共查询到20条相似文献，搜索用时 781 毫秒
1.
针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络（long short-term memory,LSTM）联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。 相似文献
2.
多尺度邻域特征下的机载LiDAR点云电力线分类 总被引：1，自引：0，他引：1
利用机载激光雷达技术三维测量精度高且获取快速的优点进行电力线自动分类提取已成为点云数据处理与电力应用的重要领域。针对电力线分类模型的自动化和高精度需求，本文提出了基于三维多尺度邻域特征的机载LiDAR点云电力线分类提取模型框架，主要包括4个步骤：电力线候选点滤波、多尺度邻域类型选取、形状结构特征提取和支持向量机分类。通过对2个复杂城市区域的试验数据集和8种不同邻域类型的详细结果对比分析，发现基于多尺度圆球邻域形状结构特征的分类模型结果准确率、召回率和质量分别达到97%、94%和93%，同时整体处理时间在2个试验数据中分别从366、256 s减少到274、160 s。试验结果表明，该方法在多种复杂城市场景中能够实现机载LiDAR数据的电力线较高精度分类提取。 相似文献
3.
4.
地面三维激光扫描是城市建筑立面数据采集的新方法,由于三维点云具有数据量大、无规则等特点,导致从点云中精确分割城市建筑物信息面临着严峻的挑战。在传统张量投票方法基础上,充分考虑各个尺度下点云立面特征判别的概率,提出了一种多尺度张量投票方法来实现平面分割,更加精确地实现了立面特征的识别。通过实例,将该方法同主成分分析和传统张量投票进行对比与分析,结果表明,多尺度张量投票方法在分割精度方面较优。 相似文献
5.
一种高压输电走廊机载激光点云分类方法 总被引：1，自引：0，他引：1
针对输电线路现有点云分类方法存在的分类效率较低及精度不高等问题,该文从高压输电走廊的地物分布特点出发,提出一种基于JointBoost的高压输电走廊点云分类方法。该方法将三维点云转换为二维影像并基于Hough变换在影像上检测输电走廊候选区域;对候选区域每个点定义并计算多尺度局部特征向量,包括高程特征、连通特征、张量特征和平面特征;根据多尺度局部特征用JointBoost分类器将待分类点云分为地面、植被、电力线和电力塔4类。实验数据表明,该方法能有效地减少高压输电走廊的点云处理数量,提高分类效率,且选取的多尺度特征能有效地表达输电走廊内地物的分布特点,具有较高的分类精度。 相似文献
6.
提出一种城市机载激光雷达点云的直线特征提取方法。首先基于曲率的区域增长方法分割三维点云平面,
对每个点云平面进行二维投影,并进行网格化和二值化。其次通过稳健的二维线段检测方法获得平面的线特征,将
二维线段重投影至三维空间得到相应的三维线段,构造线特征集。最后对线特征集构建基于固定网格的直线空间
索引方法,实现基于线特征的点云索引。实验结果表明,该方法直线提取误差较低,相对平面相交法效率更高,能够
有效提取城市建筑物的直线特征,通过索引提高了特征查询效率,可满足高精度区域分割和三维建模的需求。 相似文献
7.
8.
9.
10.
PointNet和PointNet++方法以最大池化为聚合函数使得深度神经网络可直接分类无序点云,得到了较高的分类精度,但对点云空间相关性局部特征提取能力不足,制约了点云语义分割精度的提升。针对该问题,设计了一种面向点云语义分割的多特征融合PointNet++网络,在PointNet++网络中加入一个特征编码器,并以最小信息熵法计算的最优邻域来计算人工特征作为特征编码器的输入。在ISPRS提供的Vaihingen区域三维点云分类标准数据集上进行语义分割实验对比,结果表明多特征融合PointNet++网络语义分割精度比PointNet和PointNet++分别提高了4.3%和3.2%。 相似文献
11.
本文基于高速公路高精度点云数据，首先通过点云数据的分类处理实现对树木点云数据的提取，将树木点云投影到水平面，采用DBSCAN密度聚类算法实现单根树木的提取；然后在数据密集区域存在树木树冠点云重叠的区域，本文结合树干几何特征提取树干的位置信息，计算所有点云到树干中心的欧氏距离，将所有点云归类到最近的树干进行粗分割；最后根据粗分割的树木轮廓特征确定树冠模型与树冠中心，提出了采用基于密度特征的格网竞争算法对重叠的区域进行精细分割。试验表明，本文采用的树木分割方法能够实现单棵树木精确提取。 相似文献
12.
探索自动化的激光点云分类方法对于三维建模、城市土地分类、DEM制图等应用具有重要作用。考虑到现有的点云分类算法在提取依赖邻域结构的特征参数时面临邻域尺度的选择难、数据维度高、计算复杂,并且缺乏对分类特征参数的重要性评估和选择等问题,本文提出了基于随机森林的机载LiDAR点云数据降维与分类方法。在分析点云数据的高程、回波、强度等属性特征的基础上,提取归一化高度、高度统计量、表面特征、空间分布特征、回波特征及强度特征6大类特征参数,并构建多尺度特征参数,运用随机森林的特征选择算法对分类特征集进行优化,然后进行点云分类。试验结果表明,基于随机森林的特征选择方法可以有效地降低特征维度,并且使得总体分类精度达到94.3%（Kappa系数为0.922）,相比于使用全部特征分类和SVM分类方法而言,该方法的总体分类精度均有一定程度的提高;特征的重要性度量结果表明,归一化高度特征在点云分类中所起的作用最大。 相似文献
13.
14.
针对城市地物信息提取中地物边界难以确定、分类精度不高的问题,该文提出一套综合利用影像及激光雷达点云高程信息的面向对象分类方法。在分割中,各类地物的最佳分割尺度由监督法分割精度评价确定,最终分割结果利用粒度理论下的分割尺度综合方法进行合成,能兼顾不同地物最优分割尺度,获得准确地物边界;在分类中,采用ReliefF特征选择算法度量从影像及点云数据提取的对象特征重要度,选择最佳特征组合,并采用多分类器组合方法进行分类,以消除Hughes现象,提高分类精度。选择德国斯图加特市两块实验区进行分类实验,结果表明:该方法有利于提高大范围城市地物精细信息提取的精度和效率,具有较高的应用价值。 相似文献
15.
刘海兵曲英杰颜青松邓非 《测绘学报》2023,(11):1953-1961
现有的区域生长算法提取平面基元不准确不规则，忽略了尺度较小的几何结构。本文提出了一种建筑物单体结构化重建的变尺度网格基元提取方法，采用多尺度区域生长算法从网格不同尺度大小的几何结构中提取出对应的平面基元，提升了平面基元提取的准确性和完整性。通过平面基元拓扑优化进一步改善平面基元的拓扑质量，提升多边形表面模型的重建精度；并采用面积优先级策略提高共面平面基元合并效率。试验结果表明，本文方法能够更准确地进行平面基元的提取，保留了建筑物较小尺度的几何结构，生成了更简洁紧凑、结构化的建筑物多边形表面模型。 相似文献
16.
《武汉大学学报(信息科学版)》2016,(12)
三维激光扫描点云在建筑物场景配准中存在同名特征难以区分、投票匹配算法复杂度高等问题。为此,提出了一种基于平面基元组的建筑物场景点云自动配准方法。平面基元组被定义为具有近似相同法向量的点云面集合。该方法从点云中提取平面基元,根据平面法向量方向,划分平面基元组,然后借助基元组搜索同名平面,利用单位四元数法估计转换参数。实验结果表明,该方法适用于建筑物场景,能够实现点云的自动配准。 相似文献
17.
本文基于机器视觉探讨数字摄影测量三维构像下的智能数据处理要素之二：海量点云分割处理技术。多模型拟合方法通过将点云拟合到不同模型中,依照点云空间分布特征和几何结构特征进行分割。针对点云数据量巨大、分布不均匀、结构复杂等特性,本文提出一种基于多模型拟合的点云分割方法。首先通过降采样,采用基于密度分布的聚类方法,实现对点云的预分割。在预分割基础上,利用基于分裂合并的多模型拟合方法对点云进行后续拟合分割。针对平面和弧面,本文采用不同的拟合方式,最终实现对室内密集点云分割。试验结果表明,该方法能够在无须提前设置模型数目的情况下实现点云的自动分割。且相较于现有的点云分割技术,此方法相较于现今的常规方法能取得更好的分割效果,在分割的正确率上要高于现有的常规分割方法,在处理相同数据量的点云分割时,能够达到远低于常规方法的时间消耗。通过本文提出的三维点云分割方法能够实现将大规模、复杂三维点云数据分割为较为精细、具有准确模型参数的三维几何图元,为后续实现大规模、复杂场景的精确三维构象提供有力支持。 相似文献
18.
数据分割是点云数据处理流程中的一项关键技术,本文针对点云数据分割这一问题,分析了基于几何模型的分割法、欧几里德簇分割法和区域生长分割法三种点云数据分割方法的原理和算法流程,并利用实际工程数据检验了三种分割方法的效果。针对以上三种方法的优势及缺陷,本文实现了附条件的欧几里德簇分割法,该算法对欧几里德簇分割法和区域生长分割法进行融合改进,利用同一点云数据对该算法与上述算法进行比较分析,最后用一处复杂建筑物点云数据对该算法的分割效果进行再次检验,分割效果较为明显,再次证实了该算法具有较强的实用性。 相似文献
19.
《武汉大学学报(信息科学版)》2021,(4)
针对城市建筑物层高变化检测难题,提出一种基于无人机(unmanned aerial vehicle,UAV)影像密集匹配点云多层次分割的变化检测方法。首先,对多时相UAV影像匹配密集点云进行网格划分,并计算网格内部的归一化数字表面模型和差分数字表面模型两种几何形状特征以及归一化过绿指数和亮度两种光谱特征;然后,基于区域生长规则进行点云分割,并判断分割对象的变化/未变化/不确定状态,对不确定状态的分割对象,逐步严格生长准则实现多层次迭代分割,直至判断出所有点的变化状态(增高/降低/未变化);最后,综合几何形状特征及光谱特征,识别变化对象中的三维建筑物目标以明确层高变化。采用两期武汉大学UAV影像密集点云进行实验验证,结果表明,所提检测方法的检测完整率、正确率及检测质量均达到90%以上。 相似文献
20.
为了进一步研究建筑物密集区域多站地面激光雷达(LiDAR)点云数据的配准问题,该文提出一种基于平面特征的地面LiDAR数据配准方法:对点云数据进行分割获取平面信息;人工选择典型的平面,对相应的点云数据进行平面拟合,得到相应法向量;利用罗德里格矩阵的性质,建立三维激光扫描数据配准模型。实验结果表明,该方法的配准精度较高、计算速度快,可以取得较好的点云配准效果。 相似文献