基于Gradient Boosting的车载LiDAR点云分类

• 作者: 杨必胜 赵刚
• 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
• 页码范围: 47-52
• 页数: 6页
• 分类号: P208
• 字数: 4006字
• 语种: 中文

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。

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