[發明專利]一種基于改進隨機森林算法的點云分類方法

有效

• 申請號: 202010719284.5
• 申請日: 2020-07-23
• 公開（公告）號: CN111860359B
• 公開（公告）日: 2021-08-17
• 發明（設計）人: 孫鐵波;王衛兵;李萌;劉春月
• 申請（專利權）人: 江蘇食品藥品職業技術學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 淮安市科文知識產權事務所 32223
• 代理人: 李鋒

本發明涉及3D成像技術領域，公開了一種基于改進隨機森林算法的點云分類方法，S1：點云特征計算，包括高程相關特征、擬合平面相關特征、協方差矩陣特征值相關特征、光譜相關特征以及其余點特征；S2：進行多尺度特征構建；S3：對決策樹進行聚類精簡操作，選擇類簇中評價精度高的若干決策樹重新構建隨機森林；S4：引入決策樹評價精度權重，得到決策樹評價精度矩陣與權重矩陣W；S5：根據權重矩陣W進行加權投票，最終得到點云分類結果。與現有技術相比，本發明對傳統的隨機森林算法進行改進，決策樹聚類精簡后加權投票，點云分類精度及分類效率得到了較大提高。

技術領域

本發明涉及3D成像技術領域，具體涉及一種基于改進隨機森林算法的點云分類方法。

背景技術

近年來，隨著遙感領域軟硬件技術的發展，遙感數據獲取的技術成本迅速降低，遙感數據也得到了更為廣泛的應用。遙感數據在傳統的DEM、DOM、DLG制作基礎上又增加了快拼影像圖、三維數據建模、林業資源調查等應用，而快速、精確的獲取目標區域三維點云是實現遙感數據進一步應用的基礎。在現階段，三維點云數據的獲取主要采用以下兩種方法：一是使用激光雷達掃描獲取；二是通過攝影測量的方式由密集匹配算法來獲取。點云數據有兩種基本特征：一是點云數據包含有空間三維坐標信息，不同采集方式獲取的點云有些還包含回波信息、光譜信息等。二是點云數據雖然數據量大，但是互相無關聯，是無序數據。對點云數據進行精細劃分是進一步對點云數據進行處理的基礎，目前實現點云自動分類的方法主要有以下兩種：

(1)基于無監督的方法。目前針對三維點云數據特點通過提取點云數據各種特征構建三維點之間聯系的無監督分類方法有很多。Gerke(2014)等提取了點云數據的影像上線段長度、歸一化高程、法向量Z分量及顏色和紋理等特征結合圖割算法，將LiDAR點云劃分為地面、建筑物、低矮植被和樹木4類。田青華(2017)等對歐式聚類算法進行了改進，實現了搜索半徑的自適應，同時基于距離約束解決了點云子集的邊緣點識別問題，從而實現了點云分割。Zhang(2016)等首先對三維點云數據進行翻轉，然后模擬布料與反轉后點云之間的關系從而實現地面點與地物點之間的分割。無監督下的點云分類算法大都針對特定類別點云數據，應用場景單一，可移植性差。

(2)基于有監督的方法。傳統無監督的點云分類方式通過設置判定規則來確定點所屬類別，有監督的分類方式則通過提取分類特征后訓練分類器來實現點的類別判定。Zhang(2013)等人使用支持向量機對LiDAR數據進行分類。而Niemeyer(2012)等人則采用一種基于條件隨機場(Conditional random field,CRF)的上下文分類方法實現LiDAR點云分類。Xu(2014)等提取了點、平面和均值漂移三類特征對分類器進行訓練，同時系統比較了Adaboost、隨機森林、ANN MLP(Artificial Neural Networks Multiple LayerPerceptrons)、支持向量機(SupportVector Machine，SVM)和Rule-based等多種分類器的分類效果。Guan(2013)等采用光譜特征、幾何特征和回波強度特征訓練隨機森林分類器將LiDAR點云劃分為建筑物、樹木、地面點等幾類。上述基于機器學習的有監督點云分類方法使用提取到的全部點云特征進行分類劃分，在分類過程中未能全面分析點云特征與分類精度之間的關系，且由于特征維度高易造成算法分類效率低。

發明內容

發明目的：針對現有技術中存在的問題，本發明提供一種基于改進隨機森林算法的點云分類方法，通過決策樹之間的編輯距離并進行聚類實現了對隨機森林中冗余決策樹的剔除，在隨機森林投票階段引入決策樹評價精度權重，根據投票權值進行投票分類，使得點云分類精度及分類效率得到了較大提高。

技術方案：本發明提供了一種基于改進隨機森林算法的點云分類方法，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特征、擬合平面相關特征、協方差矩陣特征值相關特征、光譜相關特征以及其余點特征；