CN109840535B - 实现地形分类的方法和装置 - Google Patents
实现地形分类的方法和装置 Download PDFInfo
- Publication number
- CN109840535B CN109840535B CN201711228122.6A CN201711228122A CN109840535B CN 109840535 B CN109840535 B CN 109840535B CN 201711228122 A CN201711228122 A CN 201711228122A CN 109840535 B CN109840535 B CN 109840535B
- Authority
- CN
- China
- Prior art keywords
- features
- feature
- classification
- terrain
- subset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了实现地形分类的方法和装置,涉及地形分类技术领域。该方法的一具体实施方式包括:从待分类地形的激光数据中提取特征子集,根据所述特征子集训练分类模型;从与所述激光数据对应的图像数据中提取与所述特征子集对应的特征数据;依据所述特征数据和所述分类模型,实现地形分类。该实施方式能够大大提高地形分类的准确率,且分类时间短、效率和实时性高。
Description
技术领域
本发明涉及地形分类技术领域,尤其涉及一种实现地形分类的方法和装置。
背景技术
地形形态具有多样性、复杂性、多变性、随机性等特点,地形形态的外观还会随着季节、光照等外部条件发生变化。这些变化会增加地形分类的难度。
现有的地形分类方法都是离线地完成特征提取过程,根据提取的特征离线训练分类器,根据离线训练的分类器实现地形分类。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
1)为实现地形分类所提取的特征多,导致分类时间长,效率低;
2)离线训练的分类器对环境的适应能力较差,无法适应复杂多变的地形环境,识别准确率低。
发明内容
有鉴于此,本发明实施例提供一种实现地形分类的方法和装置,能够大大提高地形分类的准确率,且分类时间短、效率和实时性高。
为实现上述目的,根据本发明实施例的一个方面,提供了一种实现地形分类的方法,包括:
从待分类地形的激光数据中提取特征子集,根据所述特征子集训练分类模型;
从与所述激光数据对应的图像数据中提取与所述特征子集对应的特征数据;
依据所述特征数据和所述分类模型,实现地形分类。
可选地,从待分类地形的激光数据中提取特征子集包括:
从待分类地形的激光数据中提取候选特征集,按照预设的特征筛选规则从所述候选特征集中筛选所述特征子集。
可选地,采用随机森林算法从所述候选特征集中筛选所述特征子集。
可选地,采用随机森林算法从所述候选特征集中筛选所述特征子集包括:
将所述候选特征集中不满足预设条件的特征剔除;以所述候选特征集中剩余的特征建立随机森林分类器;确定所述随机森林分类器的泛化误差;
若所述随机森里分类模型的泛化误差不满足预设精度条件,则循环执行上述步骤;否则,以所述候选特征集中剩余的每个特征形成所述特征子集。
可选地,采用袋外数据误差估计法确定所述随机森林分类器的泛化误差。
可选地,根据所述特征子集训练分类模型包括:根据所述特征子集,采用随机森林算法训练分类模型。
根据本发明实施例的再一个方面,提供了一种实现地形分类的装置,包括:
特征提取模块,从待分类地形的激光数据中提取特征子集,从与所述激光数据对应的图像数据中提取与所述特征子集对应的特征数据;
模型训练模块,根据所述特征子集训练分类模型;
地形分类模块,依据所述特征数据和所述分类模型,实现地形分类。
可选地,所述特征提取模块从待分类地形的激光数据中提取候选特征集,按照预设的特征筛选规则从所述候选特征集中筛选所述特征子集。
可选地,所述特征提取模块采用随机森林算法从所述候选特征集中筛选所述特征子集。
可选地,所述特征提取模块采用随机森林算法从所述候选特征集中筛选所述特征子集包括:
将所述候选特征集中不满足预设条件的特征剔除;以所述候选特征集中剩余的特征建立随机森林分类器;确定所述随机森林分类器的泛化误差;
若所述随机森里分类模型的泛化误差不满足预设精度条件,则循环执行上述步骤;否则,以所述候选特征集中剩余的每个特征形成所述特征子集。
可选地,所述特征提取模块采用袋外数据误差估计法确定所述随机森林分类器的泛化误差。
可选地,所述模型训练模块根据所述特征子集训练分类模型包括:根据所述特征子集,采用随机森林算法训练分类模型。
根据本发明实施例的另一个方面,提供了一种实现地形分类的电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例实现地形分类的方法。
根据本发明实施例的还一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例实现地形分类的方法。
上述发明中的一个实施例具有如下优点或有益效果:
1)通过根据从待分类地形的激光数据中提取特征子集训练分类模型,使得训练出的分类模型能够适用于当前待分类地形的实际情况,大大提高地形分类方法的实时性和环境适应性,进而提高地形分类的准确性;
2)从待分类地形的激光数据中提取候选特征集,按照预设的特征筛选规则从候选特征集中筛选特征子集,从而可以使用较少的特征进行地形分类,提高地形分类的速度,降低地形分类的分类时间,提高地形分类的效率;
3)采用随机森林算法从候选特征集中筛选特征子集,可以筛选出与待分类地形的实际环境高度匹配的特征,从而在使用较少的特征进行地形分类的同时,大大提高地形分类的准确性;
4)采用袋外数据误差估计法确定随机森林分类器的泛化误差,所得的泛化误差是无偏估计,无需再进行交叉验证或通过测试集获取泛化误差的无偏估计,简单高效;
5)采用随机森林算法训练分类模型,训练速度快,基于其训练出的分类模型进行地形分类的准确性高。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的实现地形分类的方法的主要流程的示意图;
图2是根据本发明可选实施例的从待分类地形的激光数据中提取特征子集的主要流程的示意图;
图3是根据本发明可选实施例的实现地形分类的方法的主要步骤的示意图;
图4是根据本发明实施例的实现地形分类的装置的主要模块的示意图;
图5是本发明实施例可以应用于其中的示例性***架构图;
图6是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
应当说明的是,在不背离本发明的范围和精神的情况下,本发明实施例中提及的各个技术特征可以任意组合,各个步骤的顺序也可以调换。
图1是根据本发明实施例的实现地形分类的方法的主要流程的示意图,如图1所示,提供了一种实现地形分类的方法,包括:
步骤S101、从待分类地形的激光数据中提取特征子集,根据所述特征子集训练分类模型;
步骤S102、从与所述激光数据对应的图像数据中提取与所述特征子集对应的特征数据;
步骤S103、依据所述特征数据和所述分类模型,实现地形分类。
本发明实施例中,通过激光数据可以获得待分类地形的地面估计,例如,采用本发明实施例的分类模型将激光数据的数据点分为地面数据点和非地面数据点,将特征数据输入分类模型中进行分类,从而将激光数据的这些数据点投影到与这帧激光数据相对应的图像数据上,获取可通过的地面区域和不可通过的障碍物区域。本发明实施例也可以应用于无人车在野外环境中的地形分类领域。
本发明实施例中,对于每个待分类地形,根据从该待分类地形的激光数据中提取特征子集训练分类模型。与现有技术中采用离线方式获取并训练分类模型相比,本实施例能够实时对待分类地形进行分类,实时性好。由于用于训练分类模型的特征子集是从待分类地形的激光数据中提取的,因此与待分类地形的实际环境高度相关,能够大大提高地形分类方法的环境适应性和准确性。
地形形态具有多样性、复杂性,为了便于充分了解地形形态,在提取特征子集时,可以按照预设的规则对各个特征进行分类,例如,将各个特征分为颜色特征、纹理特征、几何特征等。应当理解的是,是否对特征进行分类以及如何进行分类并不影响本发明实施例技术方案的实施,因此,本申请对此不做具体限定。
在一些可选的实施例中,可以从待分类地形的激光数据中提取候选特征集,按照预设的特征筛选规则从候选特征集中筛选特征子集。此处提及的候选特征集,是指在地形分类领域常用的、且对地形分类结果有一定影响的特征的集合。本发明实施例对如何提取候选特征集以及候选特征集的特征不做具体限定。在进行特征筛选时,本领域技术人员可以根据应用场景的实际情况选择筛选方法,例如,根据各个特征对分类结果准确性影响的大小,即各个特征的重要性,将候选特征集中重要性较低的特征剔除,以剩余的特征形成的集合作为本发明实施例的特征子集。通过按照预设的特征筛选规则从候选特征集中筛选特征子集,可以使用较少的特征进行地形分类,提高地形分类的速度,降低地形分类的分类时间,提高地形分类的效率。
实际应用过程中,可以采用随机森林算法从候选特征集中筛选特征子集。随机森林算法就是通过集成学习的思想将多棵树集成的一种算法,它的基本单元是决策树,每棵决策树都是一个分类器,各棵决策树之间没有关联。当测试数据进入随机森林时,其实就是让每一颗决策树进行分类,最后取所有决策树中分类结果最多的那类为最终的结果。因此随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别决策树输出的类别的众数而定。
采用随机森林算法从候选特征集中筛选特征子集,可以针对不同地形的环境获得不同的特征子集,使基于特征子集训练得到的分类模型能够适应地形的环境变化,提高地形分类方法的适应性。此外,由于可以筛选出与待分类地形的实际环境高度匹配的特征,从而可以在使用较少的特征进行地形分类的同时,大大提高地形分类的准确性。
图2是根据本发明可选实施例的从待分类地形的激光数据中提取特征子集的主要流程的示意图,如图2所示,从待分类地形的激光数据中提取特征子集的主要流程包括:
步骤S201、从待分类地形的激光数据中提取候选特征集。
步骤S202、将候选特征集中不满足预设条件的特征剔除。
预设条件可以根据实际情况进行设定。例如,可以将预设条件设置为:每次筛选时,将候选特征集中重要性最低的一定数量(例如,候选特征集中特征总数量的20%)的特征剔除。再例如,可以将预设条件设置为:每次筛选时,将候选特征集中重要性小于某一预设值的特征剔除。本发明实施例对预设条件不做具体限定。
步骤S203、以候选特征集中剩余的特征建立随机森林分类器。
步骤S204、确定随机森林分类器的泛化误差。
泛化误差是指随机森林分类器的实际分类结果与理论分类结果之间的差距。泛化误差越小,表明该随机森林分类器的准确性越高。
步骤S205、判断随机森林分类器的泛化误差是否满足预设的精度条件。
预设的精度条件用于衡量随机森林分类器的准确性,预设精度条件的内容可以根据实际应用场景的需要以及要求的误差水平进行设置,本发明实施例对此不做具体限定。例如,预设的精度条件为:随机森林分类器的泛化误差不大于预设的误差阈值,则当随机森林分类器的泛化误差小于或等于该误差阈值时,判断该随机森林分类器满足预设的精度条件。
步骤S206、若随机森里分类模型的泛化误差满足预设精度条件,以候选特征集中剩余的每个特征形成特征子集;
若随机森里分类模型的泛化误差不满足预设精度条件,则循环执行上述步骤S202-S205。
在一些实施例中,可以采用袋外数据误差估计法确定随机森林分类器的泛化误差。袋外数据误差估计法是指,对于已经生成的随机森林,采用袋外数据测试其性能。假设袋外数据总数为O,用这O条袋外数据作为输入,带进已经生成的随机森林分类器,随机森林分类器会给出O条袋外数据的分类。统计随机森林分类器分类错误的数目,设为X,因为这O条袋外数据的类型是已知的,用已知的分类与随机森林分类器的结果进行比较,则随机森林分类器的袋外数据误差=X/O。采用袋外数据误差估计法确定随机森林分类器的泛化误差,所得的泛化误差是无偏估计,无需再进行交叉验证或通过测试集获取泛化误差的无偏估计,简单高效。
根据特征子集训练分类模型可以包括:根据所述特征子集,采用随机森林算法训练分类模型。采用随机森林算法训练分类模型,训练速度快,基于其训练出的分类模型进行地形分类的准确性高。
图3是根据本发明可选实施例的实现地形分类的方法的主要步骤的示意图,如图3所示,包括:
步骤S301、对激光数据进行分类。在提取特征子集时,可以按照预设的规则对各个特征进行分类,例如,将各个特征分为颜色特征、纹理特征、几何特征等。
步骤S302、从待分类地形的激光数据中提取候选特征集;
步骤S303、采用随机森林算法从候选特征集中提取特征子集;
步骤S304、根据特征子集训练分类模型;
步骤S305、从与激光数据对应的图像数据中提取与特征子集对应的特征数据;
步骤S306、依据特征数据和分类模型,实现地形分类。具体地,将特征数据输入分类模型中进行分类,根据分类模型的输出内容确定地形分类的结果。
图4是根据本发明实施例的实现地形分类的装置的主要模块的示意图,如图4所示,实现地形分类的装置400包括:
特征提取模块401,从待分类地形的激光数据中提取特征子集,从与所述激光数据对应的图像数据中提取与所述特征子集对应的特征数据;
模型训练模块402,根据所述特征子集训练分类模型;
地形分类模块403,依据所述特征数据和所述分类模型,实现地形分类。
可选地,所述特征提取模块从待分类地形的激光数据中提取候选特征集,按照预设的特征筛选规则从所述候选特征集中筛选所述特征子集。
可选地,所述特征提取模块采用随机森林算法从所述候选特征集中筛选所述特征子集。
可选地,所述特征提取模块采用随机森林算法从所述候选特征集中筛选所述特征子集包括:
将所述候选特征集中不满足预设条件的特征剔除;以所述候选特征集中剩余的特征建立随机森林分类器;确定所述随机森林分类器的泛化误差;
若所述随机森里分类模型的泛化误差不满足预设精度条件,则循环执行上述步骤;否则,以所述候选特征集中剩余的每个特征形成所述特征子集。
可选地,所述特征提取模块采用袋外数据误差估计法确定所述随机森林分类器的泛化误差。
可选地,所述模型训练模块根据所述特征子集训练分类模型包括:根据所述特征子集,采用随机森林算法训练分类模型。
根据本发明实施例的另一个方面,提供了一种实现地形分类的电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例实现地形分类的方法。
图5示出了可以应用本发明实施例的实现地形分类的方法或实现地形分类的装置的示例性***架构500。
如图5所示,***架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505 交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器 (仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息-- 仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的实现地形分类的方法一般由服务器505执行,相应地,实现地形分类的装置一般设置于服务器 505中。
应该理解,图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图6,其示出了适于用来实现本发明实施例的终端设备的计算机***600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608 加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/ 输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元 (CPU)601执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括:特征提取模块,从待分类地形的激光数据中提取特征子集,从与所述激光数据对应的图像数据中提取与所述特征子集对应的特征数据;模型训练模块,根据所述特征子集训练分类模型;地形分类模块,依据所述特征数据和所述分类模型,实现地形分类。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,特征提取模块还可以被描述为“向所连接的服务端发送提取特征子集的请求的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
从待分类地形的激光数据中提取特征子集,根据所述特征子集训练分类模型;
从与所述激光数据对应的图像数据中提取与所述特征子集对应的特征数据;
依据所述特征数据和所述分类模型,实现地形分类。
上述发明中的一个实施例具有如下优点或有益效果:
1)通过根据从待分类地形的激光数据中提取特征子集训练分类模型,使得训练出的分类模型能够适用于当前待分类地形的实际情况,大大提高地形分类方法的实时性和环境适应性,进而提高地形分类的准确性;
2)从待分类地形的激光数据中提取候选特征集,按照预设的特征筛选规则从候选特征集中筛选特征子集,从而可以使用较少的特征进行地形分类,提高地形分类的速度,降低地形分类的分类时间,提高地形分类的效率;
3)采用随机森林算法从候选特征集中筛选特征子集,可以筛选出与待分类地形的实际环境高度匹配的特征,从而在使用较少的特征进行地形分类的同时,大大提高地形分类的准确性;
4)采用袋外数据误差估计法确定随机森林分类器的泛化误差,所得的泛化误差是无偏估计,无需再进行交叉验证或通过测试集获取泛化误差的无偏估计,简单高效;
5)采用随机森林算法训练分类模型,训练速度快,基于其训练出的分类模型进行地形分类的准确性高。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种实现地形分类的方法,其特征在于,包括:
从待分类地形的激光数据的分类特征中提取特征子集,根据所述特征子集训练分类模型;所述分类特征包括:颜色特征、纹理特征和几何特征;
从与所述激光数据对应的图像数据中提取与所述特征子集对应的特征数据;
依据所述特征数据和所述分类模型,实现地形分类;
其中,从待分类地形的激光数据中提取特征子集包括:从待分类地形的激光数据中提取候选特征集,将候选特征集中重要性最低的一定数量的特征剔除,或者将候选特征集中重要性小于预设值的特征剔除,得到筛选后的所述特征子集;
其中,所述分类模型将激光数据的数据点分为地面数据点和非地面数据点。
2.如权利要求1所述的方法,其特征在于,采用随机森林算法从所述候选特征集中筛选所述特征子集。
3.如权利要求2所述的方法,其特征在于,采用随机森林算法从所述候选特征集中筛选所述特征子集包括:
将所述候选特征集中不满足预设条件的特征剔除;以所述候选特征集中剩余的特征建立随机森林分类器;确定所述随机森林分类器的泛化误差;
若所述随机森林分类模型的泛化误差不满足预设精度条件,则循环执行上述步骤;否则,以所述候选特征集中剩余的每个特征形成所述特征子集。
4.如权利要求3所述的方法,其特征在于,采用袋外数据误差估计法确定所述随机森林分类器的泛化误差。
5.如权利要求1所述的方法,其特征在于,根据所述特征子集训练分类模型包括:根据所述特征子集,采用随机森林算法训练分类模型。
6.一种实现地形分类的装置,其特征在于,包括:
特征提取模块,从待分类地形的激光数据的分类特征中提取特征子集,从与所述激光数据对应的图像数据中提取与所述特征子集对应的特征数据;所述分类特征包括:颜色特征、纹理特征和几何特征;
模型训练模块,根据所述特征子集训练分类模型;
地形分类模块,依据所述特征数据和所述分类模型,实现地形分类;
其中,所述特征提取模块从待分类地形的激光数据中提取特征子集包括:从待分类地形的激光数据中提取候选特征集,将候选特征集中重要性最低的一定数量的特征剔除,或者将候选特征集中重要性小于预设值的特征剔除,得到筛选后的所述特征子集;
其中,所述分类模型将激光数据的数据点分为地面数据点和非地面数据点。
7.如权利要求6所述的装置,其特征在于,所述特征提取模块采用随机森林算法从所述候选特征集中筛选所述特征子集。
8.如权利要求7所述的装置,其特征在于,所述特征提取模块采用随机森林算法从所述候选特征集中筛选所述特征子集包括:
将所述候选特征集中不满足预设条件的特征剔除;以所述候选特征集中剩余的特征建立随机森林分类器;确定所述随机森林分类器的泛化误差;
若所述随机森林分类模型的泛化误差不满足预设精度条件,则循环执行上述步骤;否则,以所述候选特征集中剩余的每个特征形成所述特征子集。
9.如权利要求8所述的装置,其特征在于,所述特征提取模块采用袋外数据误差估计法确定所述随机森林分类器的泛化误差。
10.如权利要求6所述的装置,其特征在于,所述模型训练模块根据所述特征子集训练分类模型包括:根据所述特征子集,采用随机森林算法训练分类模型。
11.一种实现地形分类的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711228122.6A CN109840535B (zh) | 2017-11-29 | 2017-11-29 | 实现地形分类的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711228122.6A CN109840535B (zh) | 2017-11-29 | 2017-11-29 | 实现地形分类的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840535A CN109840535A (zh) | 2019-06-04 |
CN109840535B true CN109840535B (zh) | 2021-10-01 |
Family
ID=66882132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711228122.6A Active CN109840535B (zh) | 2017-11-29 | 2017-11-29 | 实现地形分类的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840535B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256695B (zh) * | 2021-06-23 | 2021-10-08 | 武汉工程大学 | 一种基于随机森林的硫酸钾生产盐池地形预测模型方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831646A (zh) * | 2012-08-13 | 2012-12-19 | 东南大学 | 一种基于扫描激光的大尺度三维地形建模方法 |
CN103645480B (zh) * | 2013-12-04 | 2015-11-18 | 北京理工大学 | 基于激光雷达和图像数据融合的地形地貌特征构建方法 |
CN105931224A (zh) * | 2016-04-14 | 2016-09-07 | 浙江大学 | 基于随机森林算法的肝脏平扫ct图像病变识别方法 |
CN106338736B (zh) * | 2016-08-31 | 2019-01-25 | 东南大学 | 一种基于激光雷达的全3d占据体元地形建模方法 |
CN106871932B (zh) * | 2017-04-20 | 2019-12-24 | 自然资源部国土卫星遥感应用中心 | 基于金字塔搜索地形匹配的星载激光在轨指向检校方法 |
-
2017
- 2017-11-29 CN CN201711228122.6A patent/CN109840535B/zh active Active
Non-Patent Citations (2)
Title |
---|
Enabling Learning From Large Datasets: Applying Active Learning to Mobile Robotics;Cristian Dima 等;《IEEE》;20040430;全文 * |
基于激光测距数据组合特征的森林环境地形分类;周媛 等;《Proceedings of the 32nd Chinese Control Conference》;20130728;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109840535A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11979433B2 (en) | Highly scalable four-dimensional web-rendering geospatial data system for simulated worlds | |
CN110147722A (zh) | 一种视频处理方法、视频处理装置及终端设备 | |
US20180330488A1 (en) | Muddy water detection using normalized semantic layers | |
CN110633594A (zh) | 一种目标检测方法和装置 | |
CN111738263A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN110941978A (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN110633717A (zh) | 一种目标检测模型的训练方法和装置 | |
CN111783812B (zh) | 违禁图像识别方法、装置和计算机可读存储介质 | |
CN115114329A (zh) | 数据流异常检测的方法、装置、电子设备和存储介质 | |
CN114726823A (zh) | 一种基于生成对抗网络的域名生成方法、装置和设备 | |
CN110019400B (zh) | 数据存储方法、电子设备及存储介质 | |
CN109840535B (zh) | 实现地形分类的方法和装置 | |
CN111160410A (zh) | 一种物体检测方法和装置 | |
CN110995687A (zh) | 一种猫池设备识别方法、装置、设备及存储介质 | |
CN115423031A (zh) | 一种模型训练的方法以及相关装置 | |
CN110659540A (zh) | 一种交通灯检测方法和装置 | |
CN110807127A (zh) | 视频推荐方法及装置 | |
CN114780847A (zh) | 一种对象信息处理、信息推送方法、装置和*** | |
CN113742593A (zh) | 用于推送信息的方法和装置 | |
CN109993767A (zh) | 图像处理方法和*** | |
CN114359811A (zh) | 数据鉴伪方法、装置、电子设备以及存储介质 | |
CN110532304B (zh) | 数据处理方法及装置、计算机可读存储介质以及电子设备 | |
CN113989720A (zh) | 目标检测方法、训练方法、装置、电子设备及存储介质 | |
CN110033098A (zh) | 在线gbdt模型学习方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |