论文部分内容阅读
机载激光雷达是一种综合的主动式遥感技术,机载激光LIDAR系统是由三部分组成的:全球定位系统、激光扫描测距系统以及动态载体姿态测量系统[1-2]。机载LIDAR可以迅速的采集目标地物的空间三维坐标信息,并且机载LIDAR系统所发出的脉冲激光束具有较强的穿透性,可以穿透部分林木直达地面。近年来,由于机载LIDAR技术的所具有的高效性和数据精度高等特点,所以其在地形测绘、三维建模等多个领域以其特有的优势被广泛应用。在所有机载LIDAR采集的数据当中,其最重要的是三维点云数据。怎样利用机载LIDAR技术对空间信息进行提取,以及根据机载LIDAR的点云数据如何进行快速高效的处理并对其进行分类,是研究者们所要攻克的难点。本文着重对时下热门的两种点云数据的分类算法进行对比研究。首先对机载LIDAR点云回光强度值进行基于法向量的改正;其次,基于改正后的点云回光强度信息通过KNN算法和BP神经网络算法对点云数据进行分类并对比研究。本文的主要研究内容如下:1.详细介绍了机载激光雷达系统的硬件结构和特点、激光雷达的工作方法、数据特性和误差源。对机载激光雷达点云数据的处理流程进行了详细的总结。2.根据机载LIDAR点云数据的特点,在前人对机载LIDAR点云的分类方法的基础上提出了基于矫正回光强度的分类方法。本文提出了一种新的考虑入射角对点云回光强度的影响的校正模型。可以有效的减少机载LIDAR在扫描目标地物时所产生的入射角对回光强度信息的影响。3.通过KNN算法和BP神经网络算法对回光强度信息校正后的点云数据进行分类研究。首先进行大量实验确定算法中阈值的最优性,并由两种算法对海量点云数据分类,验证方法的可行性。4.通过实验验证机载LIDAR点云回光强度校正模型的可行性。通过两种算法对相同条件的点云数据分类,并对其分类效果进行对比分析。实验表明,在精细分类上,由于BP神经网络拥有主动学习能力其分类效果更加理想。