一种基于改进随机森林算法的点云分类方法技术

本发明专利技术涉及3D成像技术领域，公开了一种基于改进随机森林算法的点云分类方法，S1：点云特征计算，包括高程相关特征、拟合平面相关特征、协方差矩阵特征值相关特征、光谱相关特征以及其余点特征；S2：进行多尺度特征构建；S3：对决策树进行聚类精简操作，选择类簇中评价精度高的若干决策树重新构建随机森林；S4：引入决策树评价精度权重，得到决策树评价精度矩阵与权重矩阵

A point cloud classification method based on improved random forest algorithm

【技术实现步骤摘要】
一种基于改进随机森林算法的点云分类方法
本专利技术涉及3D成像
，具体涉及一种基于改进随机森林算法的点云分类方法。
技术介绍
近年来，随着遥感领域软硬件技术的发展，遥感数据获取的技术成本迅速降低，遥感数据也得到了更为广泛的应用。遥感数据在传统的DEM、DOM、DLG制作基础上又增加了快拼影像图、三维数据建模、林业资源调查等应用，而快速、精确的获取目标区域三维点云是实现遥感数据进一步应用的基础。在现阶段，三维点云数据的获取主要采用以下两种方法：一是使用激光雷达扫描获取；二是通过摄影测量的方式由密集匹配算法来获取。点云数据有两种基本特征：一是点云数据包含有空间三维坐标信息，不同采集方式获取的点云有些还包含回波信息、光谱信息等。二是点云数据虽然数据量大，但是互相无关联，是无序数据。对点云数据进行精细划分是进一步对点云数据进行处理的基础，目前实现点云自动分类的方法主要有以下两种：(1)基于无监督的方法。目前针对三维点云数据特点通过提取点云数据各种特征构建三维点之间联系的无监督分类方法有很多。Gerke(2014)等提取了点云数据的影像上线段长度、归一化高程、法向量Z分量及颜色和纹理等特征结合图割算法，将LiDAR点云划分为地面、建筑物、低矮植被和树木4类。田青华(2017)等对欧式聚类算法进行了改进，实现了搜索半径的自适应，同时基于距离约束解决了点云子集的边缘点识别问题，从而实现了点云分割。Zhang(2016)等首先对三维点云数据进行翻转，然后模拟布料与反转后点云之间的关系从而实现地面点与地物点之间的分割。无监督下的点云分类算法大都针对特定类别点云数据，应用场景单一，可移植性差。(2)基于有监督的方法。传统无监督的点云分类方式通过设置判定规则来确定点所属类别，有监督的分类方式则通过提取分类特征后训练分类器来实现点的类别判定。Zhang(2013)等人使用支持向量机对LiDAR数据进行分类。而Niemeyer(2012)等人则采用一种基于条件随机场(Conditionalrandomfield,CRF)的上下文分类方法实现LiDAR点云分类。Xu(2014)等提取了点、平面和均值漂移三类特征对分类器进行训练，同时系统比较了Adaboost、随机森林、ANNMLP(ArtificialNeuralNetworksMultipleLayerPerceptrons)、支持向量机(SupportVectorMachine，SVM)和Rule-based等多种分类器的分类效果。Guan(2013)等采用光谱特征、几何特征和回波强度特征训练随机森林分类器将LiDAR点云划分为建筑物、树木、地面点等几类。上述基于机器学习的有监督点云分类方法使用提取到的全部点云特征进行分类划分，在分类过程中未能全面分析点云特征与分类精度之间的关系，且由于特征维度高易造成算法分类效率低。
技术实现思路
专利技术目的：针对现有技术中存在的问题，本专利技术提供一种基于改进随机森林算法的点云分类方法，通过决策树之间的编辑距离并进行聚类实现了对随机森林中冗余决策树的剔除，在随机森林投票阶段引入决策树评价精度权重，根据投票权值进行投票分类，使得点云分类精度及分类效率得到了较大提高。技术方案：本专利技术提供了一种基于改进随机森林算法的点云分类方法，包括如下步骤：S1：点云特征计算，所述点云特征包括高程相关特征、拟合平面相关特征、协方差矩阵特征值相关特征、光谱相关特征以及其余点特征；S2：多尺度特征构建，针对步骤S1中的点云特征，按照点云的不同领域范围确定点云不同尺度构建参数，进行多尺度特征构建；S3：冗余决策树剔除，所述S1中计算出来的点云特征作为决策树的分裂节点，以传统方式构建随机森林，通过树编辑距离算法计算决策树之间的相似度，并按相似度进行聚类，对评价精度由高到低排序，选取评价精度排在前面的若干决策树重新构建随机森林；S4：引入评价精度权重，在S3中的重新构建的随机森林的投票阶段引入决策树评价精度权重，得到决策树评价精度矩阵，采用加权投票法作为最终的分类依据，将决策树的评价精度转化为随机森林算法的投票权值，最终得到权重矩阵W；S5：根据权重矩阵W进行加权投票，最终得到点云分类结果。进一步地，所述S3中聚类过程如下：1.1)将传统方式随机森林算法的决策树作为待选数据集，随机抽取Q个决策树作为初始聚类中心；1.2)采用最大最小距离方法确定Q个聚类中心；1.3)遍历所有的决策树，计算其与Q个聚类中心的编辑距离，按照最近距离原则将决策树聚类为Q个簇；1.4)重复步骤1.2)-1.3)，直到所有决策树完成聚类停止；1.5)在得到的Q个决策树类簇中对评价精度进行排序，选取评价精度排在前面的若干决策树重新构建随机森林。进一步地，所述最大最小距离方法确定Q个聚类中心，具体为：2.1)随机选取一个数据作为第一个聚类中心z1；2.2)计算其余数据到z1距离，距离最大的为第二个聚类中心z2；2.3)计算其余数据与现有聚类中心距离，取距离最小值集合中的最大值作为新的聚类中心；2.4)重复以上过程直到确定Q个聚类中心。进一步地，所述S4中决策树评价精度矩阵ACC为：其中，accij表示第j棵决策树对第i种点云的分类精度，其中，j＝1，2，…J，J为聚类精简后的决策树数量；i＝1，2，…，I，I为评价精度等级，通过计算验证集在聚类精简后的随机森林中每棵决策树对应的每一类点云分类的准确率获得。进一步地，所述权重矩阵为：其中，wqp表示第j棵决策树对应于第i种点云的投票权重，wij＝accij。进一步地，所述多尺度构建为：首先利用八叉树组织点云并求出点云的平均点距dm，然后以此为基础确定点云邻域尺度；尺度层级Li表示为：Li＝sidm，其中，s为尺度放大因子，i为层级。进一步地，所述高程相关特征包括点云的平均高程、点云的高程方差、点云的高程差。进一步地，，所述点云拟合平面相关特征有如下几种：(1)平面粗糙度N：其值为所取当前点与拟合平面间的距离；(2)平面极差Sr：其值为当前邻域范围内全部点到拟合平面距离中的最大值；(3)平面标准差SSTD：其值为当前邻域范围内全部点到拟合平面距离的标准差；(4)平面斜率Sn：平面斜率为拟合平面的法向量与竖直方向的夹角。进一步地，所述光谱特征的选取主要包含RGB特征、可见光波段差异植被指数、归一化绿蓝差异指数以及绿信比Gr。进一步地，所述协方差矩阵特征值相关特征，点云数据的协方差矩阵是3×3阶的对称矩阵，求解协方差矩阵可得到三个特征值，记为λ1，λ2和λ3，根据特征值大小关系有如下三种情况：(1)如果λ1≈λ2≈λ3，则当前点集具有发散特征，通常植被或灌丛有此特性；(2)如果λ1≥λ2≈λ3，则当前点集具有线状特性，通常树木枝干，建筑边缘具有此种特性；(3)如果λ1≈λ2≥λ3，则当前点集为面状本文档来自技高网...

【技术保护点】
1.一种基于改进随机森林算法的点云分类方法，其特征在于，包括如下步骤：/nS1：点云特征计算，所述点云特征包括高程相关特征、拟合平面相关特征、协方差矩阵特征值相关特征、光谱相关特征以及其余点特征；/nS2：多尺度特征构建，针对步骤S1中的点云特征，按照点云的不同领域范围确定点云不同尺度构建参数，进行多尺度特征构建；/nS3：冗余决策树剔除，所述S1中计算出来的点云特征作为决策树的分裂节点，以传统方式构建随机森林，通过树编辑距离算法计算决策树之间的相似度，并按相似度进行聚类，对评价精度由高到低排序，选取评价精度排在前面的若干决策树重新构建随机森林；/nS4：引入评价精度权重，在S3中的重新构建的随机森林的投票阶段引入决策树评价精度权重，得到决策树评价精度矩阵，采用加权投票法作为最终的分类依据，将决策树的评价精度转化为随机森林算法的投票权值，最终得到权重矩阵W；/nS5：根据权重矩阵W进行加权投票，最终得到点云分类结果。/n

【技术特征摘要】
1.一种基于改进随机森林算法的点云分类方法，其特征在于，包括如下步骤：
S1：点云特征计算，所述点云特征包括高程相关特征、拟合平面相关特征、协方差矩阵特征值相关特征、光谱相关特征以及其余点特征；
S2：多尺度特征构建，针对步骤S1中的点云特征，按照点云的不同领域范围确定点云不同尺度构建参数，进行多尺度特征构建；
S3：冗余决策树剔除，所述S1中计算出来的点云特征作为决策树的分裂节点，以传统方式构建随机森林，通过树编辑距离算法计算决策树之间的相似度，并按相似度进行聚类，对评价精度由高到低排序，选取评价精度排在前面的若干决策树重新构建随机森林；
S4：引入评价精度权重，在S3中的重新构建的随机森林的投票阶段引入决策树评价精度权重，得到决策树评价精度矩阵，采用加权投票法作为最终的分类依据，将决策树的评价精度转化为随机森林算法的投票权值，最终得到权重矩阵W；
S5：根据权重矩阵W进行加权投票，最终得到点云分类结果。


2.根据权利要求1所述的种基于改进随机森林算法的点云分类方法，其特征在于，所述S3中聚类过程如下：
1.1)将传统方式随机森林算法的决策树作为待选数据集，随机抽取Q个决策树作为初始聚类中心；
1.2)采用最大最小距离方法确定Q个聚类中心；
1.3)遍历所有的决策树，计算其与Q个聚类中心的编辑距离，按照最近距离原则将决策树聚类为Q个簇；
1.4)重复步骤1.2)-1.3)，直到所有决策树完成聚类停止；
1.5)在得到的Q个决策树类簇中对评价精度进行排序，选取评价精度排在前面的若干决策树重新构建随机森林。


3.根据权利要求2所述的种基于改进随机森林算法的点云分类方法，其特征在于，所述最大最小距离方法确定Q个聚类中心，具体为：
2.1)随机选取一个数据作为第一个聚类中心z1；
2.2)计算其余数据到z1距离，距离最大的为第二个聚类中心z2；
2.3)计算其余数据与现有聚类中心距离，取距离最小值集合中的最大值作为新的聚类中心；
2.4)重复以上过程直到确定Q个聚类中心。


4.根据权利要求1所述的种基于改进随机森林算法的点云分类方法，其特征在于，所述S4中决策树评价精度矩阵ACC为：



其中，accij表示第j棵决策树对第i种点云的分类精度，其中，j＝1，2，…J，J为聚类精简后的决策树数量；i＝1，2，…，...

【专利技术属性】
技术研发人员：孙铁波，王卫兵，李萌，刘春月，
申请(专利权)人：江苏食品药品职业技术学院，
类型：发明
国别省市：江苏;32