【论文阅读】基于PointNet++点云深度学习的背包激光扫描数据的树种分类

摘要

要调查森林资源，必须确定树种。然而，使用通过光探测和测距 （LiDAR） 收集的树木的 3D 点云来识别树种是一项挑战。PointNet++是一种点云深度学习网络，可以有效地对3D对象进行分类。在应用 PointNet++ 识别树种时，建立高质量的单个树点云数据集非常重要。但是，生成示例数据集有不同的数据处理方法，并且过程繁琐。在这项研究中，我们建议如何通过设计比较实验来选择合适的方法。我们使用背包激光扫描（BLS）系统收集了三个地区总共八种树种的点云数据。采用不同点云归一化方法探究树高对树种分类精度的影响，并通过分离单个树点云的叶子和木材，分析叶点云对分类精度的影响。使用了五种下采样方法：最远点采样 （FPS）、K 均值、随机、网格平均采样和非均匀网格采样 （NGS）。为实验设计了不同采样点的数据。结果表明，使用点云深度学习方法进行树种分类时，树高特征并不重要。对于单季采集的数据，叶点云对分类精度影响不大。我们筛选的两种合适的点云下采样方法是FPS和NGS，当单个树点云的数量在2048-5120范围内时，深度学习网络可以提供最准确的树种分类。我们的研究进一步说明了基于点的端到端深度学习方法可用于对树种进行分类并识别单个树点云。结合低成本、高效率的BLS系统，可有效提高森林资源调查的效率。

 关键词：树种；分类；深度学习；点云；背包激光扫描

1.简介

介绍意义+激光雷达+ALS/TLS/MLS+BLS

单个树点云对树种分类——①SVM②RF③其他机器学习方法

点云的深度学习——pointnet和pointnet++——需要大量的训练数据，而公开的点云数据集仅限少量的地面数据——树种分类研究较少

1. Pointnet++对ALS点云进行语义注释【18】
2. PointNet++网络结合基于ALS的数据和多光谱图像对三种不同的树种和死树冠进行分类【19】
3. PointNet++方法对TLS获得的九种树种的单个树点云进行分类【20】

然而：

1. 使用 PointNet++ 的研究都将单个树点云的 3D 坐标归一化为半径为 1 的单位球面内，从而剥夺了数据的高度特征。没有考虑树高对树种分类精度影响的相关研究。
2. 大多数对PointNet++模型的研究将单个树点云的点数输入为1024或2048。每个样本需要具有相同的点数才能满足模型输入要求，但没有研究指定样本点云中点数的值，以获得树种的最佳分类精度。要