韩 建，李 林，曹志民，段朝辉，万 川

(1.东北石油大学物理与电子工程学院，黑龙江 大庆 163318；2.东北石油大学黑龙江省高校共建测试计量技术及仪器仪表研发中心，黑龙江 大庆 163318)

0 引 言

随着遥感技术的快速发展，人们对三维城市模型构建的需求和兴趣不断扩大。由于具有较高的空间信息获取精度以及不受阴影影响等优点，机载激光雷达系统已经成为智能城市及基础设施建设等相关应用的重要数据源[1-10]。机载LiDAR空间信息获取的本质是测距，如图1所示，结合GPS、INS和激光测距系统，可以快速获取大量具有精确三维坐标的点云数据。然而，所获取数据点信息间是相互独立的，语义信息缺失。为此，为了更好地利用LiDAR点云数据，对应的分类或分割操作即成为语义信息补偿的必要手段。

图1 机载LiDAR系统数据采集示意图

LiDAR点云分类的目的是能有效地将原始数据分为具有不同语义意义的类别。为了解决这一问题，无论是先分割后分类，还是采用深度学习方法，所利用特征大多集中于数据点局部强度、强度差、梯度等直接数值信息或局部纹理、植被指数等统计信息。如在文献[11]中，作者对建筑物、植被和地形采用了基于分割的分类方法，采用的特征有：分段边界梯度、高度纹理、回波强度差、强度等。文献[12]的作者采用的特征有：高度、高度变化、回波强度差、亮度和强度。文献[13]利用了高程、表面变化率、强度和归一化植被指数等特征。文献[14]利用点云位置信息和强度信息建立条件随机场，并利用XGBoost对点云数据进行了分类。……