为了提高城区机载激光雷达点云数据分类算法的自动化程度和分类精度,提出一种基于渐进加密三角网和双层支持向量机的点云分类算法。采用渐进加密三角网滤波提取地面点,在地面点的基础上对地物点进行归一化处理。对点云特征有效性进行评估,选取特征向量并用最邻近支持向量机(NN-SVM)对地物点进行分类,实现对城区点云数据的多元分类。利用城区点云数据验证该算法,通过分析分类精度对分类效果进行评价。结果表明,该算法有效提高了点云数据分类精度,实现了对城区点云数据的有效分类。

针对复杂场景下激光雷达测量(LiDAR)点云数据的地物分类问题,提出了一种基于多尺度特征和PointNet的深度神经网络模型,该方法改进了PointNet提取局部特征的能力,实现了复杂场景下LiDAR点云的自动分类。在PointNet网络基础上添加多尺度网络提取点的局部特征,将不同尺度点的局部特征通过全连接层组成一个多维特征,并与PointNet提取的全局特征相结合,返回每个点类的分数以完成点云分类标签。利用Semantic 三维数据集和ISPRS提供的Vaihingen数据集,验证了所提深度神经网络模型。研究结果表明,与其他用于点云分类的神经网络相比,所提算法达到了更高的分类精度。

机载LiDAR点云系统由于获取三维立体信息方便、快捷,已被广泛应用到城区目标的提取与识别中,但LiDAR点云数据缺乏光谱特征,对建筑物提取识别时常在植被茂密的树冠处出现错检现象。针对这一问题,提出了融合航空影像光谱特征与LiDAR点云几何特征的建筑物提取算法。通过LiDAR点云数据与航空影像数据的配准,实现了点云数据光谱信息的提取;通过改进传统的张量投票机制,融合光谱特征与空间几何特征形成了新的融合分类特征;运用随机森林算法实现了建筑物点的提取。仿真实验基于ISPRS提供的测试数据集进行,通过对比融合光谱特征前后的实验结果可知,所提算法的精度明显提高,提取质量达到94.26%,证明了融合光谱特征对于建筑物提取精度提升的重要作用。