基于积面特征和指向特征的点云植被分类算法
为了更好地分析植被的变化,观察林业作物的生长状况,采用地基式激光雷达和手持式激光雷达采集的点云数据,运用机器学习对植被进行分类研究。目前,通过点云协方差矩阵的特征组合进行植被分类存在特征冗余,部分特征的分类效果较差的问题,主要体现在对于植被部位交界处的划分上。为了更加准确地对植被进行分类,研究了基于协方差矩阵的特征提取及Fisher算法的特征选择的点云分类,并提出了积面特征和指向特征,新的特征可以作为支持向量机分类器的输入参数。在地基式激光雷达采集的数据中,两种特征通过Fisher算法计算出的权重分别为7.25和5.78,且积面特征的权重仅次于权重最大的特征λ2(λ2为点云协方差矩阵的特征值),其权重为8.45。使用原特征进行分类的总体精度为99.15%,加入新特征后总体分类精度提高了0.75个百分点,并且对于树干、地面和灌木的交界处的分类效果显著。实验结果表明,所提新特征组合具有较高的权重系数,能够有效提高植被分类精度。对手持式激光雷达采集的数据进行分类的效果也同样较好,使用新特征后总体分类精度达到99.74%,验证了该分类算法具有较强的鲁棒性。
遥感、激光雷达、机器学习、特征选择、植被分类、支持向量机
59
TP391;TN958.98;Q617
2022-10-17(万方平台首次上网日期,不代表论文的发表时间)
共1页
1828001