基于深度学习的机载LiDAR点云滤波方法

针对传统滤波方法处理机载LiDAR点云精度不高、自动化程度低和泛用性差的问题,提出了一种端到端的点云深度学习网络模型。首先对原始点云进行几何变换和对坐标增加噪声获取更多数据,提升模型的鲁棒性;其次在深度学习模型中,对点云数据划分网格保留几何信息,网格内采用随机降采样方法提高计算速度;对点云数据存在类别分布不均衡的现象,采用加权交叉熵损失函数,提高模型泛用性;在测试阶段,以原始切片对角线交点为中心增加切片的边长,避免数据几何信息丢失;最后将深度学习模型和布料模拟算法进行比较。实验结果表明该深度学习网络模型在城市、乡镇,村庄和山区4种场景的点云滤波精度平均总误差减少0.223 95、平均kappa系数增加0.136 93,对于地形复杂多变的场景有效保留了地形的各种细节特征,滤波效果较好,具有一定的现实意义。

资料为PDF文档格式.

本文档关键词:滤波,机载,深度,学习,LiDAR