一种结合区域生长和随机森林的点云分类方法技术

本发明专利技术提出一种结合区域生长和随机森林的点云分类方法，利用区域生长算法对训练集的机载LiDAR点云数据进行分割，得到若干个分割面片；提取分割面片特征；基于特征重要性及不同特征组合的袋外误差确定最优特征组合，实现随机森林分类器的特征选择；利用最优特征组合对随机森林分类器进行训练，并将其用于测试数据集的分类；对分类结果中的面片进行拓扑优化，得到最终点云分类结果。与现有技术相比，本发明专利技术实现了面向分割对象的随机森林分类算法，以分割面片为基元，易于地物特征表达及提取，并结合随机森林分类器对其进行分类，精准了点云分类结果，为后续点云数据统计提供基础的数据支持。据支持。据支持。

【技术实现步骤摘要】
一种结合区域生长和随机森林的点云分类方法


[0001]本专利技术涉及遥感数据处理
，具体涉及一种结合区域生长和随机森林的点云分类方法。

技术介绍

[0002]机载激光雷达(LiDAR)可以直接获得高精度、高密度的三维点坐标(简称为LiDAR点云)，并广泛应用于三维重建、城市规划与管理、车辆导航、灾害应急与评估等方面，其中点云分类起着关键作用。点云分类主要是对地面点、建筑物点以及植被点进行区分的过程，目前LiDAR点云分类方法主要可分为无监督点云分类方法和有监督点云分类方法两种。
[0003]无监督点云分类方法主要是通过计算点云多种特征构建三维点云之间的联系，实际上是实现基于特征相似性的点云聚类过程。马东岭(马东岭,王晓坤,李广云.一种基于高度差异的点云数据分类方法[J].测绘通报,2018(06):46
‑
49.)等提出一种基于高度差值二次导数的点云分类方法，实现建筑物、植被的有效分类。ZHANG W M(ZHANG W M,QI J B,XIE D H.An easy
‑
to
‑
use airborne LiDAR data filtering method based on cl oth simulation[J].Remote Sensing,2016,8(6):501.)等提出布料模拟滤波算法，利用布料翻转前后变化实现地面点和非地面点的分离。无监督点云分类算法一般只针对某些特定类别的地物进行提取，应用场景限制较大，缺乏普适性。
[0004]有监督点云分类方法主要包括人工神经网络、支持向量机、随机森林和决策树等。这些方法需要首先利用人工手动标记选取训练样本对分类器进行训练，再利用分类器对测试样本进行点云分类。刘志清(刘志青,李鹏程,郭海涛,张保明,陈小卫,丁磊,赵传.基于相关向量机的机械LiDAR点云数据分类[J].红外与激光工程,2016,45(S1):105
‑
111.)等提出一种利用信息向量机代替支持向量机的点云分类方法，解决了支持向量机对点云分类时模型稀疏性弱的问题。薛豆豆(薛豆豆,程英蕾,释小松,秦先详,文沛.综合布料滤波与改进随机森林的点云分类算法[J].激光与光电子学进展,2020,57(22):192
‑
200.)等对传统随机算法进行改进，提出一种综合布料滤波和加权弱相关随机森林模型的点云分类算法。何鄂龙(何鄂龙.基于顾及曲率自适应邻域的点云单点分类方法[J].现代制造技术与装备,2021,57(07):119
‑
122.)提出一种顾及曲率的自适应邻域的点云分类方法，该方法可以生成理想的三维点云邻域，增强了点云特征的可分离性。上述点云分类方法均是以单个激光脚点作为最小分类单元计算点云特征，且应用全部特征对分类器进行训练，没有考虑到特征计算和选择对分类器分类性能的影响，且特征维度过高也会影响算法的运算效率。

技术实现思路

[0005]基于上述技术问题，本专利技术提供一种结合区域生长和随机森林的点云分类方法，包括：
[0006]步骤1：利用区域生长算法对训练集的LiDAR点云进行分割处理；
[0007]步骤2：对分割后每个单元拟合得到的面片进行特征的提取；
[0008]步骤3：基于特征重要性及不同特征组合的袋外误差确定最优特征组合，实现随机森林分类器的特征选择；
[0009]步骤4：采用最优特征组合对随机森林分类器进行训练，利用训练后的分类器对测试集进行分类；
[0010]步骤5：对分类结果进行拓扑优化，得到最终点云分类结果。
[0011]所述步骤1包括：
[0012]步骤1.1：采用随机采样一致性方法和主成分分析法对训练集的LiDAR点云逐点进行法向量和曲率估计；
[0013]步骤1.2：选取曲率最小点作为初始种子点；
[0014]步骤1.3：采用KD树查找种子点的k个邻近点，依据垂直距离、法向量夹角两个特征相似性作为生长条件，进行区域生长；
[0015]步骤1.4：直到没有新的邻近点出现，区域生长结束，将该种子点聚类结果点集从原始点云中分离，存储为独立单元；
[0016]步骤1.5：重复步骤1.2～步骤1.4，直到所有点云完成分割，得到若干个分割单元；
[0017]步骤1.6：对每个单元进行面片拟合，计算分割面片的高程和法向量特征，对相邻面片进行优化整合，得到点云最终分割结果。
[0018]所述步骤1.1包括：
[0019]步骤1.1.1：基于KD树原理选取当前点的k个邻近点；
[0020]步骤1.1.2：从中随机选取3个点建立初始拟合平面，得到平面拟合方程，计算其余邻近点到拟合平面的距离；
[0021]步骤1.1.3：通过点到平面距离的标准偏差对距离阈值T
d
进行估算，将到拟合平面距离小于T
d
的邻近点记为内点，统计符合该平面模型的内点的个数；
[0022]步骤1.1.4：重复执行步骤1.1.2～步骤1.1.3共N次，得到N个平面方程，从中选取包含内点数目最多的拟合平面作为该点最佳的拟合平面模型；
[0023]步骤1.1.5：对最佳的拟合平面模型中包含的内点数据进行主成分分析，得到协方差矩阵C表示为：
[0024][0025]其中，X、Y、Z分别表示当前点的k个邻域点经过随机采样一致性方法得到的所有内点的X坐标、Y坐标、Z坐标的一维向量，cov(
·
)表示两个分量的协方差；
[0026]步骤1.1.6：根据协方差矩阵C计算特征值和特征向量，其最小特征值对应的特征向量即为该点的法向量，最小特征值与所有特征值之和的比值定义为该点的曲率。
[0027]所述步骤3包括：
[0028]步骤3.1：利用步骤2提取得到的特征对随机森林分类器进行训练；
[0029]步骤3.2：根据袋外数据测试随机森林分类器的分类精度，同时得到每个特征变量的重要性指标；
[0030]步骤3.3：将特征变量按照重要性指标从高到低排列，删除重要性指标最小的特征，形成一组新的特征组合；
[0031]步骤3.4：重复步骤3.1
‑
步骤3.3，直到剩余特征变量数目等于给定阈值，迭代结束；
[0032]步骤3.5：选择随机森林袋外误差最小的特征组合作为最优特征组合。
[0033]所述步骤4包括：
[0034]步骤4.1：利用最优特征组合对随机森林分类器进行训练；
[0035]步骤4.2：利用区域生长算法对测试集数据进行分割，并对分割后每个单元拟合得到的面片进行特征的提取；
[0036]步骤4.3：将步骤4.2得到的结果输入到训练好的随机森林分类器中，对于每一个分割对象，随机森林中的每棵决策树都将给出一个测试结果，统计全部决策树的测试结果，将票数最高的测试类别作为最终的分类结果。
[0037]所述步骤5包括：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合区域生长和随机森林的点云分类方法，其特征在于，包括：步骤1：利用区域生长算法对训练集的LiDAR点云进行分割处理；步骤2：对分割后每个单元拟合得到的面片进行特征的提取；步骤3：基于特征重要性及不同特征组合的袋外误差确定最优特征组合，实现随机森林分类器的特征选择；步骤4：采用最优特征组合对随机森林分类器进行训练，利用训练后的分类器对测试集进行分类；步骤5：对分类结果进行拓扑优化，得到最终点云分类结果。2.根据权利要求1所述的一种结合区域生长和随机森林的点云分类方法，其特征在于，所述步骤1包括：步骤1.1：采用随机采样一致性方法和主成分分析法对训练集的LiDAR点云逐点进行法向量和曲率估计；步骤1.2：选取曲率最小点作为初始种子点；步骤1.3：采用KD树查找种子点的k个邻近点，依据垂直距离、法向量夹角两个特征相似性作为生长条件，进行区域生长；步骤1.4：直到没有新的邻近点出现，区域生长结束，将该种子点聚类结果点集从原始点云中分离，存储为独立单元；步骤1.5：重复步骤1.2～步骤1.4，直到所有点云完成分割，得到若干个分割单元；步骤1.6：对每个单元进行面片拟合，计算分割面片的高程和法向量特征，对相邻面片进行优化整合，得到点云最终分割结果。3.根据权利要求2所述的一种结合区域生长和随机森林的点云分类方法，其特征在于，所述步骤1.1包括：步骤1.1.1：基于KD树原理选取当前点的k个邻近点；步骤1.1.2：从中随机选取3个点建立初始拟合平面，得到平面拟合方程，计算其余邻近点到拟合平面的距离；步骤1.1.3：通过点到平面距离的标准偏差对距离阈值T
d
进行估算，将到拟合平面距离小于T
d
的邻近点记为内点，统计符合该平面模型的内点的个数；步骤1.1.4：重复执行步骤1.1.2～步骤1.1.3共N次，得到N个平面方程，从中选取包含内点数目最多的拟合平面作为该点最佳的拟合平面模型；步骤1.1.5：对最佳的拟合平面模型中包含的内点数据进行主成分分析，得到协方差矩阵C表示为：其中，X、Y、Z分别表示当前点的k个邻域点经过随机采样一致性方法得到的所有内点的X坐标、Y坐标、Z坐标的一维向量，cov(
·
)表示两个分量的协方差；步骤1.1.6：根据协方差矩阵C计算特征值和特征向量，其最小特征值对应的特征向量即为该点的法向量，最小特征值与所有特征值之和的比值定义为该点的曲率。
4.根据权利要求1所述的一种结合区域生长和随机森林的点云分类方法，其特征在于，所述步骤3包括：步骤3.1：利用步骤2提取得到的特征对随机森林分类器进行训练；步骤3.2：根据袋外数据测试随机森林分类器的分类精度，同时得到每个特征变量的重要性指标；步骤3.3：将特征变量按照重要性指标从高到低排列，删除重要性指标最小的特征，形成一组新的特征组合；步骤3.4：重复步骤3.1...

【专利技术属性】
技术研发人员：王竞雪，宿颖，刘肃艳，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：