[發(fā)明專利]一種基于改進(jìn)隨機(jī)森林算法的點云分類方法

有效

• 申請?zhí)枺?/td>: 202010719284.5
• 申請日: 2020-07-23
• 公開（公告）號: CN111860359B
• 公開（公告）日: 2021-08-17
• 發(fā)明（設(shè)計）人: 孫鐵波;王衛(wèi)兵;李萌;劉春月
• 申請（專利權(quán)）人: 江蘇食品藥品職業(yè)技術(shù)學(xué)院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 淮安市科文知識產(chǎn)權(quán)事務(wù)所 32223
• 代理人: 李鋒

1.一種基于改進(jìn)隨機(jī)森林算法的點云分類方法，其特征在于，包括如下步驟：

S1：點云特征計算，所述點云特征包括高程相關(guān)特征、擬合平面相關(guān)特征、協(xié)方差矩陣特征值相關(guān)特征、光譜相關(guān)特征以及其余點特征；

S2：多尺度特征構(gòu)建，針對步驟S1中的點云特征，按照點云的不同領(lǐng)域范圍確定點云不同尺度構(gòu)建參數(shù)，進(jìn)行多尺度特征構(gòu)建；

S3：冗余決策樹剔除，所述S1中計算出來的點云特征作為決策樹的分裂節(jié)點，構(gòu)建隨機(jī)森林，通過樹編輯距離算法計算決策樹之間的相似度，并按相似度進(jìn)行聚類，對評價精度由高到低排序，選取評價精度排在前面的若干決策樹重新構(gòu)建隨機(jī)森林；兩棵樹T₁到T₂之間的編輯距離可表示為：

δ(T₁,T₂)＝min{γ(S)|S是將T₁轉(zhuǎn)換為T₂的編輯操作序列}

用forestdist(T₁[l(i)...i₁],T₂[l(j)...j₁])表示兩個森林之間的距離，treedist(i₁,j₁)表示兩棵樹之間的距離，計算treedist(i,j)的公式如下：

(1)如果l(i)＝l(i₁)且l(j)＝l(j₁)

forestdist(T₁[l(i)...i₁],T₂[l(j)...j₁])＝min{

forestdist(T₁[l(i)...i₁-1],T₂[l(j)...j₁])+γ(T₁[i₁]→Λ),

forestdist(T₁[l(i)...i₁],T₂[l(j)...j₁-1])+γ(Λ→T₂[j₁]),

forestdist(T₁[l(i)...i₁-1],T₂[l(j)...j₁-1])+γ(T₁[i₁]→T₂[j₁])}

(2)如果l(i)！＝l(i₁)或者l(j)！＝l(j₁)

forestdist(T₁[l(i)...i₁],T₂[l(j)...j₁])＝min{

forestdist(T₁[l(i)...i₁-1],T₂[l(j)...j₁])+γ(T₁[i₁]→Λ),

forestdist(T₁[l(i)...i₁],T₂[l(j)...j₁-1])+γ(Λ→T₂[j₁]),

forestdist(T₁[l(i)...i₁-1],T₂[l(j)...j₁-1])+treedist(i₁,j₁)}

其中，T₁，T₂為兩棵有序決策樹，其中T₂為目標(biāo)樹，S表示一個操作序列，記為s₁,…,s_k；特殊標(biāo)簽∧，∧→a表示增加節(jié)點a，b→^代表刪除節(jié)點b，γ為代價函數(shù)，表示a→b的節(jié)點轉(zhuǎn)換編輯操作，其返回值為一個非負(fù)實數(shù)γ(a→b)；T[i]表示在T樹中從左開始的第i個節(jié)點，l(i)表示根節(jié)點為T[i]的子樹中左側(cè)第一個節(jié)點，T[i]的子節(jié)點集合d(i)表示為d(i)＝{l(i),l(i₁),…,l(i_n)}，將T[i]的父節(jié)點記為a(i)，t(i)表示由T[i]和他的子節(jié)點d(i)組成的子樹，子樹中的父子關(guān)系小于等于一層；T[i'…i]表示樹T中從i'到i的全部有序子森林，子森林中的父子關(guān)系大于等于二層；定義一個臨時數(shù)組來存儲森林的距離，一旦全部treedist被計算完就釋放，同時定義一個永久數(shù)組將treedist數(shù)據(jù)存儲在內(nèi)，通過迭代計算最終得到treedist(i,j)；

所述聚類過程如下：

1.1)將隨機(jī)森林算法的決策樹作為待選數(shù)據(jù)集，隨機(jī)抽取Q個決策樹作為初始聚類中心；

1.2)采用最大最小距離方法確定Q個聚類中心；

1.3)遍歷所有的決策樹，計算其與Q個聚類中心的編輯距離，按照最近距離原則將決策樹聚類為Q個簇；

1.4)重復(fù)步驟1.2)-1.3)，直到所有決策樹完成聚類停止；

1.5)在得到的Q個決策樹類簇中對評價精度進(jìn)行排序，選取評價精度排在前面的若干決策樹重新構(gòu)建隨機(jī)森林；

S4：引入評價精度權(quán)重，在S3中的重新構(gòu)建的隨機(jī)森林的投票階段引入決策樹評價精度權(quán)重，得到?jīng)Q策樹評價精度矩陣，采用加權(quán)投票法作為最終的分類依據(jù)，將決策樹的評價精度轉(zhuǎn)化為隨機(jī)森林算法的投票權(quán)值，最終得到權(quán)重矩陣W；

S5：根據(jù)權(quán)重矩陣W進(jìn)行加權(quán)投票，最終得到點云分類結(jié)果。