迁移学习点云滤波及建筑物特征线提取研究

【摘要】：机载激光雷达(Light Detection And Ranging,LiDAR)是近几十年发展迅速的一种主动式航空遥感对地观测系统,可以用来获取高精度高密度的地物表面三维点云,目前已逐渐成为地物目标识别的重要数据源之一。滤波,即地面点的提取过程,是机载LiDAR数据处理中较为关键的一步,也是地物识别的前提和基础。传统滤波算法通常基于一些常识和经验,需要根据地形设置不同的滤波参数,这导致了不同的滤波算法对于不同地形的普适性和扩展性较差的问题。近几年,国内外一些学者开展了与分类器相结合的滤波算法研究,在技术上取得了一定的发展和突破。由于点云数据与传统影像数据不同,可直接用于目标识别的信息较少,因此这类滤波算法通常需要进行特征提取。但是随着基于点云几何信息提取的特征数量逐渐增多,同时也带来了新的问题,特征之间存在冗余性和相关性,数量多不意味着精度高,由此,特征选择的有效实施迫在眉睫。而且,现有滤波算法一般不考虑以往已分类完成并经过专家检验的数据集与待分类的新数据集之间的联系,只针对当前的新数据集设定参数或是选取样本,耗时费力,如何挖掘旧数据集的知识用以辅助新数据集的分类,减少不必要的人力消耗,是具有现实意义的研究。另外,建筑物是机载LiDAR地物识别中最为重要的目标之一,现有建筑物相关研究主要集中在建筑物检测和三维建模上,对于建筑物屋顶特征线,尤其是脊谷线,相关研究相对缺乏,而且由于地物场景的复杂化和建筑物结构本身的多样化,许多算法分类精度和自动化程度较低,有其局限性。为了提高建筑物检测自动化程度和特征线提取精度,研究具有良好扩展性的建筑物检测方法和特征线提取算法,也是本文的重要出发点。针对上述研究目标,本文研究利用机载LiDAR数据进行滤波、建筑物检测等各项关键技术。本文主要研究内容和创新成果如下。(1)机载LiDAR点云数据滤波的特征选择针对目前缺乏对机载LiDAR点云滤波的特征选择算法的相关研究,本文对基于几何信息提取的多种点云特征进行相关性和冗余度分析,利用一种基于Parzen窗估计的过滤式特征选择算法,为不同地形提供有效的且适用性较强的滤波特征,并提高结合分类器的滤波精度。(2)基于模型迁移和主动学习的机载LiDAR滤波针对传统滤波方法参数普适性较差的问题,本文采用并对比了多种分类器的滤波算法性能。首先利用不同分类器的机载LiDAR点云数据滤波,通过与传统滤波经典算法进行比较和定量化性能分析,将其中表现最好的分类器所建立的模型进行直接迁移,探索迁移学习在滤波中的初步应用效果;同时,由于地形条件、数据密度等的不同,辅助点云数据和新数据集之间不可避免地存在差异性,而人工采样耗时费力且具有主观性,本文提出一种基于模型迁移和主动学习的集成滤波机制,最大限度利用辅助点云数据集中的知识,提高了目标点云数据集的滤波精度。(3)建筑物特征线提取利用原始机载LiDAR点云数据进行建筑物特征线提取是一个较为复杂的过程。本文针对单栋建筑物,提出一套快速的、直接基于点云数据的特征线提取流程,首先采用基于格网的方式提取屋顶轮廓点,根据屋顶几何结构确定角点位置,并以此对轮廓点进行分组拟合。然后提出一种爬山算法提取正脊线点,最后通过分析点间关系确定斜脊线和谷线的端点位置,完成屋顶特征线提取。