黃五超，韓 玲，黃勃學(xué)，楊朝輝

(長安大學(xué)地質(zhì)工程與測繪學(xué)院，陜西 西安 710061)

0 引 言

激光雷達(dá)是一種集全球定位系統(tǒng)、慣性導(dǎo)航系統(tǒng)和點云獲取技術(shù)為一體的成熟高新技術(shù)。隨著激光雷達(dá)技術(shù)的不斷發(fā)展，三維點云數(shù)據(jù)已經(jīng)被廣泛應(yīng)用于測繪、遙感等領(lǐng)域[1]。點云數(shù)據(jù)的獲取，不會受到天氣、光照等外界因素的影響，并且具有豐富的三維空間信息。除此之外機載激光雷達(dá)數(shù)據(jù)還包括回波次數(shù)、回波強度、RGB等信息，這將有利于點云數(shù)據(jù)的應(yīng)用。激光點云數(shù)據(jù)的分類是點云數(shù)據(jù)信息的獲取和三維模型重建的關(guān)鍵技術(shù)，通過點云分類可將點分為地面點、植被和建筑物等多個類別。其中，地面點可以用于地貌分析和工程技術(shù)設(shè)計，建筑物類可以用來進(jìn)行城市三維建模和用于智慧城市的建設(shè)，植被類可以用于城市的綠地規(guī)劃和設(shè)計，還可用來進(jìn)行林業(yè)調(diào)查。因此，設(shè)計一種準(zhǔn)確的機載激光點云分類方法具有極其重要的實際價值并且也具有極大的理論意義。近年來隨著深度學(xué)習(xí)的不斷發(fā)展，研究者已經(jīng)用深度學(xué)習(xí)網(wǎng)絡(luò)來對點云數(shù)據(jù)進(jìn)行分類。深度學(xué)習(xí)作為機器學(xué)習(xí)的分支，也與其有諸多共同之處，通過多層神經(jīng)網(wǎng)絡(luò)逐層抽象得到特征，并不需要人工提取特征，這在一定程度上減少了研究者的工作量。在2017年由Qi等人[2]提出了Point-Net神經(jīng)網(wǎng)絡(luò)，可以直接輸入點云數(shù)據(jù)進(jìn)行分類處理，避免信息丟失。這為點云分類帶來了新的方法，該算法既具有深度學(xué)習(xí)的優(yōu)勢，也避免了傳統(tǒng)機器學(xué)習(xí)算法的不足。為了更精確、更方便地實現(xiàn)點云分類，本文提出一種基于PCA降維的Point-Net深度學(xué)習(xí)分類算法。

1 相關(guān)工作

目前，點云處理最熱門的方向是將機器學(xué)習(xí)模型應(yīng)用到點云數(shù)據(jù)分類當(dāng)中。現(xiàn)在最常用的激光點云分類方法包括隨機森林、支持向量機、聚類分析、深度學(xué)習(xí)等方法[3-4]。當(dāng)前也有許多研究者致力于激光點云分類的研究，譚凱等人[5]基于激光點云數(shù)據(jù)的強度信息，運用自適應(yīng)非監(jiān)督的方法實現(xiàn)了點云分類，基于激光點云數(shù)據(jù)的強度信息進(jìn)行校正，目的是去除入射角和激光測距儀對強度信息的影響，但在分類時僅采用單一的強度信息使得點云分類精度降低；王書民等人[6]采用模糊C均值方法進(jìn)行激光點云分類，應(yīng)用LiDAR的全波形數(shù)據(jù)并對其進(jìn)行分解以達(dá)到點云分類的目的，在分割的基礎(chǔ)上實現(xiàn)無監(jiān)督分類，但點云分割可能會花費較多時間；劉昌軍等人[7]基于FCM的方法實現(xiàn)建筑物和植被的分類，分類效果較好，但沒有實現(xiàn)對于多類地物的分類；姚娟等人[8]基于大數(shù)據(jù)實現(xiàn)了點云分類和建模，引入大數(shù)據(jù)中的貝葉斯估計算法和包圍盒法對機載激光雷達(dá)點云分類與建模，但未能對較大規(guī)模的點云數(shù)據(jù)進(jìn)行分類和建模；楊俊濤[9]基于概率圖模型實現(xiàn)了機載激光雷達(dá)數(shù)據(jù)的分類，將三維場景分為地面、低植被、高植被和建筑物4類，但實際中地物類別的信息還是比較復(fù)雜；劉雪麗[10]基于點云的局部特征信息實現(xiàn)了點云分類，提出了基于二值化提取幾何特征描述子，但此分類方法只把二值化特征作為分類依據(jù)，在分類時可能會顯得特征單一；李曉天等人[11]基于改進(jìn)層次分析的方法實現(xiàn)機載激光點云數(shù)據(jù)分類，實現(xiàn)了使用分類器組合進(jìn)行特征分割和重組，在此基礎(chǔ)上實現(xiàn)了點云分類，但由于特征信息有限并沒有更細(xì)致的分類；崔晨彥等人[12]基于特征面實現(xiàn)了激光點云數(shù)據(jù)分類，對濾波結(jié)果進(jìn)行柵格化，并采集分類要素的特征面，對特征面范圍內(nèi)的點云再進(jìn)行自動濾波處理，但是此方法人工工作量較大且依賴于特征面的提??；馬東嶺等人[13]基于點云數(shù)據(jù)的高程差異實現(xiàn)了點云數(shù)據(jù)分類，提取的高程差有利于實現(xiàn)點云分類，但未將小型設(shè)施實現(xiàn)高精度分類；何鄂龍等人[14]基于一種改進(jìn)的空間上下文關(guān)系實現(xiàn)了點云分類，考慮到了上下文關(guān)系從而實現(xiàn)了點云分類，但自適應(yīng)鄰域算法計算量較大，還需進(jìn)一步優(yōu)化處理；其中機器學(xué)習(xí)分類方法是從激光點云數(shù)據(jù)中提取出點的多種特征進(jìn)行點云分類。在當(dāng)前點云分類的研究過程中，基于機器學(xué)習(xí)的方法為了獲得較高的精度往往需要計算大量的點云特征，這會導(dǎo)致數(shù)據(jù)處理的復(fù)雜程度增大，并且在特征選擇時出現(xiàn)特征信息不知如何取舍的問題。

與以上算法不同的是，本文算法能很好地避免大量點云特征的提取，并且能對多種地物類型實現(xiàn)分類。為了解決目前點云分類過程中存在的問題，本文提出一種基于PCA降維的Point-Net深度學(xué)習(xí)分類算法[15-16]。首先，為了去除噪聲點對分類結(jié)果的影響，應(yīng)對點云數(shù)據(jù)進(jìn)行去噪處理；其次，為了避免點云分類中特征信息不足的問題，基于點云的高程信息提取點云的相對高程特征；接著，對激光點云多維數(shù)據(jù)進(jìn)行PCA數(shù)據(jù)降維，去除冗余數(shù)據(jù)；最后將點云數(shù)據(jù)輸入到Point-Net網(wǎng)絡(luò)中，訓(xùn)練出分類模型，并對實驗數(shù)據(jù)進(jìn)行分類，對比不同分類方法的分類精度。

2 算法描述

本文基于機載激光雷達(dá)數(shù)據(jù)進(jìn)行分類處理，機載激光雷達(dá)數(shù)據(jù)獲取比較快捷，并且其獲取的數(shù)據(jù)信息比較豐富，包括三維坐標(biāo)信息、RGB信息、回波強度、回波次數(shù)等多種信息。這種激光點云多維數(shù)據(jù)有利于進(jìn)行點云分類處理，因為其具有更多的特征信息，在分類時會有更多的特征信息進(jìn)行選擇，分類后有利于將其應(yīng)用于城市三維重建、林業(yè)調(diào)查和城市規(guī)劃等領(lǐng)域。

本文的研究包括點云去噪、點云濾波、特征提取、數(shù)據(jù)降維、模型訓(xùn)練、點云分類、分類模型精度評價和分類結(jié)果對比分析等內(nèi)容，流程如圖1所示。

圖1 本文工作流程圖

2.1 基于r鄰域的點云去噪算法

在激光雷達(dá)系統(tǒng)所獲取的點云中必然存在異常點，主要原因有設(shè)備因素、多路徑效應(yīng)、云及飛鳥等。由于在數(shù)據(jù)采集過程中點云數(shù)據(jù)的獲取存在著多路徑效應(yīng)，這類異常點是不可避免的，在點云數(shù)據(jù)中表現(xiàn)為其高程值與相鄰點的高程差相對較大。在點云數(shù)據(jù)處理過程中，首先就是對點云進(jìn)行去噪處理，去掉點云數(shù)據(jù)的噪聲點。點云去噪的基本原則：在剔除異常點時，還應(yīng)該保留地面點和地物點，以便于點云的后續(xù)處理。

為了去除噪聲點對分類結(jié)果的影響，本文利用基于目標(biāo)點r鄰域的點云去噪算法。該算法的基本思想是：對每一個點搜索r鄰域中的相鄰點，計算目標(biāo)點到相鄰點的距離平均值、中值和標(biāo)準(zhǔn)差，如果這個點的距離平均值大于最大距離閾值(最大距離閾值=中值+標(biāo)準(zhǔn)差倍數(shù)×標(biāo)準(zhǔn)差)，則認(rèn)為是噪點，將被去掉；當(dāng)其小于或等于閾值時，則認(rèn)為該點為正常點[17]。

2.2 點云濾波

本文采用的濾波算法為布料模擬濾波(Cloth Simulation Filter, CSF)算法，其主要內(nèi)容為假設(shè)一塊虛擬的布料受重力作用在地形表面上，若這塊布料足夠軟，則會與地表面貼附在一起，此時布料的形狀就是DSM(數(shù)字表面模型)；當(dāng)?shù)匦伟l(fā)生翻轉(zhuǎn)時，貼附在表面布料的形狀就為DTM(數(shù)字地面模型)。布料模擬示意圖如圖2所示。布料模擬濾波算法相比于其他幾種濾波算法的優(yōu)勢在于：1)可以應(yīng)用于陡坡、平坦、城區(qū)等幾種不同的區(qū)域，可以根據(jù)區(qū)域的地形選擇相適應(yīng)的濾波算法；2)相比于傳統(tǒng)的濾波算法中復(fù)雜的調(diào)參過程，布料模擬濾波算法的參數(shù)更容易設(shè)置且比較簡便，易于實現(xiàn)[18-19]。

圖2 布料模擬濾波示意圖

布料模擬濾波算法處理流程：

1)在經(jīng)過點云去噪處理的基礎(chǔ)上，對點云進(jìn)行倒置處理。

2)將所有激光點投影到水平面上，平面上的點作為格網(wǎng)點，基于KD樹最近鄰索引得到模擬點最相鄰激光點的高度值為IHV。

3)遍歷所有的布料粒子，當(dāng)粒子受到重力作用后，若粒子的高度值CHV小于IHV，將粒子的高度值設(shè)置為IHV，并將當(dāng)前的布料粒子設(shè)置為不可移動粒子。

4)計算模擬布料粒子之間的內(nèi)力作用，根據(jù)已經(jīng)設(shè)置的布料的剛性參數(shù)，確定模擬布料粒子之間的相對位置。

5)重復(fù)步驟3和步驟4的計算過程，迭代次數(shù)達(dá)到設(shè)置的參數(shù)時停止迭代。

6)計算激光點云與對應(yīng)布料粒子之間的距離，當(dāng)距離小于等于閾值時標(biāo)記為地面點，距離大于閾值時標(biāo)記為地物點。

由于點云數(shù)據(jù)具有高程信息，點云的相對高程信息能很好地區(qū)分建筑物、道路和植被等類別。因此在濾波基礎(chǔ)上需要提取出點云的相對高程(目標(biāo)點與地面點高程的差值)，這樣就可以很容易區(qū)分出點云的類型，有利于后續(xù)的點云分類處理。

點云的相對高程提取步驟包括：

1)在經(jīng)過布料模擬濾波的基礎(chǔ)上分別得到地面點和非地面點。

2)對地面點建立KD樹，對于全部點云在地面點中搜索k個最近鄰點。

3)對于所得到的k個最近鄰點求取均值。

4)遍歷求取所有點云的相對高程，公式為：

H相對高程=H-H均值

(1)

算法描述：

輸入：數(shù)據(jù)集Ground={(x1,y1,z1), (x2,y2,z2), …, (xm,ym,zm)}, All={(x1,y1,z1), (x2,y2,z2), …, (xn,yn,zn)}；

過程：

1. 對于All建立KD樹；

2. 將Ground設(shè)置為搜索空間；

3. fori=1∶Ground_size；

4. 對每一點進(jìn)行最近鄰索引得到k個最近鄰集合Bi；

5. forj=1∶k；

6. sum+=Bi；

7. end；

8.H均值=mean(sum)；

9. 使用公式(1)計算出每個點的相對高程；

10. end；

11. 輸出提取相對高程特征的點云All。

該算法可以很好地提取點云的相對高程特征，并且可以應(yīng)用到點云分類當(dāng)中。

2.3 點云分類的Point-Net網(wǎng)絡(luò)模型

Point-Net網(wǎng)絡(luò)模型可以對三維點云數(shù)據(jù)進(jìn)行分類，是一種點云分類的深度學(xué)習(xí)框架。由于點云數(shù)據(jù)在分類過程中存在空間關(guān)系不規(guī)則的情況，因此在點云領(lǐng)域產(chǎn)生了許多基于將點云格網(wǎng)化的深度學(xué)習(xí)框架，取得了很好的效果。Point-Net是通過在分類網(wǎng)絡(luò)中加入Transform-Net輸入變換矩陣和最大池化層(Max Pooling)。Transform-Net網(wǎng)絡(luò)通過點云的位置可以學(xué)習(xí)到一個旋轉(zhuǎn)矩陣，通過損失函數(shù)來對旋轉(zhuǎn)矩陣進(jìn)行調(diào)整，把輸入的點云數(shù)據(jù)旋轉(zhuǎn)到一個更加有利于分類的角度；最大池化層是在卷積層之后對輸入數(shù)據(jù)進(jìn)行降采樣處理，在降低輸出維度的同時保留點云的特征，在Point-Net網(wǎng)絡(luò)中提取點云的全局特征[2,20-21]。

本文不僅應(yīng)用激光雷達(dá)數(shù)據(jù)的坐標(biāo)數(shù)據(jù)，還在坐標(biāo)數(shù)據(jù)基礎(chǔ)上加入了點云數(shù)據(jù)的回波強度、回波次數(shù)、RGB、相對高程等信息。這不僅豐富了點云數(shù)據(jù)的信息，而且更加有利于模型訓(xùn)練得到更多的特征，在分類時也增加了有力的分類依據(jù)。

本文在對原始機載激光雷達(dá)進(jìn)行點云去噪處理的基礎(chǔ)上，利用PCA數(shù)據(jù)降維算法獲取點云的最佳分類特征，再將處理后的點云數(shù)據(jù)加入到Point-Net網(wǎng)絡(luò)模型中進(jìn)行學(xué)習(xí)，最終得到分類的模型。將要分類的點云數(shù)據(jù)加入到模型進(jìn)行處理，便可得到分類后的標(biāo)簽。

與傳統(tǒng)二維圖像不同的是，LiDAR三維點云數(shù)據(jù)是一種具有旋轉(zhuǎn)不定性且無序的數(shù)據(jù)形式，且其數(shù)據(jù)維度也較高。由圖3可以看出，Point-Net神經(jīng)網(wǎng)絡(luò)引入了輸入變換矩陣Transform-Net和最大池化層。Transform-Net網(wǎng)絡(luò)通過點云的位置學(xué)習(xí)到一個旋轉(zhuǎn)矩陣，通過損失函數(shù)來對旋轉(zhuǎn)矩陣進(jìn)行調(diào)整，把輸入的點云數(shù)據(jù)旋轉(zhuǎn)到一個更加有利于分類的角度；在Input transform和Feature transform模塊中都加入了Transform-Net，第1次是為了將點云旋轉(zhuǎn)至一個更加有利于分類的角度，第2次則是對提取的64維特征進(jìn)行對齊，即在特征層面實現(xiàn)對點云的變換。最大池化層是在卷積層之后對輸入數(shù)據(jù)進(jìn)行降采樣處理，在降低輸出維度的同時保留點云的特征，在Point-Net網(wǎng)絡(luò)中提取點云的全局特征。多層感知機是通過共享權(quán)重的卷積層實現(xiàn)的。在經(jīng)過2個空間變換網(wǎng)絡(luò)和2個多層感知機之后，實現(xiàn)了對于每一個點云提取出1024維特征，經(jīng)過最大池化層變成1×1024維的全局特征，最后經(jīng)過一個多層感知機卷積得到k個Score。網(wǎng)絡(luò)最后接的是Softmax分類器，對點云進(jìn)行分類處理。

圖3 Point-Net點云分類框架示意圖

網(wǎng)絡(luò)感知機如圖4所示，模型公式如下：

f(x1,x2,…,xn)=γ°g(h(x1),h(x2),…,h(xn))

(2)

其中x為點云數(shù)據(jù)，h、γ都是感知機，g是最大池化層。Point-Net深度學(xué)習(xí)框架分類步驟如下：

1)樣本選取。通過人機交互式實現(xiàn)樣本選擇，主要選擇了建筑物、植被、草地、耕地、道路、其他等類別。

2)將選取的樣本點經(jīng)過去噪、特征提取、PCA降維處理后，有針對性地將點云數(shù)據(jù)設(shè)置成N×2048×3的格式，便于模型訓(xùn)練。

3)將點云樣本加入網(wǎng)絡(luò)模型并設(shè)置相關(guān)的模型參數(shù)，接著訓(xùn)練模型，最后經(jīng)過不斷地學(xué)習(xí)得到分類模型。

4)將選擇好的研究區(qū)，經(jīng)過去噪和降維后加入到分類模型中，對研究區(qū)數(shù)據(jù)進(jìn)行分類。根據(jù)選擇的樣本，把研究區(qū)的點云數(shù)據(jù)分類為植被、建筑物、道路、草地、耕地、其他等類別。在分類過程中主要是基于點的特征進(jìn)行對比從而完成點的分類。

5)再將分類后的所有的點類，基于不同的類別分別用不同顏色進(jìn)行可視化顯示，進(jìn)而使得分類結(jié)果更加容易展現(xiàn)，以便于對分類結(jié)果進(jìn)行分析。

圖4 網(wǎng)絡(luò)感知機示意圖

2.4 精度評價

在遙感領(lǐng)域混淆矩陣是一種常用的分類精度評價方法，其每行數(shù)值代表了實際類別在其它各個類別中的數(shù)量，每列數(shù)值則代表了分類模型預(yù)測的點云在各個類別中的數(shù)量。具體的評價指標(biāo)有總體精度、制圖精度、用戶精度等。本文采用混淆矩陣對激光點云分類進(jìn)度進(jìn)行評價，具體的評價指標(biāo)包括總體精度(OA)以及Kappa系數(shù),其計算公式[22-23]如下：

(3)

(4)

式中：N為點云總數(shù)；n為分類的類別數(shù)目；nii是混淆矩陣主對角線上的點云數(shù)；ni.是第i行的點云數(shù)；n.i是第i列的點云數(shù)。

3 實驗結(jié)果與分析

3.1 實驗結(jié)果

本文實驗使用的基于無人機平臺獲取的激光雷達(dá)數(shù)據(jù)，具有飛行穩(wěn)定、獲取數(shù)據(jù)快捷、方便等特點。激光點云數(shù)據(jù)中包含了植被、建筑物、道路、耕地等地物類型。獲取的點云數(shù)據(jù)不僅包含了三維坐標(biāo)，還有RGB信息、回波次數(shù)、回波強度等信息。

本文中所使用的數(shù)據(jù)是來自于無人機搭載的激光雷達(dá)傳感器獲取的，范圍屬于河南省登封市，其位于中原腹地，地形較為復(fù)雜，南北有山脈且均為東西走向，地勢由南北向中間逐漸降低為丘陵、平原。實驗數(shù)據(jù)主要集中位于丘陵和平原地區(qū)，海拔高度較低且地勢起伏較小。實驗數(shù)據(jù)如圖5(a)所示。可以看出在經(jīng)過點云濾波之后，地面點和非地面點都能很好地被分離出來，利用布料模擬的濾波算法的濾波效果比較好，其結(jié)果如圖5(c)所示。

(a) 點云實驗數(shù)據(jù)

(b) 點云高程圖

(c) 點云濾波結(jié)果

(d) 深度學(xué)習(xí)點云分類結(jié)果

(e) 未提取相對高程特征的分類結(jié)果

(f) 隨機森林分類結(jié)果

3.2 結(jié)果分析

從圖5(d)的分類結(jié)果中可以明顯地看出基于數(shù)據(jù)降維的Point-Net網(wǎng)絡(luò)的分類方法能對機載雷達(dá)數(shù)據(jù)進(jìn)行較好的分類處理，并且分類效果較好。從分類結(jié)果中可以看出，相比于未進(jìn)行特征提取的分類方法和隨機森林分類方法，本文方法對于建筑物、植被、道路、草地、耕地等具有很好的分類效果。從圖中可以看出本文方法對于植被的適應(yīng)性很好，能表現(xiàn)出植被的細(xì)節(jié)信息，對于植被的分布情況也可以看出，分類后的植被信息具有很好的整體性。對于建筑物分類效果很好，能很好地分類出建筑物，但是在分類過程中也存在錯分現(xiàn)象，其主要原因在于地面點包括的類別極為復(fù)雜，包含了耕地、道路、林地、草地、裸地等其他類別。另外，在樣本選擇過程中也會存在局限性，由于點云數(shù)據(jù)量較大，在樣本選取時只能選擇出具有代表性的樣本數(shù)據(jù)。從分類結(jié)果可知，對于建筑物的形狀具有很好的呈現(xiàn)；對于道路的分類，其主要的道路結(jié)構(gòu)也能很好地表現(xiàn)出來，分布比較規(guī)整；對于耕地和草地有很好的分類效果，能表現(xiàn)出它們的整體性。雖然基于Point-Net網(wǎng)絡(luò)的分類方法能很好地實現(xiàn)點云數(shù)據(jù)的分類，但地面包含的類別數(shù)目較多，因此在分類過程中很難將所有的點云一一進(jìn)行準(zhǔn)確分類。綜合來看，本文方法對于點云的分類具有較好的分類效果。本文選取了350999個樣本點，對分類模型進(jìn)行精度評價。由表1與表2可以看出，本文的分類方法結(jié)果的總體精度達(dá)到90.60%，Kappa系數(shù)為0.90。相比于未進(jìn)行特征提取方法的總體精度83.45%、Kappa系數(shù)0.81和隨機森林分類方法的總體精度85.79%、Kappa系數(shù)0.83，本文方法的總體精度均有所提升，Kappa系數(shù)也有所增加，分類精度更高，分類效果更好。而且，較高精度的點云分類結(jié)果更有利于分類后的點云應(yīng)用于各種領(lǐng)域。

表1 深度學(xué)習(xí)方法分類混淆矩陣

表2 分類方法結(jié)果對比

3.3 分類方法對比分析

本節(jié)基于傳統(tǒng)的隨機森林分類方法和本文的方法進(jìn)行分類結(jié)果對比分析。從實驗結(jié)果可以看出，未進(jìn)行特征提取的分類方法的分類精度相對較低，其精度為83.45%，Kappa系數(shù)為0.81。從該方法的分類效果來看，還存在一些錯分現(xiàn)象。有的明顯地將草地類型劃分為了建筑物，還有的很明顯地將其他地物類型劃分為了建筑物類別，這都是缺少點云特征可能出現(xiàn)的問題。本文也用機器學(xué)習(xí)的方法對點云數(shù)據(jù)進(jìn)行分析處理，主要采用了隨機森林的分類方法，其總體的分類精度為85.79%，Kappa系數(shù)為0.83。從分類精度來看，隨機森林的分類方法精度還是沒有基于Point-Net網(wǎng)絡(luò)的分類方法的精度高。從隨機森林的分類效果來看，其中將部分的道路分為了建筑物，也存在將其他類別分為建筑物的情況，在分類中也會出現(xiàn)錯分的現(xiàn)象。由此可見，本文提出的方法從分類精度上較隨機森林的分類精度有所提高，能很好地將點云進(jìn)行分類處理，并且分類效果也較好，提取的相對高程特征也有利于提高分類精度。

4 結(jié)束語

本文基于數(shù)據(jù)降維的深度學(xué)習(xí)模型Point-Net網(wǎng)絡(luò)，針對實驗區(qū)域進(jìn)行點云分類處理，將點云分為植被、道路、建筑物、耕地、草地、其他等，可以有效地將機載激光雷達(dá)數(shù)據(jù)進(jìn)行分類處理，并且分類效果較好。本文的方法能很好地實現(xiàn)機載激光點云分類，避免了點云數(shù)據(jù)耗時費力的點云多特征提取，能很方便地實現(xiàn)機載激光點云數(shù)據(jù)的分類，其較好的分類效果可以應(yīng)用于建筑物的檢測與重建、林業(yè)調(diào)查、植被分類、道路信息的提取、城市規(guī)劃等方面。但在分類過程中也存在一些問題，在樣本選擇時，只能選擇有限的樣本，會影響分類精度。在分類時存在著分類類別相對較少，需要在今后的研究中繼續(xù)進(jìn)行算法的改進(jìn)。另外由于輸入深度學(xué)習(xí)網(wǎng)絡(luò)Point-Net的數(shù)據(jù)是三維模型，對于原始數(shù)據(jù)信息可能存在損失，在以后的研究中可以適當(dāng)改進(jìn)模型以增加輸入信息的維度，這將會在一定程度上提高分類效果。