《表3 分类结果的精度/召回率和准确度Table 3 The precision/recall and accuracy of the classification results》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《激光雷达点云特征表达研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

为测试稀疏编码特征，本文以机载LiDAR点云为例，对场景2（表1），采用Zhang等[45]的方法进行验证，并与矢量量化[12]及深度学习特征[38]进行对比（表3、图2，彩图见封2）。Zhang等[45]的方法通过构建多层次对象，并采用显著性字典的方式进行点集稀疏编码特征的表达；矢量量化的方法[12]在多层次对象的基础上，通过结合BoW（Bag of Words）和LDA表达点集的特征，并采用AdaBoost分类器对未知点云进行分类，字典通过K-means方法训练得到，每个基于点的特征采用矢量量化的方式进行表达，进而聚合成多层次点集特征；深度学习特征[38]主要通过多层感知机（Multi-Layer Perceptron，MLP）提取各个点的深度学习特征，并用于点云分类中。由图2和表3的结果可知，稀疏编码特征优于矢量量化特征。此外，由于深度学习特征受训练样本数量的限制，稀疏编码特征在场景2中的分类结果优于基于单点深度学习特征的结果。