劉正坤，林思娜，吳丹妮

(1.廣州中科智云科技有限公司，廣州 510660；2.武漢大學 遙感信息工程學院，武漢 430072)

0 引言

激光雷達技術的本質是通過光源識別定位目標信息的一種技術，技術涉及激光器、雷達信號接收器、影像成像器。激光器會向需要識別的目標發(fā)送一個特殊的信號脈沖，脈沖達到需要定位目標后依舊返回發(fā)射一個頻段的脈沖，從而實現(xiàn)監(jiān)測目標的定位。機載激光雷達[1]三維信息獲取是當前社會中一種嶄新的探測技術。與傳統(tǒng)的攝影測量方法相比，機載激光雷達的探測效果更具精準性。機載激光雷達在獲取地形信息數(shù)據(jù)時，會優(yōu)先取得以空間分布為主的離散點云數(shù)據(jù)[2]。但由于現(xiàn)在點云數(shù)據(jù)在處理過程中不夠完善，因而會降低最終探測效果。所以為了避免這種問題的發(fā)生，需要對機載激光雷達點云大容量實時數(shù)據(jù)分類展開相關研究。

釋小松[3]等利用神經(jīng)網(wǎng)絡方法設計了城區(qū)機載激光雷達點云分類算法。在壓縮處理初始點云數(shù)據(jù)的基礎上，從中提取新的點云數(shù)據(jù)，并采用改進Point Net方法分類提取結果，最終以實驗測試結果驗證分類效果，從而實現(xiàn)最終分類。該方法的壓縮效果不理想，存在分類效果較差的問題。王果[4]等通過航空影像的輔助提出了一種新的機載LiDAR植被點云分類方法。依據(jù)植被光譜特征，利用K均值聚類算法對航空影像實行聚類及圖像增強等操作，將處理結果與點云數(shù)據(jù)融合后處理融合結果，依據(jù)處理結果分類點云數(shù)據(jù)，從而達到最終分類的目的。該方法的融合結果不夠完善，導致該方法存在分類精度差的問題。李永強[5]等提出了車載LiDAR點云數(shù)據(jù)中桿狀地物自動提取與分類。在消除點云數(shù)據(jù)中的地面點的基礎上，依據(jù)地物特征提取地物并對點云數(shù)據(jù)實行規(guī)則化操作，并通過分類模型分類地物實現(xiàn)最終的分類。該方法構建的分類模型存有欠缺，存在分類效率低的問題。SUN[6]等針對草方格屏障地區(qū)植被資源調查中點云的自動分類問題，提出了一種改進的隨機森林點云分類算法。該方法在隨機森林分類之前，基于點云數(shù)據(jù)的特征，根據(jù)點云數(shù)據(jù)空間分布特征，共選擇了20個點云單點特征和多點統(tǒng)計特征參與點云分類，基于點云密度設置了三個不同的尺度來選擇點云鄰域，構建了不同尺度的點云分類特征集，優(yōu)化了點云的重要特征，使其在變量重要性評分后參與點云分類計算。Bulatov[7]等提出了一種無監(jiān)督和旋轉不變的方法，并對三個具有非常不同特征的數(shù)據(jù)集進行了評估。該方法允許通過過濾和聚類所謂的疊加點來檢測平面斑塊，因此，經(jīng)過適當修改的隨機抽樣和一致性(RANSAC)方法在富含異常值的數(shù)據(jù)中的平面估計中發(fā)揮了關鍵作用。Guo[8]等旨在在沒有任何監(jiān)督訓練數(shù)據(jù)的幫助下，從移動LiDAR點云中共同定位3D對象。為了實現(xiàn)這一點，該方法提出了一種新的框架來實現(xiàn)3D對象協(xié)同定位，以從不同的點云場景中自動提取相同類別的對象。具體來說，為了搜索和利用來自不同點云場景中對象的協(xié)同信息，將3D對象協(xié)同定位問題表述為最大子圖匹配問題。在圖形構建過程中，為了處理不同場景中對象的不一致表示，提出了一種多尺度聚類方法，以金字塔結構表示對象。此外，由于最大子圖匹配問題是NP困難的，提出了一種隨機搜索算法來生成共定位結果。

由于上述方法沒有考慮激光雷達數(shù)據(jù)中的無序性特征，為提高激光雷達云點數(shù)據(jù)的分類效果，避免數(shù)據(jù)無序性對分類性能的影響，提出考慮數(shù)據(jù)無序性的激光雷達點云數(shù)據(jù)分類方法。本文在機載激光雷達點云大容量實時數(shù)據(jù)預處理的基礎上，有針對性地在對激光雷達數(shù)據(jù)進行去噪處理后，結合RBF徑向基核函數(shù)與SVM分類器，二次訓練、濾波、分類激光雷達點云數(shù)據(jù)，反復判斷對應相似點是否為非地面點，在保證可以處理大容量實時數(shù)據(jù)的基礎上，使得分類后的激光雷達點云數(shù)據(jù)有序化，這也是本文的創(chuàng)新點。

1 機載激光雷達點云大容量實時數(shù)據(jù)預處理

機載激光雷達是一種獲取地球空間信息的高新技術手段。該技術可以通過數(shù)據(jù)濾波處理獲取地面和非地面的點云數(shù)據(jù)，并將其分離，從而獲取實際的建筑物等信息。該技術具有探測靈敏度高、數(shù)據(jù)精度高等優(yōu)點。然而，在對機載LiDAR點云數(shù)據(jù)的處理中，由于所用算法不同，導致處理效果不同。為此，本文在機載激光雷達點云分類前，對其進行預處理。

1.1 機載激光雷達點云系統(tǒng)工作原理

基于機載激光雷達的介紹，將機載激光雷達系統(tǒng)用作研究對象，對其工作原理展開如下闡述。

機載激光雷達系統(tǒng)主要由激光測距儀、INS慣性導航系統(tǒng)、接收機三部分組建而成。激光測距儀的功能在于測量發(fā)射點與目標點之間的距離；INS慣性導航系統(tǒng)用來對參數(shù)實行測量；測量完成后利用接收機確定信號發(fā)射時的空間位置，它主要根據(jù)時間量測確定當前目標對象的距離。

當信號處于連續(xù)波狀態(tài)時，首先需要確立信號的波形及接收信號波形的相位差。時間與相位差之間的關系用下述方程描述：

tL=φ/2π+T+nT

(1)

式中，tL表示信號傳播時間，T表示周期，φ標記為相位差，n表示整波數(shù)。

在信號處于脈沖模式時，機載激光雷達系統(tǒng)可以直接獲取tL，此時距離與時間之間的關系定義為：tL=2m/c。其中，m為掃描儀與目標點之間的距離，c為光速。通常來說，系統(tǒng)會利用脈沖信號獲取高分辨率數(shù)據(jù)。與傳統(tǒng)測量技術對比，機載激光雷達系統(tǒng)更能精準地得到三維數(shù)據(jù)，而三維數(shù)據(jù)中就包含離散點云數(shù)據(jù)及多類地物信息，這也是機載激光雷達獨有的特點。

三維激光掃描系統(tǒng)由多種硬件構成，需要通過全球定位系統(tǒng)(global positioning system，GPS)控制掃描目標空間位置。通過三維激光掃描系統(tǒng)掃描目標后，采用定位定姿系統(tǒng)(position and orientation system，POS)坐標系轉換到大地坐標系，以此獲取三維激光掃描點的邊坡三維坐標解算，通過下述公式定義：

(2)

公式(1)也可以表示為目在POS坐標系中的旋轉矩陣，為此設置c為獲取的航向角，進一步獲取航向角旋轉矩陣Lrow，表示如下：

(3)

根據(jù)上述獲取結果可知，三維激光掃描時會出現(xiàn)一定的誤差，其主要原因是激光掃描精度時主要體現(xiàn)在測交精度及距離精度上，同時掃描設備各個部件要以剛性固定集成為主，慣性測量單元(IMU，inertial measurement unit)、激光掃描儀中心、GPS中心之間存在偏移關系，所以在掃描時三維激光掃描系統(tǒng)的掃描軸會出現(xiàn)一定偏差，容易產(chǎn)生誤差。

1.2 點云數(shù)據(jù)濾波

普遍來說，系統(tǒng)會利用脈沖信號獲取高分辨率數(shù)據(jù)。機載激光雷達系統(tǒng)更能精準得到三維數(shù)據(jù)，而三維數(shù)據(jù)中就包含離散點云數(shù)據(jù)及多類地物信息，這也是機載激光雷達獨有的特點。根據(jù)公式(1)可知，由于飛行器飛行過程的隨機性，采集的數(shù)據(jù)也會呈現(xiàn)較強的隨機性。這種隨機性就會造成無序化問題。在自然狀態(tài)下，機載激光雷達所測量到的樣本點云數(shù)據(jù)要遵從于正態(tài)分布，以正態(tài)分布原理為基礎，假設機載激光雷達的非地面點會對正態(tài)分布情況帶來一定的干擾，若想得到標準的地面點，就需要剔除非地面點，即濾波去噪。

利用偏度衡量對稱性正態(tài)分布的關鍵度量，如公式(4)：

(4)

式中，sk表示偏度，J表示機載激光雷達點的總數(shù)量，Si表示單一對象點，σ表示樣本標準方差，μα表示樣本均值，i表示系數(shù)。

而機載激光雷達sk偏度正態(tài)分布的σ、μα用方程表達式定義如下：

(5)

當sk的取值要比0大時，就說明正處于正偏態(tài)分布，當sk的取值要比0小時，就說明正處于負偏態(tài)分布。由于標準的正態(tài)分布sk取值為0，所以sk的絕對值越大，就說明偏置距離越遠。

普通的偏態(tài)平衡濾波算法對機載激光雷達點云樣本數(shù)據(jù)展開濾波時，極易出現(xiàn)地面點分類錯誤的問題[9]，會給濾波處理效果帶來干擾，為了解決這種問題的發(fā)生，需要對偏態(tài)平衡算法實行改進，在原有算法的基礎上引入多光譜數(shù)據(jù)指導濾波流程，加強數(shù)據(jù)去噪效果。

以上述偏態(tài)平衡濾波為基礎，優(yōu)先灰度化處理多光譜數(shù)據(jù)[10]，基于偏態(tài)平衡算法對非地面點的過濾結果，將其與灰度圖像相結合，從中建立一個窗口，以建立的窗口為中心尋找出與中心點光譜具有相似性的點，這些相似點歸類后就會成為非地面點。根據(jù)改進后的偏態(tài)平衡濾波算法，利用該算法對機載激光雷達獲取的點云大容量實時數(shù)據(jù)展開濾波處理，具體流程如圖1所示。

圖1 點云數(shù)據(jù)濾波流程

點云實時數(shù)據(jù)濾波處理流程如下所示：

1)引入多光譜數(shù)據(jù)及DSM數(shù)據(jù)實行灰度處理。計算DSM數(shù)據(jù)中的sk值，若sk>0，則進入到步驟2)，若sk≤0，則步入到步驟3)。

2)對比光譜相似性[11]。具體表現(xiàn)為當sk>0時，獲取DSM數(shù)據(jù)最高點Q(i，j)及多光譜數(shù)據(jù)中與Q(i，j)相對應的點，即G(i，j)。根據(jù)Q(i，j)與G(i，j)的光譜相似度對比結果濾除G(i，j)存有相似性的點。濾除完成后即可返回至步驟1)。

3)sk≤0時，濾除的點就屬于非地面點，而余下的點就屬于地面點，以此完成濾波處理，得出濾波后的結果。

通過分析機載激光雷達工作原理，利用機載激光雷達獲取點云大容量實時數(shù)據(jù)。由于獲取的數(shù)據(jù)存有空洞數(shù)據(jù)，所以需要對其實行濾波處理，以此增強后續(xù)分類效果。

2 點云大容量實時數(shù)據(jù)分類算法設計

2.1 選取點云大容量實時數(shù)據(jù)特征

點云大容量實時數(shù)據(jù)的訓練特征決定著數(shù)據(jù)分類效果，而優(yōu)質的訓練特征則會提升點云實時數(shù)據(jù)分類精度。通過提取機載激光雷達點云特征，并采用F-score方法對提取的特征實行有效性評估，從中選取優(yōu)質特征以此構成一個以特征向量為主的訓練分類器[12-13]，利用該分類器對點云大容量實時數(shù)據(jù)展開分類，從而實現(xiàn)最終分類方法。

一般情況下點云數(shù)據(jù)中主要包含四種點云特征，因而待選取的點云大容量實時數(shù)據(jù)特征定義如下：

1)點云數(shù)據(jù)經(jīng)濾波處理后[14]提取機載激光雷達地面點，對地面點歸一化后獲取地面點高程值h。根據(jù)歸一化結果獲取地表模型，利用該模型區(qū)分高矮不同的物體或建筑物。

2)設置機載激光雷達高程方差HV的中心點為激光點，在圓形范圍內以R1為半徑，其周圍所有的點都是機載激光雷達的高程值方差，可以有效地3反映出物體表面的平整度。

3)機載激光雷達點云大容量實時數(shù)據(jù)法向量偏角β。主要表現(xiàn)在人造物體、建筑物等β保持不變，而植被表面β變化明顯。

4)點云回波率[15]f。設定點云實時數(shù)據(jù)中的回波率主要以該點的中心為主。假設在圓形范圍中半徑R2是平均點距的2倍，那么點云大容量實時數(shù)據(jù)回波率f通過計算得到：

f=nball/ncolumn

(6)

式中，nball表示圓形范圍內的點云數(shù)量，ncolumn表示柱形中的點云數(shù)量。

對上述四種機載激光雷達點云實時數(shù)據(jù)特征向量選擇完成后，需要對其實行差異處理操作，以此消除具有差異性的特征。實行差異處理的特征用方程表達式定義如下：

(7)

式中，I′表示差異處理后的點云特征值，I初始特征值，Imin表示最小特征值，Imax表示最大特征值。

2.2 點云大容量實時數(shù)據(jù)分類

以“一對一”分類方法為主，基于選取的點云特征建立一個為N(N-1)/2的二分類器，式中N表示點云種類數(shù)量。

依據(jù)RBF徑向基核函數(shù)[16-17]復雜性低的特點，將RBF核用作構建的SVM分類器內核，以此對點云大容量實時數(shù)據(jù)實行分類模型的訓練。此時RBF核的方程表達式用下述方程標記：

K(p，q)=φ(p)T+φ(q)=

(8)

式中，p、q表示點云實時數(shù)據(jù)低維特征向量，φ(p)、φ(q)均標記為高維向量[18]，γ表示核參數(shù)，T表示時刻。

在RBF核函數(shù)中選擇核參數(shù)γ及懲罰因子C，利用訓練樣本對SVM分類器[19-20]實行訓練，其訓練結果即為分類結果，再對分類結果實行粗分類，以此得出點云數(shù)據(jù)共分成建筑物、植被、人造物體三類。

機載激光雷達點云大容量實時數(shù)據(jù)分類流程如圖2所示。

圖2 點云大容量實時數(shù)據(jù)分類流程圖

點云大容量實時數(shù)據(jù)分類流程如下所示：

1)確定地面點坐標位置。

2)提取目標對象點云要素。

3)對獲取的點云要素進行F評分。

4)選取點云大容量實時數(shù)據(jù)特征并進行去差分處理。

5)使用一對一[21-22]的策略進行粗分類，以此得出點云數(shù)據(jù)共分成建筑物、植被、人造物體三類。

6)輸出分類結果，實現(xiàn)偏度特征約束下的機載激光雷達點云數(shù)據(jù)分類。

3 實驗與分析

為了驗證所提出偏度特征約束下的機載激光雷達點云數(shù)據(jù)分類方法的分類性能，設計對比測試。

3.1 實驗設置

實驗過程中，分別利用所提方法(方法1)、文獻[3]神經(jīng)網(wǎng)絡方法(方法2)、文獻[4]航空影像輔助方法(方法3)進行實驗測試，實驗使用的機載激光雷達掃描示意圖如圖3所示。

圖3 激光雷達掃描示意圖

圖3左側無人機為由GPS模塊、慣性測量儀、無線網(wǎng)絡適配器、激光掃描頭和存儲控制單元組成的精靈 4 RTK 小型多旋翼高精度航測無人機掃描過程。該無人機具體參數(shù)為軸距350 mm，最大旋轉角速度150°/s，可控轉動范圍俯仰：-90°～+30°，角度抖動量±0.02°。本次實驗測試選取機載激光雷達用作實驗對象，利用該設備獲取地區(qū)點云數(shù)據(jù)。掃描儀參數(shù)如表1所示。

表1 掃描儀參數(shù)表

3.2 實驗過程及方法

實驗之前的準備工作如下：

1)開啟無人機，確保各個儀器能夠正常獲取數(shù)據(jù)；

2)初始化調試體系，調節(jié)相機白平衡后開啟激光。

3)為使成像結果更為精確，要將整個成像體系標定好，保障所得數(shù)據(jù)為有效數(shù)據(jù)。

根據(jù)上述過程，在實驗過程中，由圖3所示的無人機掃描目標實驗區(qū)域獲取相關數(shù)據(jù)，當無人機飛行至雷達掃描范圍內時，基于激光雷達的無人機地形跟隨系統(tǒng)，向四周發(fā)生電磁波在碰到目標后反射，通過雷達采集處理單元接受反射波獲取飛行環(huán)境的相對高度信息，繼而判斷機載激光雷達的距離高度速度等指標，并將數(shù)據(jù)結果傳輸給飛行控制系統(tǒng)，完成激光雷達點云數(shù)據(jù)掃描與采集。機載激光雷達點云大容量實時數(shù)據(jù)分類時，其訓練耗時及分類精度均能體現(xiàn)出機載激光雷達點云大容量實時數(shù)據(jù)分類效果。

3.3 實驗結果分析

為證明三種方法的分類效果，展開下述實驗測試。

1)本次實驗設置點云密度為2.36 pts/m2，利用機載激光雷達獲取建筑物、地面點云數(shù)據(jù)，點云總數(shù)為6 000個，并在點云總數(shù)中選取10%的數(shù)據(jù)用作訓練樣本，其余用作測試樣本。采用方法1、方法2和方法3分別對測試樣本數(shù)據(jù)實行訓練，根據(jù)訓練時間驗證分類耗時，訓練時間越短，說明分類期間消耗的時間越少，表明該方法的分類效率快。具體測試結果如圖4所示。

圖4 不同地物類別測試樣本數(shù)據(jù)訓練時間測試

圖4(a)為建筑物測試樣本數(shù)據(jù)訓練時間測試，選取的建筑物測試數(shù)據(jù)共為2 500個，隨著測試數(shù)據(jù)的不斷提升，三種方法對應的訓練時間均不相同。測試時，方法1的訓練時間要處于5 s以下，而方法2和方法3的整體訓練時間要超出5 s，其中方法3的訓練時間增長速度最快，因而可以表明方法1的訓練時間最短、方法3的訓練時間最長。

圖4(b)為地面點測試數(shù)據(jù)訓練時間測試，其測試數(shù)據(jù)總量為1 000個。與圖4(a)相比，測試數(shù)據(jù)有所減少后，三種方法都提升了自身訓練速度，大幅度降低了訓練時間，但依舊可以看出方法1的訓練時間最短，以此證明了方法1的分類耗時少、分類效率高。

綜上所述，方法1在實驗測試中的訓練時間最短，這主要是因為方法1對點云數(shù)據(jù)實行濾波處理，達到消除數(shù)據(jù)噪聲點的目的，以此降低訓練時間、提升分類效率。

2)機載激光雷達點云大容量實時數(shù)據(jù)的訓練速度快不代表分類精度高，所以需要進一步利用三種方法展開分類準確率測試，以此證明分類效果。以水平方向為x軸和z軸，以豎直方向為y軸，繪制任意目標點的直角坐標為：

(9)

式中，Hx、Hy、Hz分別表示三維激光掃描技術在x軸、y軸、z軸方向的坐標值；S1和S2表示圖1中的兩條線段長度；α表示儀器所發(fā)射激光的水平角度；θ表示該激光的豎直角度。引入建筑物、植被、人造物體三類激光雷達定位目標，通過圖5展示不同定位目標的坐標變化情況，匹配原始建筑物、地面點云數(shù)據(jù)，分析點云數(shù)據(jù)的偏差特征計算結果。

圖5 掃描云數(shù)據(jù)的偏差特征計算結果

通過圖5可以看出，本文的方法可以很好的區(qū)分動態(tài)與靜態(tài)云數(shù)據(jù)的偏差特征，特征偏差區(qū)分度很好，有利于進一步分類。對建筑物、植被、人造物體三類點云特征混合后，進行分類，結果如圖6所示。

圖6 數(shù)據(jù)分類結果

圖6中，在點云數(shù)據(jù)分類下，不同定位目標與地面點云數(shù)據(jù)較為匹配，精準劃分出多類地物信息，且各點云數(shù)據(jù)間的重疊性較低，使得具有無序性的點云數(shù)據(jù)有序化，表明該方法可以較為精準的分類效果優(yōu)化激光雷達的應用過程，保證機載激光雷達的探測效果。

具體測試結果如表2所示。

表2 不同方法的分類準確率測試

分析表2中的數(shù)據(jù)可知，整體測試實驗中方法1和方法3的分類準確率要高于方法2，而方法1的分類精度下降較慢，始終保持最高。將本次實驗結果與實驗1結合，得知方法1的訓練時間短、分類精度高，由此可見方法1的分類效果最佳，具有較好的實際應用價值。

3)RDV(相對差異值)可以衡量不同算法在機載雷達點云數(shù)據(jù)分類過程中的收斂速度，RDV值越低，表明對應方法具有越優(yōu)的收斂速度。分別利用方法1、方法2和方法3對6 000個目標機載激光雷達點云數(shù)據(jù)進行分類，獲取不用算法的RDV值如表3所示。

表3 不同算法RDV值對比

由表3可知，不同運算時間下，方法1均具有較低的RDV值，說明本文提出的機載雷達點云數(shù)據(jù)分類在保持較高分類準確率的同時具有較快的收斂速度，再次驗證了本文所提出的機載激光雷達點云數(shù)據(jù)分類方法具有較高的分類有效性以及收斂速度。

考慮到激光雷達掃描形成點云數(shù)據(jù)的過程中，會存在大量的干擾數(shù)據(jù)。為了保證不同方法的分類性能統(tǒng)計采用三種算法機載激光雷達點云數(shù)據(jù)在加入不同干擾情況下的分類精度，統(tǒng)計結果如表4所示。得到不同方法分類的誤分率結果如表5所示。

表4 干擾情況下分類精度對比

表5 不同分類方法誤分率對比表

表4實驗結果可以看出，相較于方法2和方法3而言，方法1在不同白噪聲干擾下具有較高的分類精度，分類精度高于80.72%，分類精度均明顯高于兩種對比方法，驗證了本文提出的機載激光雷達點云分類方法具有較高的抗干擾性能。本文算法可有效抵御機載激光雷達點云獲取過程中存在的眾多噪聲干擾，可應用于點云數(shù)據(jù)分類中。為驗證所提方法的分類性能，以誤分率為指標，與方法2、方法3進行對比實驗，結果如表5所示。

從表5中可以看出，隨著干擾強度的不斷升高，三種方法對機載激光雷達點云數(shù)據(jù)的誤分率變化趨勢不一致，方法1的誤分率低于0.05%，方法2的誤分率位于0.05%～0.75%之間，方法3的誤分率位于0.08%～0.20%之間。因此，方法1的誤分率更低。

4)以Kappa系數(shù)為指標，分別對比方法1、方法2和方法3的分類性能。利用式(10)表示Kappa系數(shù)：

(10)

式(8)中，N表示數(shù)據(jù)總數(shù)；nir表示混淆矩陣第i行的總和，ni=j表示對角線元素，c表示類別數(shù)，nic表示混淆矩陣第i列總和。

同時為凸顯本文方法的分類性能，分別利用方法2和方法3在同一環(huán)境中進行測試，結果如表6所示。

表6 總體精度與Kappa系數(shù)實驗結果

通過對表6的分析得出，在采用本文方法進行分類時，建筑物機載激光雷達點云數(shù)據(jù)顯示的總體精度為97%，且Kappa系數(shù)都高于兩種對比方法；在植被機載激光雷達點云數(shù)據(jù)中，本文方法的Kappa系數(shù)為0.96，與方法2和方法3結果相比，Kappa系數(shù)明顯提高；在人造物體機載激光雷達點云數(shù)據(jù)中，本文方法的Kappa系數(shù)為0.97，與方法2和方法3結果相比，Kappa系數(shù)明顯提高。

4 結束語

機載激光雷達點云若處理不當，會對最終探測結果造成影響，為了解決上述問題，本文提出了機載激光雷達點云大容量實時數(shù)據(jù)分類方法，詳細分析了機載激光雷達中的點云系統(tǒng)工作原理。為了消除數(shù)據(jù)空洞給點云數(shù)據(jù)帶來的干擾，根據(jù)獲取的點云大容量實時數(shù)據(jù)，依據(jù)偏差特征濾波處理無序化的點云數(shù)據(jù)。通過提取點云大容量實時數(shù)據(jù)特征，從中選取最優(yōu)有序化特征。結合SVM分類器，創(chuàng)新性地采用RBF徑向基核函數(shù)二次規(guī)范無序數(shù)據(jù)，對點云大容量實時數(shù)據(jù)分類。通過對該方法實行分類效果測試，測試結果表明，所提方法達到了最佳分類效果，解決了地面點分類錯誤的問題，優(yōu)化了分類時間與分類準確率，在機載激光雷達點云數(shù)據(jù)分類方法中發(fā)揮著重要作用，在實際應用中具有較好的發(fā)展前景。