科研之友
微信
新浪微博
Facebook
分享链接
摘要
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、城镇、乡村和山区四种场景的点云滤波精度平均总误差减少0.22395、平均kappa系数增加0.13693，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。
- 单位
