车载移动测量系统数据配准与分类识别技术.ppt

用17特征构建的SVM模型虽然存在草丛或花坛的误识别问题，但总体识别精度高于采用7特征构成的特征向量进行的识别精度。 * 六. 基于支持向量机的点云分类 粒子群优化算法 （PSO） 遗传算法 (GA) 支持向量机模型参数寻优 参数1 参数2 时间（S） 正确率（%） 粒子群优化算法 C1=1.5 C2=1.7 125，998.79 99.75% 遗传算法 C=9.9495 g=3.2865 42，557.03 98.40% 不同算法适应度的分类实验 PSO的行道树识别结果 六. 基于支持向量机的点云分类 GA的行道树识别结果 不同训练样本的分类实验 第一次实验结果 六. 基于支持向量机的点云分类 第二次实验结果 第三次实验结果 项目 特征向量 训练样本 测试样本 nontree tree nontree tree 第一次实验 17个特征 10000 2000 3000 1000 第二次实验 17个特征 10000 5000 3000 1000 第三次实验 17个特征 10000 10000 3000 1000 不同特征向量的分类实验 使用7个原始特征的识别结果 六. 基于支持向量机的点云分类 使用17个特征的识别结果 方法特点 结合激光点云原始特证及语义环境，构建由17个特征组成的点云特征向量，采用SVM方法对点云分类进行了系统的实验研究，使用了PSO算法和GA算法对支持向量机进行参数寻优，分别针对不同算法的适应度、不同训练样本、不同特征向量进行分类实验及精度分析，为车载激光点云分类提供了一种行之有效的手段。 七. 发展趋势 点云数据的“补洞”算法研究 点云特征向量中维度特征的权值系数分配 对不规则零星地物的分类研究 车载激光的建模测量研究 to 国内外的很多研究机构相继推出了自己的车载移动测量产品 * 在激光点云与光学影像的配准方面进行了大量研究，目前可以归纳为4个基本问题： * 本论文从投影回归的角度对数据配准进行了探索性研究 * 本论文主要从基于知识和点云特征图像、基于机器学习理论对点云分类进行大量实验研究。 * 首先，对车载移动测量系统的光学影像数据和激光点云数据进行处理，通过构建投影虚拟球面实现两种数据的配准； 之后，对配准精度进行量测验证 此外，在影像与点云配准的基础上，进行点云的分类识别研究，主要从两个方面进行：一是基于特征图像的点云分类；二是基于支持向量机的点云分类 * 在研究工作开展之前，论文对相关的基本原理进行了简明阐述。1.车载移动测量系统工作原理 * 数据在不同传感器之间进行流转，最终获得彩色点云 * 2.鱼眼镜头成像原理：根据鱼眼的仿生学原理设计出来的鱼眼镜头具有视场角大的特点，在车载移动测量系统中广为应用。其成像过程是先得到球面透视投影图像，然后非线性地映射至平面，得到鱼眼图像，鱼眼图像通常具有很大的变形，需要选择合适的“变形压缩”成像公式，分别称为等距投影、等立体角投影、体视投影、正交投影 * 3.激光扫描仪原理：车载激光扫描仪与机载激光相比测距短、精度高。主要通过主动发射并接收脉冲信号，来计算扫描点相对于扫描仪的距离及角度信息。通过自身的坐标系统实现对空间位置的表达。 * 通过前一章对鱼眼镜头成像和激光扫描原理的分析，假设鱼眼镜头成像中物点反射的光线透过鱼眼镜头后直线传播，根据光路传播的可逆原理，那么鱼眼镜头成像可以理解为是一个以鱼眼镜头投影中心为光源的光线发射的过程。而激光扫描仪是一种以激光发射器为中心的主动发射激光的过程。两种过程均能实现对外部场景的全视角信息感知，如果能够把鱼眼镜头的光源和激光扫描仪的光源重合为一点，并以该光源归一点作为球心，构造一个“虚拟投影球面”，就可以实现影像数据与激光点云的数据配准。 * 光学影像的投影回归实质是获取的鱼眼图像经过校正、拼接、分割，最后纹理映射至球面，得到球形全景的过程 * 投影回归方法正确与否？需要用数学方法证明像点经过不同转换，在虚拟投影球面、圆形图像坐标、方形图像坐标及球体坐标上的位置没有发生改变，即x=x3,y=y3,z=z3.论文中有具体的证明过程。 * 本研究采用4台SIGMA 8mm鱼眼镜头来采集图像，水平视角和垂直视角分别为120°和180° * 配准精度如何，还需进行量测验证 * 扫描仪俯仰角度为1度时，整体误差水平控制在1%左右；当角度分辨率为0.5度和0.25度时，误差更小，说明配准精度较高。 * 激光点云本身是三维数据，但可以通过投影的方法生成特征图像，以行道树为例，因为行道树的点云数据既包括了树干的点云数据，又包括树冠的点云，论文基于知识和特征提出了一种分层投影的行道树识别方法。 * 本文采用中国测绘科学研究院研制的SSW-MMTS车载激光建模测量系统进行点云数据获取，武汉市光谷某区域的实验数据。 获取数据后进行降噪处