偏度特征約束下的機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)分類

劉正坤，林思娜，吳丹妮

(1.廣州中科智云科技有限公司，廣州 510660；2.武漢大學(xué) 遙感信息工程學(xué)院，武漢 430072)

0 引言

激光雷達(dá)技術(shù)的本質(zhì)是通過(guò)光源識(shí)別定位目標(biāo)信息的一種技術(shù)，技術(shù)涉及激光器、雷達(dá)信號(hào)接收器、影像成像器。激光器會(huì)向需要識(shí)別的目標(biāo)發(fā)送一個(gè)特殊的信號(hào)脈沖，脈沖達(dá)到需要定位目標(biāo)后依舊返回發(fā)射一個(gè)頻段的脈沖，從而實(shí)現(xiàn)監(jiān)測(cè)目標(biāo)的定位。機(jī)載激光雷達(dá)[1]三維信息獲取是當(dāng)前社會(huì)中一種嶄新的探測(cè)技術(shù)。與傳統(tǒng)的攝影測(cè)量方法相比，機(jī)載激光雷達(dá)的探測(cè)效果更具精準(zhǔn)性。機(jī)載激光雷達(dá)在獲取地形信息數(shù)據(jù)時(shí)，會(huì)優(yōu)先取得以空間分布為主的離散點(diǎn)云數(shù)據(jù)[2]。但由于現(xiàn)在點(diǎn)云數(shù)據(jù)在處理過(guò)程中不夠完善，因而會(huì)降低最終探測(cè)效果。所以為了避免這種問(wèn)題的發(fā)生，需要對(duì)機(jī)載激光雷達(dá)點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)分類展開相關(guān)研究。

釋小松[3]等利用神經(jīng)網(wǎng)絡(luò)方法設(shè)計(jì)了城區(qū)機(jī)載激光雷達(dá)點(diǎn)云分類算法。在壓縮處理初始點(diǎn)云數(shù)據(jù)的基礎(chǔ)上，從中提取新的點(diǎn)云數(shù)據(jù)，并采用改進(jìn)Point Net方法分類提取結(jié)果，最終以實(shí)驗(yàn)測(cè)試結(jié)果驗(yàn)證分類效果，從而實(shí)現(xiàn)最終分類。該方法的壓縮效果不理想，存在分類效果較差的問(wèn)題。王果[4]等通過(guò)航空影像的輔助提出了一種新的機(jī)載LiDAR植被點(diǎn)云分類方法。依據(jù)植被光譜特征，利用K均值聚類算法對(duì)航空影像實(shí)行聚類及圖像增強(qiáng)等操作，將處理結(jié)果與點(diǎn)云數(shù)據(jù)融合后處理融合結(jié)果，依據(jù)處理結(jié)果分類點(diǎn)云數(shù)據(jù)，從而達(dá)到最終分類的目的。該方法的融合結(jié)果不夠完善，導(dǎo)致該方法存在分類精度差的問(wèn)題。李永強(qiáng)[5]等提出了車載LiDAR點(diǎn)云數(shù)據(jù)中桿狀地物自動(dòng)提取與分類。在消除點(diǎn)云數(shù)據(jù)中的地面點(diǎn)的基礎(chǔ)上，依據(jù)地物特征提取地物并對(duì)點(diǎn)云數(shù)據(jù)實(shí)行規(guī)則化操作，并通過(guò)分類模型分類地物實(shí)現(xiàn)最終的分類。該方法構(gòu)建的分類模型存有欠缺，存在分類效率低的問(wèn)題。SUN[6]等針對(duì)草方格屏障地區(qū)植被資源調(diào)查中點(diǎn)云的自動(dòng)分類問(wèn)題，提出了一種改進(jìn)的隨機(jī)森林點(diǎn)云分類算法。該方法在隨機(jī)森林分類之前，基于點(diǎn)云數(shù)據(jù)的特征，根據(jù)點(diǎn)云數(shù)據(jù)空間分布特征，共選擇了20個(gè)點(diǎn)云單點(diǎn)特征和多點(diǎn)統(tǒng)計(jì)特征參與點(diǎn)云分類，基于點(diǎn)云密度設(shè)置了三個(gè)不同的尺度來(lái)選擇點(diǎn)云鄰域，構(gòu)建了不同尺度的點(diǎn)云分類特征集，優(yōu)化了點(diǎn)云的重要特征，使其在變量重要性評(píng)分后參與點(diǎn)云分類計(jì)算。Bulatov[7]等提出了一種無(wú)監(jiān)督和旋轉(zhuǎn)不變的方法，并對(duì)三個(gè)具有非常不同特征的數(shù)據(jù)集進(jìn)行了評(píng)估。該方法允許通過(guò)過(guò)濾和聚類所謂的疊加點(diǎn)來(lái)檢測(cè)平面斑塊，因此，經(jīng)過(guò)適當(dāng)修改的隨機(jī)抽樣和一致性(RANSAC)方法在富含異常值的數(shù)據(jù)中的平面估計(jì)中發(fā)揮了關(guān)鍵作用。Guo[8]等旨在在沒有任何監(jiān)督訓(xùn)練數(shù)據(jù)的幫助下，從移動(dòng)LiDAR點(diǎn)云中共同定位3D對(duì)象。為了實(shí)現(xiàn)這一點(diǎn)，該方法提出了一種新的框架來(lái)實(shí)現(xiàn)3D對(duì)象協(xié)同定位，以從不同的點(diǎn)云場(chǎng)景中自動(dòng)提取相同類別的對(duì)象。具體來(lái)說(shuō)，為了搜索和利用來(lái)自不同點(diǎn)云場(chǎng)景中對(duì)象的協(xié)同信息，將3D對(duì)象協(xié)同定位問(wèn)題表述為最大子圖匹配問(wèn)題。在圖形構(gòu)建過(guò)程中，為了處理不同場(chǎng)景中對(duì)象的不一致表示，提出了一種多尺度聚類方法，以金字塔結(jié)構(gòu)表示對(duì)象。此外，由于最大子圖匹配問(wèn)題是NP困難的，提出了一種隨機(jī)搜索算法來(lái)生成共定位結(jié)果。

由于上述方法沒有考慮激光雷達(dá)數(shù)據(jù)中的無(wú)序性特征，為提高激光雷達(dá)云點(diǎn)數(shù)據(jù)的分類效果，避免數(shù)據(jù)無(wú)序性對(duì)分類性能的影響，提出考慮數(shù)據(jù)無(wú)序性的激光雷達(dá)點(diǎn)云數(shù)據(jù)分類方法。本文在機(jī)載激光雷達(dá)點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)預(yù)處理的基礎(chǔ)上，有針對(duì)性地在對(duì)激光雷達(dá)數(shù)據(jù)進(jìn)行去噪處理后，結(jié)合RBF徑向基核函數(shù)與SVM分類器，二次訓(xùn)練、濾波、分類激光雷達(dá)點(diǎn)云數(shù)據(jù)，反復(fù)判斷對(duì)應(yīng)相似點(diǎn)是否為非地面點(diǎn)，在保證可以處理大容量實(shí)時(shí)數(shù)據(jù)的基礎(chǔ)上，使得分類后的激光雷達(dá)點(diǎn)云數(shù)據(jù)有序化，這也是本文的創(chuàng)新點(diǎn)。

1 機(jī)載激光雷達(dá)點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)預(yù)處理

機(jī)載激光雷達(dá)是一種獲取地球空間信息的高新技術(shù)手段。該技術(shù)可以通過(guò)數(shù)據(jù)濾波處理獲取地面和非地面的點(diǎn)云數(shù)據(jù)，并將其分離，從而獲取實(shí)際的建筑物等信息。該技術(shù)具有探測(cè)靈敏度高、數(shù)據(jù)精度高等優(yōu)點(diǎn)。然而，在對(duì)機(jī)載LiDAR點(diǎn)云數(shù)據(jù)的處理中，由于所用算法不同，導(dǎo)致處理效果不同。為此，本文在機(jī)載激光雷達(dá)點(diǎn)云分類前，對(duì)其進(jìn)行預(yù)處理。

1.1 機(jī)載激光雷達(dá)點(diǎn)云系統(tǒng)工作原理

基于機(jī)載激光雷達(dá)的介紹，將機(jī)載激光雷達(dá)系統(tǒng)用作研究對(duì)象，對(duì)其工作原理展開如下闡述。

機(jī)載激光雷達(dá)系統(tǒng)主要由激光測(cè)距儀、INS慣性導(dǎo)航系統(tǒng)、接收機(jī)三部分組建而成。激光測(cè)距儀的功能在于測(cè)量發(fā)射點(diǎn)與目標(biāo)點(diǎn)之間的距離；INS慣性導(dǎo)航系統(tǒng)用來(lái)對(duì)參數(shù)實(shí)行測(cè)量；測(cè)量完成后利用接收機(jī)確定信號(hào)發(fā)射時(shí)的空間位置，它主要根據(jù)時(shí)間量測(cè)確定當(dāng)前目標(biāo)對(duì)象的距離。

當(dāng)信號(hào)處于連續(xù)波狀態(tài)時(shí)，首先需要確立信號(hào)的波形及接收信號(hào)波形的相位差。時(shí)間與相位差之間的關(guān)系用下述方程描述：

tL=φ/2π+T+nT

(1)

式中，tL表示信號(hào)傳播時(shí)間，T表示周期，φ標(biāo)記為相位差，n表示整波數(shù)。

在信號(hào)處于脈沖模式時(shí)，機(jī)載激光雷達(dá)系統(tǒng)可以直接獲取tL，此時(shí)距離與時(shí)間之間的關(guān)系定義為：tL=2m/c。其中，m為掃描儀與目標(biāo)點(diǎn)之間的距離，c為光速。通常來(lái)說(shuō)，系統(tǒng)會(huì)利用脈沖信號(hào)獲取高分辨率數(shù)據(jù)。與傳統(tǒng)測(cè)量技術(shù)對(duì)比，機(jī)載激光雷達(dá)系統(tǒng)更能精準(zhǔn)地得到三維數(shù)據(jù)，而三維數(shù)據(jù)中就包含離散點(diǎn)云數(shù)據(jù)及多類地物信息，這也是機(jī)載激光雷達(dá)獨(dú)有的特點(diǎn)。

三維激光掃描系統(tǒng)由多種硬件構(gòu)成，需要通過(guò)全球定位系統(tǒng)(global positioning system，GPS)控制掃描目標(biāo)空間位置。通過(guò)三維激光掃描系統(tǒng)掃描目標(biāo)后，采用定位定姿系統(tǒng)(position and orientation system，POS)坐標(biāo)系轉(zhuǎn)換到大地坐標(biāo)系，以此獲取三維激光掃描點(diǎn)的邊坡三維坐標(biāo)解算，通過(guò)下述公式定義：

(2)

公式(1)也可以表示為目在POS坐標(biāo)系中的旋轉(zhuǎn)矩陣，為此設(shè)置c為獲取的航向角，進(jìn)一步獲取航向角旋轉(zhuǎn)矩陣Lrow，表示如下：

(3)

根據(jù)上述獲取結(jié)果可知，三維激光掃描時(shí)會(huì)出現(xiàn)一定的誤差，其主要原因是激光掃描精度時(shí)主要體現(xiàn)在測(cè)交精度及距離精度上，同時(shí)掃描設(shè)備各個(gè)部件要以剛性固定集成為主，慣性測(cè)量單元(IMU，inertial measurement unit)、激光掃描儀中心、GPS中心之間存在偏移關(guān)系，所以在掃描時(shí)三維激光掃描系統(tǒng)的掃描軸會(huì)出現(xiàn)一定偏差，容易產(chǎn)生誤差。

1.2 點(diǎn)云數(shù)據(jù)濾波

普遍來(lái)說(shuō)，系統(tǒng)會(huì)利用脈沖信號(hào)獲取高分辨率數(shù)據(jù)。機(jī)載激光雷達(dá)系統(tǒng)更能精準(zhǔn)得到三維數(shù)據(jù)，而三維數(shù)據(jù)中就包含離散點(diǎn)云數(shù)據(jù)及多類地物信息，這也是機(jī)載激光雷達(dá)獨(dú)有的特點(diǎn)。根據(jù)公式(1)可知，由于飛行器飛行過(guò)程的隨機(jī)性，采集的數(shù)據(jù)也會(huì)呈現(xiàn)較強(qiáng)的隨機(jī)性。這種隨機(jī)性就會(huì)造成無(wú)序化問(wèn)題。在自然狀態(tài)下，機(jī)載激光雷達(dá)所測(cè)量到的樣本點(diǎn)云數(shù)據(jù)要遵從于正態(tài)分布，以正態(tài)分布原理為基礎(chǔ)，假設(shè)機(jī)載激光雷達(dá)的非地面點(diǎn)會(huì)對(duì)正態(tài)分布情況帶來(lái)一定的干擾，若想得到標(biāo)準(zhǔn)的地面點(diǎn)，就需要剔除非地面點(diǎn)，即濾波去噪。

利用偏度衡量對(duì)稱性正態(tài)分布的關(guān)鍵度量，如公式(4)：

(4)

式中，sk表示偏度，J表示機(jī)載激光雷達(dá)點(diǎn)的總數(shù)量，Si表示單一對(duì)象點(diǎn)，σ表示樣本標(biāo)準(zhǔn)方差，μα表示樣本均值，i表示系數(shù)。

而機(jī)載激光雷達(dá)sk偏度正態(tài)分布的σ、μα用方程表達(dá)式定義如下：

(5)

當(dāng)sk的取值要比0大時(shí)，就說(shuō)明正處于正偏態(tài)分布，當(dāng)sk的取值要比0小時(shí)，就說(shuō)明正處于負(fù)偏態(tài)分布。由于標(biāo)準(zhǔn)的正態(tài)分布sk取值為0，所以sk的絕對(duì)值越大，就說(shuō)明偏置距離越遠(yuǎn)。

普通的偏態(tài)平衡濾波算法對(duì)機(jī)載激光雷達(dá)點(diǎn)云樣本數(shù)據(jù)展開濾波時(shí)，極易出現(xiàn)地面點(diǎn)分類錯(cuò)誤的問(wèn)題[9]，會(huì)給濾波處理效果帶來(lái)干擾，為了解決這種問(wèn)題的發(fā)生，需要對(duì)偏態(tài)平衡算法實(shí)行改進(jìn)，在原有算法的基礎(chǔ)上引入多光譜數(shù)據(jù)指導(dǎo)濾波流程，加強(qiáng)數(shù)據(jù)去噪效果。

以上述偏態(tài)平衡濾波為基礎(chǔ)，優(yōu)先灰度化處理多光譜數(shù)據(jù)[10]，基于偏態(tài)平衡算法對(duì)非地面點(diǎn)的過(guò)濾結(jié)果，將其與灰度圖像相結(jié)合，從中建立一個(gè)窗口，以建立的窗口為中心尋找出與中心點(diǎn)光譜具有相似性的點(diǎn)，這些相似點(diǎn)歸類后就會(huì)成為非地面點(diǎn)。根據(jù)改進(jìn)后的偏態(tài)平衡濾波算法，利用該算法對(duì)機(jī)載激光雷達(dá)獲取的點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)展開濾波處理，具體流程如圖1所示。

圖1 點(diǎn)云數(shù)據(jù)濾波流程

點(diǎn)云實(shí)時(shí)數(shù)據(jù)濾波處理流程如下所示：

1)引入多光譜數(shù)據(jù)及DSM數(shù)據(jù)實(shí)行灰度處理。計(jì)算DSM數(shù)據(jù)中的sk值，若sk>0，則進(jìn)入到步驟2)，若sk≤0，則步入到步驟3)。

2)對(duì)比光譜相似性[11]。具體表現(xiàn)為當(dāng)sk>0時(shí)，獲取DSM數(shù)據(jù)最高點(diǎn)Q(i，j)及多光譜數(shù)據(jù)中與Q(i，j)相對(duì)應(yīng)的點(diǎn)，即G(i，j)。根據(jù)Q(i，j)與G(i，j)的光譜相似度對(duì)比結(jié)果濾除G(i，j)存有相似性的點(diǎn)。濾除完成后即可返回至步驟1)。

3)sk≤0時(shí)，濾除的點(diǎn)就屬于非地面點(diǎn)，而余下的點(diǎn)就屬于地面點(diǎn)，以此完成濾波處理，得出濾波后的結(jié)果。

通過(guò)分析機(jī)載激光雷達(dá)工作原理，利用機(jī)載激光雷達(dá)獲取點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)。由于獲取的數(shù)據(jù)存有空洞數(shù)據(jù)，所以需要對(duì)其實(shí)行濾波處理，以此增強(qiáng)后續(xù)分類效果。

2 點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)分類算法設(shè)計(jì)

2.1 選取點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)特征

點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)的訓(xùn)練特征決定著數(shù)據(jù)分類效果，而優(yōu)質(zhì)的訓(xùn)練特征則會(huì)提升點(diǎn)云實(shí)時(shí)數(shù)據(jù)分類精度。通過(guò)提取機(jī)載激光雷達(dá)點(diǎn)云特征，并采用F-score方法對(duì)提取的特征實(shí)行有效性評(píng)估，從中選取優(yōu)質(zhì)特征以此構(gòu)成一個(gè)以特征向量為主的訓(xùn)練分類器[12-13]，利用該分類器對(duì)點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)展開分類，從而實(shí)現(xiàn)最終分類方法。

一般情況下點(diǎn)云數(shù)據(jù)中主要包含四種點(diǎn)云特征，因而待選取的點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)特征定義如下：

1)點(diǎn)云數(shù)據(jù)經(jīng)濾波處理后[14]提取機(jī)載激光雷達(dá)地面點(diǎn)，對(duì)地面點(diǎn)歸一化后獲取地面點(diǎn)高程值h。根據(jù)歸一化結(jié)果獲取地表模型，利用該模型區(qū)分高矮不同的物體或建筑物。

2)設(shè)置機(jī)載激光雷達(dá)高程方差HV的中心點(diǎn)為激光點(diǎn)，在圓形范圍內(nèi)以R1為半徑，其周圍所有的點(diǎn)都是機(jī)載激光雷達(dá)的高程值方差，可以有效地3反映出物體表面的平整度。

3)機(jī)載激光雷達(dá)點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)法向量偏角β。主要表現(xiàn)在人造物體、建筑物等β保持不變，而植被表面β變化明顯。

4)點(diǎn)云回波率[15]f。設(shè)定點(diǎn)云實(shí)時(shí)數(shù)據(jù)中的回波率主要以該點(diǎn)的中心為主。假設(shè)在圓形范圍中半徑R2是平均點(diǎn)距的2倍，那么點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)回波率f通過(guò)計(jì)算得到：

f=nball/ncolumn

(6)

式中，nball表示圓形范圍內(nèi)的點(diǎn)云數(shù)量，ncolumn表示柱形中的點(diǎn)云數(shù)量。

對(duì)上述四種機(jī)載激光雷達(dá)點(diǎn)云實(shí)時(shí)數(shù)據(jù)特征向量選擇完成后，需要對(duì)其實(shí)行差異處理操作，以此消除具有差異性的特征。實(shí)行差異處理的特征用方程表達(dá)式定義如下：

(7)

式中，I′表示差異處理后的點(diǎn)云特征值，I初始特征值，Imin表示最小特征值，Imax表示最大特征值。

2.2 點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)分類

以“一對(duì)一”分類方法為主，基于選取的點(diǎn)云特征建立一個(gè)為N(N-1)/2的二分類器，式中N表示點(diǎn)云種類數(shù)量。

依據(jù)RBF徑向基核函數(shù)[16-17]復(fù)雜性低的特點(diǎn)，將RBF核用作構(gòu)建的SVM分類器內(nèi)核，以此對(duì)點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)實(shí)行分類模型的訓(xùn)練。此時(shí)RBF核的方程表達(dá)式用下述方程標(biāo)記：

K(p，q)=φ(p)T+φ(q)=

(8)

式中，p、q表示點(diǎn)云實(shí)時(shí)數(shù)據(jù)低維特征向量，φ(p)、φ(q)均標(biāo)記為高維向量[18]，γ表示核參數(shù)，T表示時(shí)刻。

在RBF核函數(shù)中選擇核參數(shù)γ及懲罰因子C，利用訓(xùn)練樣本對(duì)SVM分類器[19-20]實(shí)行訓(xùn)練，其訓(xùn)練結(jié)果即為分類結(jié)果，再對(duì)分類結(jié)果實(shí)行粗分類，以此得出點(diǎn)云數(shù)據(jù)共分成建筑物、植被、人造物體三類。

機(jī)載激光雷達(dá)點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)分類流程如圖2所示。

圖2 點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)分類流程圖

點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)分類流程如下所示：

1)確定地面點(diǎn)坐標(biāo)位置。

2)提取目標(biāo)對(duì)象點(diǎn)云要素。

3)對(duì)獲取的點(diǎn)云要素進(jìn)行F評(píng)分。

4)選取點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)特征并進(jìn)行去差分處理。

5)使用一對(duì)一[21-22]的策略進(jìn)行粗分類，以此得出點(diǎn)云數(shù)據(jù)共分成建筑物、植被、人造物體三類。

6)輸出分類結(jié)果，實(shí)現(xiàn)偏度特征約束下的機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)分類。

3 實(shí)驗(yàn)與分析

為了驗(yàn)證所提出偏度特征約束下的機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)分類方法的分類性能，設(shè)計(jì)對(duì)比測(cè)試。

3.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)過(guò)程中，分別利用所提方法(方法1)、文獻(xiàn)[3]神經(jīng)網(wǎng)絡(luò)方法(方法2)、文獻(xiàn)[4]航空影像輔助方法(方法3)進(jìn)行實(shí)驗(yàn)測(cè)試，實(shí)驗(yàn)使用的機(jī)載激光雷達(dá)掃描示意圖如圖3所示。

圖3 激光雷達(dá)掃描示意圖

圖3左側(cè)無(wú)人機(jī)為由GPS模塊、慣性測(cè)量?jī)x、無(wú)線網(wǎng)絡(luò)適配器、激光掃描頭和存儲(chǔ)控制單元組成的精靈 4 RTK 小型多旋翼高精度航測(cè)無(wú)人機(jī)掃描過(guò)程。該無(wú)人機(jī)具體參數(shù)為軸距350 mm，最大旋轉(zhuǎn)角速度150°/s，可控轉(zhuǎn)動(dòng)范圍俯仰：-90°～+30°，角度抖動(dòng)量±0.02°。本次實(shí)驗(yàn)測(cè)試選取機(jī)載激光雷達(dá)用作實(shí)驗(yàn)對(duì)象，利用該設(shè)備獲取地區(qū)點(diǎn)云數(shù)據(jù)。掃描儀參數(shù)如表1所示。

表1 掃描儀參數(shù)表

3.2 實(shí)驗(yàn)過(guò)程及方法

實(shí)驗(yàn)之前的準(zhǔn)備工作如下：

1)開啟無(wú)人機(jī)，確保各個(gè)儀器能夠正常獲取數(shù)據(jù)；

2)初始化調(diào)試體系，調(diào)節(jié)相機(jī)白平衡后開啟激光。

3)為使成像結(jié)果更為精確，要將整個(gè)成像體系標(biāo)定好，保障所得數(shù)據(jù)為有效數(shù)據(jù)。

根據(jù)上述過(guò)程，在實(shí)驗(yàn)過(guò)程中，由圖3所示的無(wú)人機(jī)掃描目標(biāo)實(shí)驗(yàn)區(qū)域獲取相關(guān)數(shù)據(jù)，當(dāng)無(wú)人機(jī)飛行至雷達(dá)掃描范圍內(nèi)時(shí)，基于激光雷達(dá)的無(wú)人機(jī)地形跟隨系統(tǒng)，向四周發(fā)生電磁波在碰到目標(biāo)后反射，通過(guò)雷達(dá)采集處理單元接受反射波獲取飛行環(huán)境的相對(duì)高度信息，繼而判斷機(jī)載激光雷達(dá)的距離高度速度等指標(biāo)，并將數(shù)據(jù)結(jié)果傳輸給飛行控制系統(tǒng)，完成激光雷達(dá)點(diǎn)云數(shù)據(jù)掃描與采集。機(jī)載激光雷達(dá)點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)分類時(shí)，其訓(xùn)練耗時(shí)及分類精度均能體現(xiàn)出機(jī)載激光雷達(dá)點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)分類效果。

3.3 實(shí)驗(yàn)結(jié)果分析

為證明三種方法的分類效果，展開下述實(shí)驗(yàn)測(cè)試。

1)本次實(shí)驗(yàn)設(shè)置點(diǎn)云密度為2.36 pts/m2，利用機(jī)載激光雷達(dá)獲取建筑物、地面點(diǎn)云數(shù)據(jù)，點(diǎn)云總數(shù)為6 000個(gè)，并在點(diǎn)云總數(shù)中選取10%的數(shù)據(jù)用作訓(xùn)練樣本，其余用作測(cè)試樣本。采用方法1、方法2和方法3分別對(duì)測(cè)試樣本數(shù)據(jù)實(shí)行訓(xùn)練，根據(jù)訓(xùn)練時(shí)間驗(yàn)證分類耗時(shí)，訓(xùn)練時(shí)間越短，說(shuō)明分類期間消耗的時(shí)間越少，表明該方法的分類效率快。具體測(cè)試結(jié)果如圖4所示。

圖4 不同地物類別測(cè)試樣本數(shù)據(jù)訓(xùn)練時(shí)間測(cè)試

圖4(a)為建筑物測(cè)試樣本數(shù)據(jù)訓(xùn)練時(shí)間測(cè)試，選取的建筑物測(cè)試數(shù)據(jù)共為2 500個(gè)，隨著測(cè)試數(shù)據(jù)的不斷提升，三種方法對(duì)應(yīng)的訓(xùn)練時(shí)間均不相同。測(cè)試時(shí)，方法1的訓(xùn)練時(shí)間要處于5 s以下，而方法2和方法3的整體訓(xùn)練時(shí)間要超出5 s，其中方法3的訓(xùn)練時(shí)間增長(zhǎng)速度最快，因而可以表明方法1的訓(xùn)練時(shí)間最短、方法3的訓(xùn)練時(shí)間最長(zhǎng)。

圖4(b)為地面點(diǎn)測(cè)試數(shù)據(jù)訓(xùn)練時(shí)間測(cè)試，其測(cè)試數(shù)據(jù)總量為1 000個(gè)。與圖4(a)相比，測(cè)試數(shù)據(jù)有所減少后，三種方法都提升了自身訓(xùn)練速度，大幅度降低了訓(xùn)練時(shí)間，但依舊可以看出方法1的訓(xùn)練時(shí)間最短，以此證明了方法1的分類耗時(shí)少、分類效率高。

綜上所述，方法1在實(shí)驗(yàn)測(cè)試中的訓(xùn)練時(shí)間最短，這主要是因?yàn)榉椒?對(duì)點(diǎn)云數(shù)據(jù)實(shí)行濾波處理，達(dá)到消除數(shù)據(jù)噪聲點(diǎn)的目的，以此降低訓(xùn)練時(shí)間、提升分類效率。

2)機(jī)載激光雷達(dá)點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)的訓(xùn)練速度快不代表分類精度高，所以需要進(jìn)一步利用三種方法展開分類準(zhǔn)確率測(cè)試，以此證明分類效果。以水平方向?yàn)閤軸和z軸，以豎直方向?yàn)閥軸，繪制任意目標(biāo)點(diǎn)的直角坐標(biāo)為：

(9)

式中，Hx、Hy、Hz分別表示三維激光掃描技術(shù)在x軸、y軸、z軸方向的坐標(biāo)值；S1和S2表示圖1中的兩條線段長(zhǎng)度；α表示儀器所發(fā)射激光的水平角度；θ表示該激光的豎直角度。引入建筑物、植被、人造物體三類激光雷達(dá)定位目標(biāo)，通過(guò)圖5展示不同定位目標(biāo)的坐標(biāo)變化情況，匹配原始建筑物、地面點(diǎn)云數(shù)據(jù)，分析點(diǎn)云數(shù)據(jù)的偏差特征計(jì)算結(jié)果。

圖5 掃描云數(shù)據(jù)的偏差特征計(jì)算結(jié)果

通過(guò)圖5可以看出，本文的方法可以很好的區(qū)分動(dòng)態(tài)與靜態(tài)云數(shù)據(jù)的偏差特征，特征偏差區(qū)分度很好，有利于進(jìn)一步分類。對(duì)建筑物、植被、人造物體三類點(diǎn)云特征混合后，進(jìn)行分類，結(jié)果如圖6所示。

圖6 數(shù)據(jù)分類結(jié)果

圖6中，在點(diǎn)云數(shù)據(jù)分類下，不同定位目標(biāo)與地面點(diǎn)云數(shù)據(jù)較為匹配，精準(zhǔn)劃分出多類地物信息，且各點(diǎn)云數(shù)據(jù)間的重疊性較低，使得具有無(wú)序性的點(diǎn)云數(shù)據(jù)有序化，表明該方法可以較為精準(zhǔn)的分類效果優(yōu)化激光雷達(dá)的應(yīng)用過(guò)程，保證機(jī)載激光雷達(dá)的探測(cè)效果。

具體測(cè)試結(jié)果如表2所示。

表2 不同方法的分類準(zhǔn)確率測(cè)試

分析表2中的數(shù)據(jù)可知，整體測(cè)試實(shí)驗(yàn)中方法1和方法3的分類準(zhǔn)確率要高于方法2，而方法1的分類精度下降較慢，始終保持最高。將本次實(shí)驗(yàn)結(jié)果與實(shí)驗(yàn)1結(jié)合，得知方法1的訓(xùn)練時(shí)間短、分類精度高，由此可見方法1的分類效果最佳，具有較好的實(shí)際應(yīng)用價(jià)值。

3)RDV(相對(duì)差異值)可以衡量不同算法在機(jī)載雷達(dá)點(diǎn)云數(shù)據(jù)分類過(guò)程中的收斂速度，RDV值越低，表明對(duì)應(yīng)方法具有越優(yōu)的收斂速度。分別利用方法1、方法2和方法3對(duì)6 000個(gè)目標(biāo)機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行分類，獲取不用算法的RDV值如表3所示。

表3 不同算法RDV值對(duì)比

由表3可知，不同運(yùn)算時(shí)間下，方法1均具有較低的RDV值，說(shuō)明本文提出的機(jī)載雷達(dá)點(diǎn)云數(shù)據(jù)分類在保持較高分類準(zhǔn)確率的同時(shí)具有較快的收斂速度，再次驗(yàn)證了本文所提出的機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)分類方法具有較高的分類有效性以及收斂速度。

考慮到激光雷達(dá)掃描形成點(diǎn)云數(shù)據(jù)的過(guò)程中，會(huì)存在大量的干擾數(shù)據(jù)。為了保證不同方法的分類性能統(tǒng)計(jì)采用三種算法機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)在加入不同干擾情況下的分類精度，統(tǒng)計(jì)結(jié)果如表4所示。得到不同方法分類的誤分率結(jié)果如表5所示。

表4 干擾情況下分類精度對(duì)比

表5 不同分類方法誤分率對(duì)比表

表4實(shí)驗(yàn)結(jié)果可以看出，相較于方法2和方法3而言，方法1在不同白噪聲干擾下具有較高的分類精度，分類精度高于80.72%，分類精度均明顯高于兩種對(duì)比方法，驗(yàn)證了本文提出的機(jī)載激光雷達(dá)點(diǎn)云分類方法具有較高的抗干擾性能。本文算法可有效抵御機(jī)載激光雷達(dá)點(diǎn)云獲取過(guò)程中存在的眾多噪聲干擾，可應(yīng)用于點(diǎn)云數(shù)據(jù)分類中。為驗(yàn)證所提方法的分類性能，以誤分率為指標(biāo)，與方法2、方法3進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果如表5所示。

從表5中可以看出，隨著干擾強(qiáng)度的不斷升高，三種方法對(duì)機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)的誤分率變化趨勢(shì)不一致，方法1的誤分率低于0.05%，方法2的誤分率位于0.05%～0.75%之間，方法3的誤分率位于0.08%～0.20%之間。因此，方法1的誤分率更低。

4)以Kappa系數(shù)為指標(biāo)，分別對(duì)比方法1、方法2和方法3的分類性能。利用式(10)表示Kappa系數(shù)：

(10)

式(8)中，N表示數(shù)據(jù)總數(shù)；nir表示混淆矩陣第i行的總和，ni=j表示對(duì)角線元素，c表示類別數(shù)，nic表示混淆矩陣第i列總和。

同時(shí)為凸顯本文方法的分類性能，分別利用方法2和方法3在同一環(huán)境中進(jìn)行測(cè)試，結(jié)果如表6所示。

表6 總體精度與Kappa系數(shù)實(shí)驗(yàn)結(jié)果

通過(guò)對(duì)表6的分析得出，在采用本文方法進(jìn)行分類時(shí)，建筑物機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)顯示的總體精度為97%，且Kappa系數(shù)都高于兩種對(duì)比方法；在植被機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)中，本文方法的Kappa系數(shù)為0.96，與方法2和方法3結(jié)果相比，Kappa系數(shù)明顯提高；在人造物體機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)中，本文方法的Kappa系數(shù)為0.97，與方法2和方法3結(jié)果相比，Kappa系數(shù)明顯提高。

4 結(jié)束語(yǔ)

機(jī)載激光雷達(dá)點(diǎn)云若處理不當(dāng)，會(huì)對(duì)最終探測(cè)結(jié)果造成影響，為了解決上述問(wèn)題，本文提出了機(jī)載激光雷達(dá)點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)分類方法，詳細(xì)分析了機(jī)載激光雷達(dá)中的點(diǎn)云系統(tǒng)工作原理。為了消除數(shù)據(jù)空洞給點(diǎn)云數(shù)據(jù)帶來(lái)的干擾，根據(jù)獲取的點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)，依據(jù)偏差特征濾波處理無(wú)序化的點(diǎn)云數(shù)據(jù)。通過(guò)提取點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)特征，從中選取最優(yōu)有序化特征。結(jié)合SVM分類器，創(chuàng)新性地采用RBF徑向基核函數(shù)二次規(guī)范無(wú)序數(shù)據(jù)，對(duì)點(diǎn)云大容量實(shí)時(shí)數(shù)據(jù)分類。通過(guò)對(duì)該方法實(shí)行分類效果測(cè)試，測(cè)試結(jié)果表明，所提方法達(dá)到了最佳分類效果，解決了地面點(diǎn)分類錯(cuò)誤的問(wèn)題，優(yōu)化了分類時(shí)間與分類準(zhǔn)確率，在機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)分類方法中發(fā)揮著重要作用，在實(shí)際應(yīng)用中具有較好的發(fā)展前景。