[发明专利]基于多小波支持向量机WSVM集成的全波形LiDAR点云分类方法

说明书

本发明公开了一种基于多小波支持向量机WSVM集成的全波形LiDAR点云分类方法，本发明首先对全波形LiDAR数据进行分解，提取点云的几何和波形特征，利用不同的小波核函数构建多个小波支持向量机(WSVM)分类器，并将这些WSVM分类器作为基分类器建成一个集成系统。在每个WSVM分类器内部采用粒子群优化PSO算法进行参数优化，并采用bagging算法对WSVM分类器进行集成；最后采用小波支持向量机WSVM分类器集成系统对原始的全波形LiDAR数据分解出的点云进行分类并输出结果。本发明可以取得良好的点云分类结果。

技术领域

本发明属于LiDAR数据处理与应用技术领域，尤其涉及一种基于多小波支持向量机WSVM集成的全波形LiDAR点云分类方法。

背景技术

近年来，随着LiDAR设备与数据处理技术的发展，针对其数据分类的研究越来越多。作为一种新型设备，全波形LiDAR能够以很小的采样间隔记录发射脉冲连续的回波波形，与传统的离散点云LiDAR相比能提取出波形特征用于点云分类。LiDAR点云通常数量较大，支持向量机(Support Vector Machine,SVM)作为一种常用的机器学习分类方法，在解决训练样本数据量小而待分类数据量大的问题时具有很大的优势，常被用于点云分类。然而SVM常用的核函数存在冗余而又缺乏局部分析能力的缺点，限制了对复杂函数的逼近能力。而小波函数具有时间—频率域上的局部分析能力，可以作为核函数用来构造小波支持向量机(WSVM)模型。此外，单个WSVM分类器通常在样本特征相似时，缺乏足够的区分能力，而集成学习可以结合多个基分类器以提高泛化能力和分类正确率。

发明内容

为了解决上述技术问题，本发明提出了一种基于多小波支持向量机(WSVM)集成的全波形LiDAR点云分类方法，通过小波核函数构造不同的WSVM分类器，组建WSVM集成系统，利用波形参数及几何参数对点云进行分类。

本发明所采用的技术方案是：一种基于多小波支持向量机WSVM集成的全波形LiDAR点云分类方法，其特征在于，包括以下步骤：

步骤1：对原始的全波形LiDAR数据进行波形分解，生成点云，提取点云的几何及波形特征，并选择训练样本；

步骤2：利用不同的小波核函数构建若干个小波支持向量机WSVM分类器；

步骤3：在每个小波支持向量机WSVM分类器内部进行参数优化；

步骤4：对小波支持向量机WSVM分类器进行集成，构成集成系统；

步骤5：采用小波支持向量机WSVM分类器集成系统对步骤1中的原始的全波形LiDAR数据分解出的点云进行分类并输出结果。

作为优选，步骤1中，对原始的全波形LiDAR数据使用高斯模型进行波形分解，提取点云的几何及波形特征，包括高程、高程标准差、体密度、曲率、法向量竖直角、平均竖直角、波形振幅、波形位置、波形标准差、波形强度。在生成特征后，按地物类别选择适量点云作为训练样本。

作为优选，步骤2中，利用Gaussian,Shannon,Mexico Hat,Morlet和Harmonic小波函数作为母函数，构造出对应的小波核函数，并将其用于SVM模型中，获得小波支持向量机WSVM分类器。

作为优选，步骤3中，使用PSO算法对小波支持向量机WSVM分类器的惩罚系数C和核函数内部参数σ进行优化，以取得最优的参数组合并获得更好的分类效果。

作为优选，步骤4中，将步骤2中获得的5个对应的小波支持向量机WSVM分类器每个使用两次，共10个小波支持向量机WSVM分类器，使用bagging算法对小波支持向量机WSVM分类器进行集成，构成一个WSVM集成系统。