|
基于視覺認知與深度學習的LiDAR點云自動分類方法研究
|
|
資料類別
|
電子電工畢業(yè)論文（設計） |
|
|
課程(專業(yè))
|
地圖學與地理信息系統(tǒng) |
|
關鍵詞
|
視覺認知特征|卷積神經(jīng)網(wǎng)絡 |
|
適用年級
|
大學 |
|
身份要求
|
普通會員 |
|
金 幣
|
100 （金幣如何獲得？） |
|
文件格式
|
word+ppt+pdf |
|
文件大小
|
176277K |
|
發(fā)布時間
|
2019-11-02 19:45:00 |
|
預覽文件
|
0944584.png（只能預覽部分內容） |
|
下載次數(shù)
|
1 |
| 發(fā)布人 |
kj008 |
內容簡介：
基于視覺認知與深度學習的LiDAR點云自動分類方法研究，碩士學位論文，共68頁，38530字，附答辯文稿、開題報告、其他資料等。
摘要
由于LiDAR點云分類中地物類型多樣，地物結構復雜，特定的特征和分類器很難適用于不同場景。如何自動提取有效的分類特征，是LiDAR點云自動分類的關鍵問題。為此，本文開展了以下三個方面的研究工作：1）本文首先選取25類幾何特征和80個窗口大小，提取了2000個幾何特征。之后，利用多維定標和k均值聚類對25個特征和80個窗口大小進行聚類。利用隨機森林方法評估幾何特征的分類性能；2）本文將LiDAR點云插值圖像作為暗視條件下視覺認知過程，提取不同尺度的亮度圖和方向圖。并分別提取基于itti模型和gbvs模型的特征圖、激活圖和顯著圖。利用隨機森林方法評估幾何特征的分類性能；3）本文將LiDAR點云插值而成的DSM圖像按每一像元為中心裁剪成28×28大小的圖像，歸一化后作為卷積神經(jīng)網(wǎng)絡的輸入，并結合分類標簽訓練卷積神經(jīng)網(wǎng)絡，評估其分類性能。
本文的數(shù)據(jù)采用ISPRS于2010年提供的機載LiDAR點云數(shù)據(jù)集，以及三個實驗樣區(qū)的分類圖像。實驗結果表明：1）利用2000個幾何特征進行分類時，三個實驗區(qū)的kappa系數(shù)達0.93以上。建筑、人工地表、自然地表和植被的分類精度依次降低。此外，幾何特征可以分為濾波型、第一特征型、第二特征型和第三特征型。濾波型的分類精度最高，kappa系數(shù)最高可達0.7。窗口大小可分為小窗口(0.5~2.5m)、中等窗口(2.5~10m)和大窗口(10~40m)。有效的窗口大小主要集中在0.5 m~2.5 m，少部分分布在以5 m、10 m和20 m。但特征之間存在大量的冗余信息和不相關信息，特征的篩選和組合增大了工作量。2）視覺認知原始圖和特征圖的分類精度可高達0.91以上。各類地物類型的分類精度排序與基于幾何特征分類結果一致。利用向前選擇法挑選原始圖、itti特征圖和gbvs特征圖子集時，前5個特征的kappa系數(shù)便大于0.90。各類視覺認知特征間的相關性較低，結合不同尺度、不同類別、不同方向的視覺認知特征能夠利用較少的特征獲得較高的精度。3）基于卷積神經(jīng)網(wǎng)絡三個實驗區(qū)分類的kappa系數(shù)在0.61到0.71之間，總體精度介于0.72到0.80。盡管卷積神經(jīng)網(wǎng)絡分類精度低于基于幾何特征和視覺認知的分類精度，但卷積神經(jīng)網(wǎng)絡的分類模型在其它區(qū)域具有更高的通用性。將分類模型用于其它區(qū)域時，基于卷積神經(jīng)網(wǎng)絡的kappa系數(shù)要高出0.2左右。總之，基于視覺認知特征和卷積神經(jīng)網(wǎng)絡能夠提高LiDAR分類的性能。
關鍵詞：LiDAR點云，地表分類，視覺認知特征，深度學習，卷積神經(jīng)網(wǎng)絡
目 錄
摘 要 I
ABSTRACT II
目 錄 1
第1章 緒論 1
1.1 研究背景和意義 1
1.2 LiDAR點云分類現(xiàn)狀 2
1.2.1 濾波、分割與分類 2
1.2.2 LiDAR點云分類特征 4
1.2.3 LiDAR點云分類方法 8
1.3 視覺認知概述 9
1.4 深度學習概述 10
1.5 研究目標、問題、內容 11
1.5.1 研究目標 11
1.5.2 關鍵問題 11
1.5.3 研究內容 11
1.6 研究框架和論文結構 12
第2章 實驗區(qū)選取與數(shù)據(jù)預處理 14
2.1 數(shù)據(jù)介紹 14
2.2 數(shù)據(jù)預處理 16
2.3 點云分類標簽 17
第3章 基于幾何特征的LiDAR點云分類 18
3.1 幾何特征選取和聚類 18
3.2 隨機森林與精度評價 22
3.3 基于點云幾何特征的分類結果 24
第4章 基于視覺認知模型的LiDAR點云分類 27
4.1 視覺認知模型 27
4.2 LiDAR點云視覺認知特征 29
4.3 基于視覺認知特征的分類結果 33
第5章 基于深度學習的LiDAR點云分類 36
5.1 深度學習方法 36
5.1.1 人工神經(jīng)網(wǎng)絡 36
5.1.2 卷積神經(jīng)網(wǎng)絡 38
5.2 卷積神經(jīng)網(wǎng)絡設計 40
5.3 基于卷積神經(jīng)網(wǎng)絡的分類結果 42
第6章 結論與展望 45
6.1 結論 45
6.2 創(chuàng)新點 46
6.3 展望 46
參考文獻 47
科研經(jīng)歷 51
致 謝 52
相關說明：
1. 如您下載的資料不止一份，建議您注冊成為本站會員。會員請登錄后下載。
2. 會員購買金幣50元以下，0.7元/個，50元以上，0.5元/個。具體請看：下載與付款。
3. 會員48小時內下載同一文件，不重復扣金幣。
4. 下載后請用WinRAR或 WinZIP解壓縮后使用。
5. 如仍有其他下載問題，請看常見問題解答。
下載地址：
|
|
| 相關畢業(yè)論文（設計） |
|
|
| 推薦畢業(yè)論文（設計） |
|
|
|
|
|