- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
一种用于移动激光雷达数据自动分类的多面CNN架构及用于增强训练的点云样本复现算法
摘要： 室外环境的移动激光扫描（MLS）数据通常具有遮挡、噪声、杂乱、数据量大和信息量高等特点，这使得其分类成为一项具有挑战性的问题。本文提出了三种三维深度卷积神经网络（CNN）架构，即单CNN（SCN）、多面CNN（MFC）及带复现功能的MFC（MFCR），用于MLS数据的自动分类。MFC利用MLS样本的多个面作为不同SCN的输入，从而在分类过程中提供额外信息。训练后的MFC可借助现有样本复现附加样本，这些复现样本被用于进一步优化MFC训练参数，从而形成名为MFCR的新方法。研究团队在包含四类三维室外MLS数据（树木、电线杆、房屋及低矮植被覆盖地面）及KITTI数据集中的汽车样本的数据集上评估了这三种架构。分类总体精度与卡帕系数分别达到：(i) SCN为86.0%和81.3%；(ii) MFC为94.3%和92.4%；(iii) MFCR为96.0%和94.6%。本文证实多面输入能显著提升SCN的分类精度，并开发出具有分类精度提升潜力的独特样本复现方法。与既往针对室内结构化点云的CNN应用研究不同，本工作展示了所提各类CNN架构对MLS采集的非结构化点云数据（包括树木、电线杆、房屋及地面等室外对象）的分类效用。
关键词： 样本复现、移动激光扫描（MLS）、自动分类、卷积神经网络（CNN）
更新于2025-09-22 20:37:23
-
利用加权总体最小二乘法和三维保角坐标变换提高移动激光扫描的精度
摘要： 借助全球定位系统（GPS），移动激光扫描（MLS）能够提供具有厘米级精度的三维地理参考点云数据。然而，在无GPS环境下，由于激光扫描仪的轨迹误差以及地理参考转换过程中的残余系统误差，MLS的精度会显著下降。为解决这一问题，本文提出一种基于加权总体最小二乘法（WTLS）和三维共形坐标变换（3DCCT）的新型融合算法。该新方法可实时更新MLS中的三维点测量模型与误差传播参数向量，同时调整地理参考坐标变换参数并消除MLS过程中残余系统误差的影响。本文首先建立MLS数学模型，随后详细分析MLS误差预算以阐释各误差源的影响；其次采用WTLS修正MLS的三维点测量模型及误差传播参数向量，结合3DCCT、WTLS与地面控制目标特征约束来消除地理参考转换过程中的残余系统误差；最后通过多组室外场景数据集对所提方法进行评估验证。实验结果表明，该方法能显著提升MLS系统的整体精度。
关键词： 移动激光扫描（MLS）、加权总体最小二乘法（WTLS）、三维保角坐标变换（3DCCT）
更新于2025-09-16 10:30:52