融合光谱信息的相关向量机机载LiDAR点云数据分类
激光雷达测量(Light Detection and Ranging,LiDAR)是一种高度集成激光测距、动态GPS差分以及惯性导航姿态测定的技术.相比传统的摄影测量方式,LiDAR数据采集为主动测量方式,对天气、季节以及时段要求较小,激光脉冲穿透能力强,可以快速获取地物三维结构信息.机载LiDAR点云数据信息提取与三维建模的关键步骤是机载LiDAR点云数据分类:分类后的地面点集为后续滤波处理提供先验信息,并生成数字高程模型DEM(Digital Elevation Model)应用于地貌分析、工程设计、环境规划等相关研究中;分类为建筑物的点集成为城市三维建模、城市规划设计的基础;分类为植被的点集为城市绿地分析、森林火警预警等研究提供良好的工作思路.因此,设计快速、准确、稳健的机载LiDAR点云分类算法具有重要的理论意义和经济价值. 本文针对SVM应用于机载LiDAR点云数据分类时存在的不足，提出一种提出了一种影像辅助的RVM多特征点云数据分类新方法，主要包括配准与分类两个处理步骤。利用基于线特征的机载LiDAR点云数据与遥感影像自动整体配准方法实现点云与影像配准：首先提出基于平面检测与拓扑识别的方法进行LiDAR点云数据线特征自动提取；选择Canny算子进行影像边缘检测，进行边缘跟踪处理以实现边缘连接，根据线段长度、角度等特征进行筛选优化：以基于单元四元数描述旋转矩阵的共线条件方程作为配准转换函数，根据LiDAR点云直线段上的端点通过共线条件方程转换后和影像上对应特征线段的距离为零建立相似性测度；利用改进的霍夫变换方法进行外方位元素优化求解并同时获取匹配组合；最后将三维点云数据投影到二维影像上，获取点云与影像的套合结果。进行基于RVM的分类处理时：首先提取配准后的LiDAR数据的几何特征以及遥感影像的光谱特征：在对稀疏贝叶斯分类模型进行分析的基础上，通过拉普拉斯逼近方法将RVM分类问题转化为回归问题，利用第Ⅱ类型边缘似然最大化方法进行超参数估计，采取序列稀疏贝叶斯学习方法实现参数更新，选择OAR、OAO两类RVM介类器组合实现点云数据多元分类研究。利用通过Niagara地区及非洲某地区的LiDAR点云数据进行实验，验证了基于RVM的点云分类方法的优势。
机载激光雷达 点云数据 影像配准 分类算法 数字高程模型
刘志青 张保明 李鹏程
信息工程大学,河南 郑州 450052
国内会议
武汉
中文
1-2
2015-10-31（万方平台首次上网日期，不代表论文的发表时间）