展了以下三个方面的研究工作：1）本文首先选取25类几何特征和80个窗口大小，提取了2000个几何特征。之后，利用多维定标和k均值聚类对25个特征和80个窗口大小进行聚类。利用随机森林方法评估几何特征的分类性能；2）本文将LiDAR点云插值图像作为暗视条件下视觉认知过程，提取不同尺度的亮度图和方向图。并分别提取基于itti模型和gbvs模型的特征图、激活图和显著图。利用随机森林方法评估几何特征的分类性能；3）本文将LiDAR点云插值而成的DSM图像按每一像元为中心裁剪成28×28大小的图像，归一化后作为卷积神经网络的输入，并结合分类标签训练卷积神经网络，评估其分类性能。
本文的数据采用ISPRS于2010年提供的机载LiDAR点云数据集，以及三个实验样区的分类图像。实验结果表明：1）利用2000个几何特征进行分类时，三个实验区的kappa系数达0.93以上。建筑、人工地表、自然地表和植被的分类精度依次降低。此外，几何特征可以分为滤波型、第一特征型、第二特征型和第三特征型。滤波型的分类精度最高，kappa系数最高可达0.7。窗口大小可分为小窗口(0.5~2.5m)、中等窗口(2.5~10m)和大窗口(10~40m)。有效的窗口大小主要集中在0.5 m~2.5 m，少部分分布在以5 m、10 m和20 m。但特征之间存在大量的冗余信息和不相关信息，特征的筛选和组合增大了工作量。2）视觉认知原始图和特征图的分类精度可高达0.91以上。各类地物类型的分类精度排序与基于几何特征分类结果一致。利用向前选择法挑选原始图、itti特征图和gbvs特征图子集时，前5个特征的kappa系数便大于0.90。各类视觉认知特征间的相关性较低，结合不同尺度、不同类别、不同方向的视觉认知特征能够利用较少的特征获得较高的精度。3）基于卷积神经网络三个实验区分类的kappa系数在0.61到0.71之间，总体精度介于0.72到0.80。尽管卷积神经网络分类精度低于基于几何特征和视觉认知的分类精度，但卷积神经网络的分类模型在其它区域具有更高的通用性。将分类模型用于其它区域时，基于卷积神经网络的kappa系数要高出0.2左右。总之，基于视觉认知特征和卷积神经网络能够提高LiDAR分类的性能。
关键词：LiDAR点云，地表分类，视觉认知特征，深度学习，卷积神经网络

目 录
摘 要 I
ABSTRACT II
目 录 1
第1章 绪论 1
1.1 研究背景和意义 1
1.2 LiDAR点云分类现状 2
1.2.1 滤波、分割与分类 2
1.2.2 LiDAR点云分类特征 4
1.2.3 LiDAR点云分类方法 8
1.3 视觉认知概述 9
1.4 深度学习概述 10
1.5 研究目标、问题、内容 11
1.5.1 研究目标 11
1.5.2 关键问题 11
1.5.3 研究内容 11
1.6 研究框架和论文结构 12
第2章 实验区选取与数据预处理 14
2.1 数据介绍 14
2.2 数据预处理 16
2.3 点云分类标签 17
第3章 基于几何特征的LiDAR点云分类 18
3.1 几何特征选取和聚类 18
3.2 随机森林与精度评价 22
3.3 基于点云几何特征的分类结果 24
第4章 基于视觉认知模型的LiDAR点云分类 27
4.1 视觉认知模型 27
4.2 LiDAR点云视觉认知特征 29
4.3 基于视觉认知特征的分类结果 33
第5章 基于深度学习的LiDAR点云分类 36
5.1 深度学习方法 36
5.1.1 人工神经网络 36
5.1.2 卷积神经网络 38
5.2 卷积神经网络设计 40
5.3 基于卷积神经网络的分类结果 42
第6章 结论与展望 45
6.1 结论 45
6.2 创新点 46
6.3 展望 46
参考文献 47
科研经历 51
致 谢 52