BP神经网络的道路场景杆状地物自动分类

doi:10.13474/j.cnki.11-2246.2020.0120

测绘通报 ›› 2020, Vol. 0 ›› Issue (4): 101-105,120.doi: 10.13474/j.cnki.11-2246.2020.0120

BP神经网络的道路场景杆状地物自动分类

李鹏鹏, 李永强, 赵上斌, 范辉龙

河南理工大学测绘与国土信息工程学院, 河南焦作 454003

收稿日期:2019-07-11 修回日期:2019-08-29 出版日期:2020-04-25 发布日期:2020-05-08
通讯作者: 李永强。E-mail:liyongqiang@hpu.edu.cn E-mail:liyongqiang@hpu.edu.cn
作者简介:李鹏鹏(1995-),男,硕士生,研究方向为3S技术及应用。E-mail:576051721@qq.com
基金资助:
国家自然科学基金（41771491）

Automatic classification of pole-like objects in road scene by back propagation neural network

LI Pengpeng, LI Yongqiang, ZHAO Shangbin, FAN Huilong

School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454003, China

Received:2019-07-11 Revised:2019-08-29 Online:2020-04-25 Published:2020-05-08

摘要/Abstract

摘要： 针对车载激光扫描数据中杆状地物分类精度不高、自动化程度低的问题，本文提出一种基于BP神经网络的分类方法。首先根据杆状地物点云特征选取10个特征值，获取杆状地物聚类单元的特征向量，构建特征矩阵；然后使用样本集训练BP神经网络模型并保存该分类模型；最后使用BP神经网络分类模型对试验区内的杆状地物进行分类。试验结果表明，该方法对杆状地物的分类精度可达95.34%，验证了文中所述方法对杆状地物分类的有效性。

关键词: 杆状地物, 神经网络, 自动分类, 特征值, 分类模型

Abstract: Aiming at the problems of low accuracy and low automation of pole-like objects classification in vehicle laser scanning data, a classification method based on BP neural network is proposed. Firstly, according to the point cloud characteristics of the pole-like object, ten eigenvalues are selected to obtain the feature vectors of the pole-like object clustering unit, and then eigenmatrix is constructed. Secondly, the BP neural network model is trained by using the sample set and the classification model is saved. Finally, the BP neural network classification model is used to classify the pole-like object in the test area. The experiment showed that the classification accuracy of the method for pole-like objects could reach 95.34%, which also verifies the effectiveness of the method.

Key words: pole-like objects, neural network, automatic classification, eigenvalues, classification model

中图分类号:

李鹏鹏, 李永强, 赵上斌, 范辉龙. BP神经网络的道路场景杆状地物自动分类[J]. 测绘通报, 2020, 0(4): 101-105,120.

LI Pengpeng, LI Yongqiang, ZHAO Shangbin, FAN Huilong. Automatic classification of pole-like objects in road scene by back propagation neural network[J]. Bulletin of Surveying and Mapping, 2020, 0(4): 101-105,120.

参考文献

[1] 李永强, 董亚涵, 张西童, 等. 车载LiDAR点云路灯提取方法[J]. 测绘学报, 2018,47(2):247-259.
[2] 谭奔,钟若飞,李芹.车载激光扫描数据的地物分类方法[J].遥感学报,2012,16(1):50-66.
[3] 冯从义,岑敏仪,张同刚.基于知识的车载LiDAR地物自动分类[J].计算机工程与应用,2016,52(5):122-126.
[4] 王鹏,刘如飞,马新江,等.一种车载激光点云中杆目标自动提取方法[EB/OL].(2017-12-21)[2018-09-07].https://doi.org/10.13203/j.whugis20170421.
[5] 马东岭,王晓坤,李广云.一种基于高度差异的点云数据分类方法[J].测绘通报,2018(6):46-49.
[6] 张西童,刘会云,李永强,等.车载LiDAR场景中路灯的提取和识别[J].测绘工程,2016,25(9):50-54.
[7] YU Y T, LI J, GUAN H Y, et al. Semiautomated extraction of street light poles from mobile LiDAR point-clouds[J].IEEE Transactions on Geoscience and Remote Sensing, 2014,53(3):1374-1386.
[8] YUT S, WANG R S. Scene parsing using graph matching on street-view data[J]. Computer Vision and Image Understanding, 2016,145:70-80.
[9] 乔纪纲,陈明辉,艾彬,等.SVM用于LiDAR数据的地物分类[J].测绘通报,2013(7):35-42.
[10] YI L, SU H, GUO X, et al. SyncSpecCNN: synchronized spectral CNN for 3D shape segmentation[C]//Computer Vision and Pattern Recognition. [S.l.]: IEEE, 2017.
[11] 赵中阳,程英蕾,释小松,等.基于多尺度特征和PointNet的LiDAR点云地物分类方法[J].激光与光电子学进展,2019,56(5):251-258.
[12] 李海亭,王厚之,李艳红,等.支持向量机的车载雷达点云目标识别[J].测绘科学,2016,41(5):45-49.
[13] LEHTOMAKI M, JAAKKOLA A, HYYPPA J, et al. Detection of vertical pole-like objects in a road environment using vehicle-based laser scanning data [J]. Remote Sensing,2010,2(3):641-664.
[14] WU F, WEN C L, GUO Y L, et al. Rapid localization and extraction of street light poles in mobile LiDAR point clouds: a supervoxel-based approach[J]. IEEE Transactions on Intelligent Transportation Systems, 2017,18(2):292-305.
[15] GUAN H Y, YU Y T, LI J, et al. Pole-like road object detection in mobile LiDAR data via supervoxel and bag-of-contextual-visual-words representation[J]. IEEE Geoscience and Remote Sensing Letters, 2016,13(4):520-524.
[16] 李艳红.车载移动测量系统数据配准与分类识别关键技术研究[D].武汉:武汉大学,2014.
[17] RUMELHART D E, HINTON G E, WILLIAMS R J. Learning representations by back-propagating errors[J]. Nature, 1986,323(6088):533-536.

BP神经网络的道路场景杆状地物自动分类

Automatic classification of pole-like objects in road scene by back propagation neural network

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘璐, 罗年学, 赵前胜. 基于历史数据的黄海浒苔爆发规模预测[J]. 测绘通报, 2022, 0(7): 7-11.
[2]	柳林, 孙毅, 李万武. 基于CNN海上钻井平台检测模型的构建及训练算法分析[J]. 测绘通报, 2022, 0(7): 26-32,99.
[3]	蔡柔丹. 一种基于用户异步轨迹的身份识别智能方法[J]. 测绘通报, 2022, 0(7): 158-162,167.
[4]	滕文鑫, 张建辰, 邵杰. 集成时空邻近与卷积网络车道级高精度定位算法[J]. 测绘通报, 2022, 0(6): 1-5,61.
[5]	文奴, 郭仁忠, 贺彪, 万远. YOLO v4框架下Multi-Patch多帧增量式交通视频目标检测[J]. 测绘通报, 2022, 0(5): 38-44.
[6]	冯俊俊, 周立, 欧阳犬平, 周珍. 优化短期余水位组合预测模型[J]. 测绘通报, 2022, 0(3): 96-100.
[7]	郁汀, 王铎, 陈钦. 基于伪语义相似度模型的中文地址匹配方法[J]. 测绘通报, 2022, 0(3): 101-106.
[8]	丁仁军, 王友昆, 张君华, 刘晨. 基于BP神经网络的昆明天顶湿延迟模型[J]. 测绘通报, 2022, 0(3): 107-110.
[9]	毛斌, 韩文泉, 谢宏全, 吕海扬. 基于北京二号影像辅助nDSM的建筑物自动提取[J]. 测绘通报, 2022, 0(3): 132-137.
[10]	王胜利, 朱寿红, 蒋毅. 基于CNN模型迁移的OLI影像光伏电池板场景识别[J]. 测绘通报, 2022, 0(2): 5-9.
[11]	耿万轩, 周维勋, 金双根. 基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类[J]. 测绘通报, 2021, 0(8): 14-21.
[12]	赵恒谦, 杨屹峰, 刘泽龙, 宋瑞. 农作物叶片病害迁移学习分步识别方法[J]. 测绘通报, 2021, 0(7): 34-38.
[13]	李紫微, 马庆勋, 吕杰. BP神经网络的近地面臭氧估算及时空特征分析[J]. 测绘通报, 2021, 0(6): 28-32,126.
[14]	贾文翰, 刘越岩. 基于卷积神经网络的高分遥感影像内陆盐沼湿地信息提取[J]. 测绘通报, 2021, 0(6): 89-92.
[15]	段雅鸣, 张锦水, 朱爽. 基于深度卷积神经网络的云检测方法[J]. 测绘通报, 2021, 0(4): 33-39.