基于Gradient Boosting的车载LiDAR点云分类

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。

关键词：点云分类、特征向量、特征直方图、聚类、Gradient Boosting

所属期刊栏目：23

分类号：P208(一般性问题)

资助基金：资金项目国家自然科学基金项目41371431

在线出版日期：2016-07-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：47-52