基于深度学习的激光点云单株分离算法精度分析开题报告

1. 研究目的与意义

传统的森林调查以人工调查为主，人工调查具有以下多个缺点：1.由于森林中没有明确的标识，导致要调查的样地难以确定，往往还需要依靠老农带路等方法，费时费力。

2.调查过程中调查人员面要深入密林，会面临滑坡、毒蛇毒虫等自然危险。

3.森林中地形复杂，有的树木甚至长在很陡的斜坡上，人工测量会有误差甚至会遇到无法测量的情况。

2. 国内外研究现状分析

目前对于采用基于深度学习的激光点云进行单株分离算法精度分析的文献很少，本文将对学者们的相关研究情况进行如下概述。

brahimi等指出，大多数分类器都是用小数据集进行训练和评估的，重点是从图像中提取手工制作的特征来对叶片进行分类。

在这项研究中，我们使用了一个大型的数据集，与最新技术相比。

3. 研究的基本内容与计划

基于深度学习的激光扫描三维点云树木自动分类方法，包括以下步骤：1、在XYZ三维坐标系中，对原始单棵树木点云集P中的每个样本绕Z轴每隔一定角度旋转一次，保留每次旋转过后的结果作为新的单棵树木点云样本，整个数据集旋转过后获得新的单棵树木点云集P'；2、遍历新的单棵树木点云集P'，将点云集P'中的每个样本投影到XOZ平面并对XOZ平面进行网格划分，记录每个网格的累积投影值；3、生成以单棵树木点云数量为行数，以XOZ平面面积为列数的特征矩阵S；4、对特征矩阵S的每一行做归一化处理；5、使用深度置信网络对归一化后的数据集进行深度学习训练获得最终的分类模型；6、使用分类模型对新扫描的数据自动化的进行预测，最后在原始点云中将属于单棵树木点云所属的类别标注出来，完成树木分类的操作

4. 研究创新点

本文特色与创新体现在：通过旋转原始树木点云样本来模拟人眼从多个方向识别一个物体的场景，并且旋转过程也加大了样本的数量，又让三位物体各个面的信息充分展现出来。

该方法考虑的是一个三维物体的多个角度的投影，因此对原始扫描仪摆放的位置与方向不敏感，并且有效克服样本数量少的问题