基于多层次对象深度学习特征的城市场景ALS点云分类方法研究

ALS point cloud based urban on-ground object recognition is a hot problem in the research field of geographic information science. ALS point clouds are sparse, data missing and noisy, so the recognition of on-ground object with high accuracy in complex urban scene is a challenge. The traditional methods can’t construct hierarchical objects for no consideration of object distribution densities, and are short of distinction representation of object feature and design of hierarchical classification framework. For the problem, we explore a method of deep learning-based ALS point cloud classification in urban scene, and propose a point cloud classification framework which exploits hierarchical object-based deep learning features. In the framework, the content-aware hierarchical objects of point clouds are firstly constructed, then, the fully convolutional networks and hierarchical object model are combined to automatically learn the multi-scale features about space, shape and color, and fuse high-level and low-level features, to classify the point cloud of urban scene. Our research can dramatically improve the precision and efficiency of large scale point clouds, which is a beneficial exploration to big spatial data understanding level.

基于机载激光雷达点云的城市地物识别是地理信息科学领域的研究热点。由于机载激光雷达点云的稀疏性、数据缺失和具有较高噪声，实现复杂城市场景点云的地物高精度识别面临很大的挑战。传统方法构建多层次对象时，不能很好地顾及地物分布密度构建多层次对象，在对象特征的显著性表达及多层次分类框架设计方面不足。基于此，本申请项目拟开展基于深度学习的城市场景机载激光点云分类的研究，提出并实现多层次对象深度学习特征的点云分类框架。在该框架中，首先构建基于内容感知的点云多层次对象模型，在此基础上发展全卷积网络与多层次对象模型结合的方法，自动学习提取多个尺度上的空间、形状、颜色等特征信息，并把高层次和低层次特征进行融合，最后实现城市场景激光点云的分类。本申请项目的研究将显著提升大场景三维点云分类的精度和效率，也是提高大空间数据理解水平的一次有益的探索。

基于机载激光雷达点云的城市地物识别是地理信息科学领域的研究热点，也是数字城市、智慧城市的基础和关键。由于机载激光雷达点云的稀疏性、局部数据缺失和具有较高噪声，实现复杂城市场景点云的地物高精度识别面临很大的挑战。传统方法构建多层次对象时不能很好地顾及地物分布密度，在对象特征的显著性表达及多层次分类框架设计方面还有不足。基于此，本项目开展了基于深度学习的城市场景机载激光点云分类的研究，提出并实现了多层次对象深度学习特征的点云分类框架。在该框架中，首先构建基于内容感知的点云多层次对象模型，在此基础上发展卷积神经网络与多层次对象模型结合的方法，自动学习提取多个尺度上的空间、形状等特征信息，并把高层次和低层次特征进行融合，最后实现城市场景激光雷达点云的高效分类。此外，考虑到国内外城市的差异，选取一些典型城市（如中国的天津、北美的多伦多及欧洲的斯图加特等）的机载激光雷达点云数据，并与多种前沿方法进行比较分析，验证了本项目研究方法的适用性及优越性能。在完成项目主要内容的基础上，又对研究内容进行了一定的深化和拓展，来更好地促进城市三维空间智能感知。上述研究成果形成高水平SCI论文15篇、中文核心论文3篇、发明专利2份，同时，培养硕士生5人、博士生1人、1人晋升高级技术职称。本项目的研究成果能够提升大场景三维点云分类的精度和效率，对大空间数据理解水平的提高具有一定的意义。