基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
车载LiDAR点云中包含地面、建筑物、行道树、路灯等丰富地物类别,自动对这些不同类别点云进行分类,对点云中目标的识别、提取及重建都具有重要意义。本文提出了一种基于Gradient Boosting的自动分类方法。该方法首先对车载激光点云进行数据预处理,然后计算点云的协方差矩阵、密度比、高程相关特征、局部平面特征、投影特征等,再计算点云特征直方图与垂直分布直方图,采用K-means方法对这两者分别进行聚类,并将其聚类类别值也作为特征,从而构建出20维的点云特征向量,应用Gradient Boosting分类方法进行自动分类。为了验证本文方法的有效性,从某城镇场景的车载激光点云数据中选取部分代表区域共144W点作为训练数据集,然后选取另一较大区域的点云共312W点作为测试数据集。使用训练好的分类器对测试数据集进行分类,分类结果总体准确率达到了93.38%,耗时631s,说明此分类方法具有较高的分类准确率,同时也具备较高的效率。
推荐文章
基于LightGBM的车载激光点云电力线快速提取方法
LightGBM模型
集成学习
电力线
车载激光点云
梯度提升决策树
基于层次分析和神经网络的机载LiDAR点云分类
机载激光雷达(LiDAR)
层次分析法
人工神经网络
分类
基于车载LiDAR点云的道路建模研究
车载激光雷达(LiDAR)
点云
道路建模
基于知识的车载LiDAR地物自动分类
车载LiDAR
地物
自动
分类
知识
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于Gradient Boosting的车载LiDAR点云分类
来源期刊 地理信息世界 学科 地球科学
关键词 点云分类 特征向量 特征直方图 聚类 Gradient Boosting
年,卷(期) 2016,(3) 所属期刊栏目 理论研究
研究方向 页码范围 47-52
页数 6页 分类号 P208
字数 4006字 语种 中文
DOI
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 赵刚 武汉大学测绘遥感信息工程国家重点实验室 18 94 7.0 9.0
2 杨必胜 武汉大学测绘遥感信息工程国家重点实验室 59 1287 20.0 35.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (17)
共引文献  (86)
参考文献  (10)
节点文献
引证文献  (7)
同被引文献  (21)
二级引证文献  (1)
1997(1)
  • 参考文献(1)
  • 二级参考文献(0)
1998(2)
  • 参考文献(0)
  • 二级参考文献(2)
1999(3)
  • 参考文献(0)
  • 二级参考文献(3)
2001(1)
  • 参考文献(1)
  • 二级参考文献(0)
2003(2)
  • 参考文献(0)
  • 二级参考文献(2)
2004(2)
  • 参考文献(0)
  • 二级参考文献(2)
2005(3)
  • 参考文献(0)
  • 二级参考文献(3)
2007(2)
  • 参考文献(0)
  • 二级参考文献(2)
2008(2)
  • 参考文献(0)
  • 二级参考文献(2)
2009(2)
  • 参考文献(1)
  • 二级参考文献(1)
2010(1)
  • 参考文献(1)
  • 二级参考文献(0)
2011(1)
  • 参考文献(1)
  • 二级参考文献(0)
2012(2)
  • 参考文献(2)
  • 二级参考文献(0)
2013(1)
  • 参考文献(1)
  • 二级参考文献(0)
2014(1)
  • 参考文献(1)
  • 二级参考文献(0)
2015(1)
  • 参考文献(1)
  • 二级参考文献(0)
2016(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2017(2)
  • 引证文献(2)
  • 二级引证文献(0)
2018(1)
  • 引证文献(1)
  • 二级引证文献(0)
2019(3)
  • 引证文献(2)
  • 二级引证文献(1)
2020(2)
  • 引证文献(2)
  • 二级引证文献(0)
研究主题发展历程
节点文献
点云分类
特征向量
特征直方图
聚类
Gradient Boosting
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
地理信息世界
双月刊
1672-1586
11-4969/P
大16开
北京市海淀区莲花池西路28号1013室
14-88
2003
chi
出版文献量(篇)
2237
总下载数(次)
9
总被引数(次)
15190
论文1v1指导