何 雪， 邹峥嵘， 张云生， 杜守基， 郑 特

(中南大学地球科学与信息物理学院，长沙 410083)

0 引言

得益于影像密集匹配技术[1-2]和机载激光扫描技术[3]的发展，可以方便地获取高精度、高密度的三维点云数据，这些点云数据可以应用于三维城市建模、灾害评估、地图更新和城市规划等方面[4]。近年来，倾斜航空摄影技术得到了迅速的发展(如国内的SWDC-5，TopDC和AMC-580等)，可以通过密集匹配方法从多角度航空倾斜影像中获取具有立面信息的高密度点云，也称为倾斜摄影测量点云。然而，这些点云数据并不具备语义信息，点云分类成为点云应用的关键所在，高精度的点云分类具有极大的研究价值和现实意义。

目前，针对激光点云分类的方法较多，Gerke等[5]采用图割算法，综合归一化高度、法向量的Z分量、影像上线段长度、颜色和纹理等特征将LiDAR点云分成建筑物、树木、草地和地面4类； Guan等[6]采用随机森林分类方法，综合基于光谱的特征、基于LiDAR的几何特征以及强度特征将LiDAR点云分成建筑物、树木、地面和草地4类； Xu等[4]通过点、平面和均值漂移3方面的特征对LiDAR点云进行分类，并比较了AdaBoost、随机森林、ANN_MLP(artificial neural networks multiple layer perceptrons)、支持向量机(support vector machine，SVM)和Rule-based这5种分类器的分类效果； 徐宏根等[7]根据三角网坡度信息熵，利用面向对象的方式对LiDAR点云的植被和建筑物进行区分。然而，和倾斜航空摄影技术相比，激光扫描技术获得建筑物立面的点较少，故倾斜摄影测量点云的应用[8-10]具有广泛的需求。目前针对摄影测量点云的分类较少，比较有代表性的包括： Rau等[11]提出基于规则的层次语义面向对象分类方法，综合几何、光谱和拓扑特征将倾斜摄影测量点云分类成树木、草地、立面、屋顶和道路5类，该方法需要较多的阈值；……