基于几何矩的机载LiDAR点云图卷积神经网络分类方法
近年来，随着新型传感器技术的飞速发展，三维激光点云数据的获取成本和难度大幅降低，极大推动了点云数据处理的理论研究和行业应用。点云分类作为机载激光雷达研究领域的重要方向之一，是目标识别、三维建模等应用的前提与基础，引起了许多研究学者的关注。 基于传统机器学习的点云分类方法由于需要手工计算和选择特征，所提取的特征往往维度不高、语义表达能力不强、可区分度不足，加之数据获取设备特性、应用场景存在差异，分类过程中需对分类器进行手工调参，在精度、通用性和实用性上存在着诸多的问题与不足。基于深度学习的点云分类方法无需手工计算特征、选取特征、选择分类器、调整分类器参数，有望弥补传统方法的不足。然而，目前这一方向尚处于起步阶段，在方法精度和实际应用上都还有较大的改进空间。 本文围绕机载LiDAR点云分类方法及其实际应用中存在的问题，从局部特征提取、网络架构改进、特征聚合改进、样本生成方法等方面开展了较为深入的研究，为机载LiDAR点云分类从数据到方法到应用提供了一条较为通用、可行、有效的技术解决路径，通过多个数据集充分验证了本文方法和框架在点云分类及其实际应用中的可行性和有效性。主要开展了以下工作： （1）较为全面地综述了现有的点云分类和基于点的深度学习方法，分析了传统方法与深度学习方法的优劣所在，总结了各类方法的共性问题与不足。 （2）提出了一种基于几何矩表示进行特征提取的深度学习点云分类方法，图几何矩卷积神经网络。针对现有的同类方法仅通过简单点间关系进行局部几何结构特征提取，不能充分挖掘与保留局部几何结构信息的不足，本文提出了一种基于几何矩表示进行局部几何结构特征提取的网络模型，改进了现有的局部特征提取方式，并在此基础上通过改进网络架构和特征聚合方式进一步提高了方法精度和鲁棒性。 （3）提出了一种结合最远点采样（farthestpointsampling，FPS）和k近邻（knearestneighbours，KNN）的样本生成方法，FPS-KNN样本生成方法。针对现有方法或框架仅适用于深度学习方法精度评估，但难以适用于诸如建筑物提取和地物分类等实际应用的问题，本文提出了一种样本生成方法，能够生成既符合深度学习方法输入要求，又确保对输入场景完全覆盖的样本集。该方法结合网络模型，形成了基于点的深度学习点云分类应用的通用框架，采用该框架不仅有助于提升网络模型的分类精度，而且有效提高了深度学习方法应用于点云分类的实用性。 （4）验证了本文方法和框架在实际场景数据点云分类应用中的有效性，探索了机载多光谱LiDAR数据的点云分类应用潜力。采用本文提出的方法和框架，验证了在无光谱信息、单波段光谱信息、多波段光谱信息情况下点云分类、建筑物提取和地物分类的分类效果，探究了不同波段光谱信息的作用，通过多类应用探索了机载多光谱LiDAR数据的应用潜力，可为机载多光谱LiDAR数据的相关应用提供参考与借鉴。
点云分类;机载LiDAR;几何矩;图卷积神经网络;深度学习
武汉大学
博士
摄影测量与遥感
李德仁
2020
中文
TP391.41
2021-11-24（万方平台首次上网日期，不代表论文的发表时间）