一种机载激光雷达数据植被提取方法与流程

技术特征：

1.一种机载激光雷达数据植被提取方法，其特征是该方法包括以下步骤：

（一）机载激光雷达点云的预处理；

（二）机载激光雷达点云的预分割；

（三）分割单元特征选取；

（四）基于核函数的软间隔SVM分类；

（五）基于先验知识的数据植被粗分类结果的优化。

2.根据权利要求1所述的一种机载激光雷达数据植被提取方法，其特征是所述的机载激光雷达点云的预处理，具体方法为：采用直方图统计分析法确定点云的分布规律，通过给定粗差点占有的比率阈值T，将较高粗差点和较低粗差点滤除。

3.根据权利要求1所述的一种机载激光雷达数据植被提取方法，其特征是所述的机载激光雷达点云的预分割，具体方法为：

通过高斯分布模型和进行概率密度分析，实现区域增长，实时调整高斯模型参数将最大化 问题转化为将满足一定概率密度点云聚类问题，从而实现点云预分割，基于四维向量高斯模型定义如下：

（1）

若每个点由向量表示，则维数，其中分别为点云的法向量在空间坐标三个方向的分量，为点云的反射强度信息，即激光雷达振幅反射强度依赖于物体表面的特性，激光扫描器的波长和入射角，表示向量集合的均值，代表四维向量组成的协方差矩阵；

同理，若仅表示点云高程，则当维数，此高斯分布模型退化为：

（2）

为点云平均高程，代表点云高程的方差；

当前点对应的概率密度函数和表示在处单位宽度内的概率，概率密度函数表示在处单位宽度内的概率，只有概率密度落到高斯分布概率密度函数灰色区域的点与当前分割单元有很强的空间自相关性，此点将被分割单元所接纳，即同时满足条件和进行区域增长聚类；

利用分割单元内全部点实时更新变量、、，此过程迭代进行，直到没有均质点加入，然后聚类下一个分割单元，其中为协方差矩阵的对角元素组成的向量，其中控制空间自相关的紧密程度；

分割单元初始聚类时，单个点计算出来的，为零，为解决此问题，在聚类开始设置一个较小的阈值V ，若最初聚类单元计算的，小于该阈值，则令，为该阈值，随着均质聚类单元尺寸的增大，分割单元表现出越来越强的自适应调整能力，V 的设置参考激光雷达数据集的精度，设置为高程精度的2倍。

4.根据权利要求1所述的一种机载激光雷达数据植被提取方法，其特征是所述的分割单元特征选取，其选取特征为以下六个：

① 归一化数字表面模型；

② 局部区域的平整性；

③ 点与拟合面的高程差；

④ 高差变化；

⑤ 曲率分布的一致性；

⑥ 多次回波。

5.根据权利要求1所述的一种机载激光雷达数据植被提取方法，其特征是所述的基于核函数的软间隔SVM分类，其具体方法如下：

对于每个分割单元，选择步骤（三）中选取的六个特征构建该分割单元的向量，每个特征的值即为该分割单元内所有点对应特征的均值；然后将训练样本分割单元和测试数据分割单元的特征向量统一缩放到较小范围内（0~1），并将同一特征属性转化到相同的尺度，降低模型创建计算的复杂度，最终将整理后的分割单元特征向量输入SVM分类器，SVM分类器其核心优化方程如式（3）所示：

（3）

其中，表明离群样本点到所属分割单元分割平面的距离，只有离群点对应的才大于零，其他情况均为零，为惩罚因子，值越大；表示目标函数的损失也越大，暗指不愿意放弃离群点。

6.根据权利要求1所述的一种机载激光雷达数据植被提取方法，其特征是所述的基于先验知识的植被粗分类结果的优化，具体如下：

1）基于几何分析：位于建筑边缘和散布在立体墙面上的噪声点投影到二维平面中呈现出线性分布；位于建筑屋顶不规则物体上的点云，在空间垂直分布上与植被有明显不同，植被点云空间变化平滑，分布类似高斯分布，而建筑屋顶不规则物体则不具备此特征；

2）基于语义分析：屋顶上的附属物比较琐碎，形状复杂，不能与植被完全分离，根据先验知识，城区植被与建筑顶部附属物有一定的空间距离，属于同类的点往往聚集在一定的物体空间中，结合预处理阶段提取到的植被点的分布，就能获取整体植被的分布状况。