基于深度残差网络的机载LiDAR点云分类

摘要：

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一.为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法.首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果.利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1％,可为城市场景三维重建提供可靠的信息.

关键词：点云分类、深层次特征、多尺度和多视角、迁移学习、深度残差网络、机载LiDAR

所属期刊栏目：49

分类号：P237(摄影测量学与测绘遥感)

资助基金：国家自然科学基金41601507

在线出版日期：2020-03-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：202-213