收稿日期：2017-05-10。项目来源：国家科技支撑计划（2014BAL05B00）。
叶 刚1
（1.郑州市规划勘测设计研究院，河南 郑州 450000）
摘 要：针对单一LiDAR 点云数据分类精度不高的问题，提出一种融合影像信息的激光点云多特征分类方法。该方法根据应用目的以及地物分类的需求对航空影像所提供的光谱、形状等特征和LiDAR 数据提供的几何特征进行研究分析，确定参与分类器中的特征空间，并作为设定相应分类规则的先验知识，然后根据特征描述子之间的空间距离进行空间聚类，最终成功将点云分类为建筑物、树木、草地、道路以及不确定地物等5类，分类精度达到95.3%，kappa 系数达0.935。此外，还分别引入基于影像的SVM 分类和基于terrasolid 软件的点云分类方法，以验证本文算法的有效性。关键词：LiDAR 点云；航空影像；多特征；融合数据；分类中图分类号：P228 文献标志码：B 文章编号：1672-4623（2018）06-0070-06
遥感对地观测技术是人类获取地球空间信息，尤其是地物目标提取和表面三维重建的重要手段，而地物目标解译与建模的首要任务就是对遥感数据进行分类[1]。由于地表被不同的地物所覆盖，精确地获取每一类地物的空间与属性信息难度颇大，因此，精细地物分类与提取多年来一直是众多学者们的研究目标[2]。传统地物分类的数据源主要来自航空航天摄影的遥感影像，依据影像的光谱、纹理等特征进行分类，但是容易受时间、气候以及天气影响。由于近年来我国空气质量严重下降，难以满足实际应用的需求。而激光雷达技术（Light Detection And Ranging，LiDAR）作为一种新型的主动式遥感技术，能够快速、准确、及时地获取地球表面遥感数据，使其在重大自然灾害应急响应、低空大比例
尺高精度测图、城市规划或地物三维模型重建以及城市植被分析等情况下，拥有卫星遥感和普通航空遥感不可取代的作用[3-6]。大量文献表明，激光点云结合其他数据源，可以改善分类结果，提高分类精度。因此，融合机载LiDAR 获取的海量激光点云和影像数据进行快速而精确的解译已成为国内外研究人员的关注热点[7]。在当前激光点云与影像融合数据分类研究中，大多数研究人员采用的是借助于点云数据的高精度三维空间信息，利用成熟的影像分类技术完成地物分类需求[9-11]。
综上研究表明，利用融合不同特征的数据源进行点云分类结果能够改善单纯利用LiDAR 点云分类的精度。因此本文从激光点云和航空影像两类不同传感器获取的数据着手，其主要研究内容可包括：①多源数据融合特征描述。根据应用目的以及地物分类的需求
对航空影像所提供的光谱、形状等特征和LiDAR 数据提供的几何特征进行研究分析，确定参与分类器中的特征空间。②基于多特征约束的LiDAR 点云分类器设计。采用融合多源数据的分类策略针对分类的主要地物设定相应的分类规则，然后建立分类类别和分类特征之间的对应关系，并减少分类任务的复杂度，最终将点云分类为建筑物、树木、草地、裸露地面以及不确定等5类。
1 融合特征描述
融合机载LiDAR 点云数据和遥感影像数据，并实现融合数据的自动分类，从模式识别的角度来分析首先需要解决的是两种数据源的特征选择与提取工作。根据特定问题领域的性质，选择具有明显区分意
义的特征，是设计分类器过程中至关重要的步骤[12]。要实现地物的精细分类，应该建立每种地物类别的特征向量，但是在实际应用中，适当减少某些特征不会明显降低分类精度，因此可以根据不同的类型模式选择合适的特征向量，并将这些特征向量输入分类器，从而在保证高精度分类结果的同时，达到减少数据量，降低数据分析的复杂性的目的。本节从遥感影像和激光点云数据的特点出发，主要介绍与关键地物类别联系密切的特征，并分析各个类别之间的特征差异，重点介绍LiDAR 点云的几何特征和遥感影像的光谱特征。
1）点云特征。机载LiDAR 数据作为一种新型的遥感数据，无论是影像辅助下的点云分类还是点云辅助下的影像分类，LiDAR 点云特征都起着至关重要的作用[13]。由于LiDAR 点云数据是基于点集的表达，故采
·71·
第16卷第6期
用类似图像灰度级的方式形象地描述从离散点云中提取的特征值，其中，插值图像的大小由点云的最大最小坐标确定，分辨率与配准图像一致。重采样过程采用最近邻内插算法，即某一像素的灰度值由其距离最近的激光点的特征值来赋值，式（1）描述的便是像素灰度值与特征值间的转换关系。 255gray F F F F max
min
#=
-- (1)
由LiDAR 点云的特点可知，不仅能够从原始点云
数据中直接读取一部分特征，如高程、多重回波和强度信息；此外，还有一部分特征来自LiDAR 数据的衍生信息，主要是指从点云数据中提取的局部统计特征。下面将对参与分类的特征做简单描述：
①LiDAR 数据的高程纹理。通常可根据不同纹理特征区分出人工地物和自然地物
[14]
，在机载LiDAR
系统中，高程纹理也同样是识别地物的重要特征。Elberink 等认为，高程纹理可定义为不同地物或同一地物的不同部分的局部高程变化以及由此产生的对比度、均匀性等物理特性[15]。常见的高程纹理主要有以下几个方式：原始高程数据、高程差、高程变化、地形坡度，本文利用高程变化来描述高程纹理。
高程标准差（Height Standard Deviation，HSTD）能够有效地量化点与点之间的高程变化差异，以反映局部邻域内点云的高程变化率。通常情况下，起伏不大的区域（例如平坦地表和建筑物表面）的HSTD 值较小或者接近0，因为这两类表面内的彼此相邻点具有相似的高程值；而建筑物边缘、电力线等的HSTD 较大却呈现一定的几何规律。此外，植被区域的HSTD 与前两者都不相同，在该区域的HSTD 变化较大且无任何规律性。因此，HSTD 可以作为点云数据分类一个重要指标，其计算也相对简单，如式（2）所示。
1HSTD X n X
1i i n
=
=
=/
(2)
式中，n 为“窗口”内点云个数，Z 为“窗口”内所有点云的高程均值。
经纬360
②回波强度（Return Intensity，RI）。点云的回波强
度是地物表面对避光信号的反射率的表达，能够在一定程度上提供地物反射特性的信息，但受诸多因素的影响，目前的机载激光系统提供的强度图像存在大量噪声而且很不稳定，若单独利用回波强度很难精确地进行地物分类。将强度信息作为重要的辅助工具来判断混杂区域或材质差异较大地物的点云分类问题，可以取得很好的分类效果，例如建筑物顶部与树木点的混杂区域，以及道路区域与道路上的汽车的分类。
③LiDAR 的离散度信息。激光点云空间的离散度也是重要的区分建筑物和植被的线索, 由于建筑物和裸露地面通常由平面组成， 它在空间的离散程度可以认为沿二维表面（不一定水平）分布，而树木上的点在空间各个方向上都较为分散， 这种离散性可以通过离散矩阵的特征值来分析。具体方法是：首先构建激光点云的2维K-D 树，搜索激光点云中每个点邻域内的全部相邻点，建立该激光点在空间上的3×3离散矩阵，如公式（3）：
()(0,1,2,,)S v v j M 0ji
T i i n
g ===/ (3)
式中，S j 表示第j 个点的3×3离散矩阵；n 为第j 个点邻域内相邻点数目； v i 为第j 个点的第i 相邻点的空间坐标v i =(x i ,y i ,z i )；v T i 是v i 的转置矩阵，M 是LiDAR 点云总数。
对离散矩阵S j 作奇异值分解，得到该点矩阵的3个特征值，按从小到大排列特征值。一般根据特征值
设定3个类别：①若两个特征值远大于另外一个特征值， 则该点被标记为平面类；②当一个特征值远大于另外两个特征值，则标记该点为边缘类；③3个特征值都足够大, 则标记为空间离散类。实验数据选自天津市某机场附近的区域，道路、厂房以及树木分布密集，由图1a 与1c 中可以看出，道路两旁的树木的离散性能够很好地表现出来，但在道路中间的小物体（如车辆、交通指挥棚）也会造成少量离散点；此外，大部分形状比较规则的建筑物屋顶的完整性可以很好地保留。
2） 影像特征。由于机载LiDAR 系统提供点云数据
a 航空rg
b 影像 b LiDAR 离散点云数据
c LiDAR 点云的特征值影像
图1 某测区内点云离散度信息展示效果
叶 刚：融合影像信息的LiDAR 点云多特征分类方法
地理空间信息·72·第16卷第6期
在表达地物表面的语义、形态信息方面存在较大难度，而激光扫描系统搭载的光学传感器能提供具有丰富纹理、光谱信息的遥感影像，更容易识别和解译地物目标[16]。影像包含的信息丰富，仅列举几种最具代表性的特征，分别是红（R）、绿（G）、蓝（B）、红外（IR）波段的直接光谱像素值以及波段的均值和方差统计特征，RM、GM、BM、IRM、RD、GD、BD、IRD 分别表示红波段均值、绿波段均值、蓝波段均值、红外波
段均值、红波段方差、绿波段方差、蓝波段方差以及红外波段方差。选择以上来自遥感影像数据的特征作为机载LiDAR 数据的辅助数据源，一方面为了验证其是否有助于提高融合分类的精度，另一方面
则为了满足分类应用的需求设计分类策略。图2是彩红外影像3个波段的均值和方差统计特征，其中，以3×3的窗口
大小计算各波段均值和方差。
a IRM
b GM c
BM
d IRD
e GD
f BD
图2 影像数据的部分光谱特征示例
3 基于多特征的LiDAR 点云融合数据分类算法
通过分析目前LiDAR 点云分类方法，总结了存在的不足之处：①针对复杂多变的地物类型，单独利用单一数据容易造成误分类。②点云内插成栅格图像，容易导致原始数据一些信息丢失。③分割过程中一般需要预先设定参数，最优参数的获取很大程度上依赖一定的先验知识，并且不同参数的设置会造成不同的分类结果。为了克服机载LiDAR 点云分类过程存在的不足，充分发挥上述不同数据源的特征优势，本文提出了一种融合影像信息的LiDAR 多特征分类方法，其主要技术路线如图3所示。
1）确定待分类类别。根据输入数据（原始LiDAR 点云数据和对应的航空正射影像数据），分析所选测区内的地物特征和原始数据的特性，大致确定分类类别。常用的分类类别有：建筑物、树木、草地、裸地、道路、汽车等，一般设计分类器的过程中可根据实际情况进
行调整，例如根据点云提供的高程信息和影像提供的光谱特性。在这里，便将汽车、路灯等归为不确定类别。
图3 基于多特征的LiDAR 点云融合数据分类方法流程图
·73·
第16卷第6期
2）分类线索归纳。主要根据融合数据特征来作为分类线索，具体可表述为：①对于非地面点，点云数据的首末次高差可作为初步判断是否为树的依据；此外，通过建立LiDAR 点云中某激光点一定窗口内的离散矩阵获取特征值，计算该点的空间离散度，也作为判别树木与建筑物的标准之一。②对于地面点，将激光点云的强度信息以及影像光谱特征作为判别草地与裸露地面的标准。
3）选择训练样本。确定待分类别后，结合分类线索，依次选取每一类别具有代表性特征的若干样本数据集。在选取样本点过程中参考配准后的影像数据，人工判定类别。
4）特征向量与特征空间。对于融合影像数据的LiDAR 点云，每个激光点同时具备两类数据的优点，即每个激光点均可按照融合特征描述的计算方式进行特征提取，包括光谱均值、空间三维坐标、离散度以及强度特征的多个统计量，形成特征描述子。然后，通过各个类别样本统计的先验知识，构造通过加权组合形式的特征向量，并以直方图形式表示，主要是为了提高词袋模型对地物的表示能力。
5）空间聚类。空间聚类就是根据特征描述子之间的空间距离，将具有相似的局部特征聚集成不同的
类别，本文采用最常用的聚类算法是K 均值算法。其基本思想是对于给定的一组向量，其中，每个向量均为m 维向量，将n 个特征按照式（4）的聚类准则划分到k （k<n ）个不同的类别序列中S(S 1,S 2,…,S k )： argmin x 1ji
x S i k ji
n -!=/
/
(4)洗衣机水嘴
式中，μj 代表S i 的均值。
K 均值聚类的具体实现步骤可归纳为：
①确定初始聚类中心。从 n 个样本中选择 k 个初始聚类中心。初始聚类中心可以随机选取，也可以根据先验知识指定。
②分配样本类别。计算每个样本到聚类中心的欧式距离（如式5），按照距离最小原则，将 n 个样本分配到 k 个类别中：
混凝土模板(,)(()())D H K h i k i 21/2
L i
2=-/
(5)
式中，H 、K 分别两个特征向量；D L 2(H,K)便是所求解的欧氏距离。
③根据每个类别数据对象的平均值计算新的聚类中心。若聚类中心没有发生变化，则代表算法收敛，聚类结束；若聚类中心发生变化，则返回第②步重新分配类别，直到聚类中心不发生变化为止。
4 实验结果与分析
经过多特征的点云分类，可以将复杂的城区地物分为5大类：建筑物、树木、草地、裸地以及不确定地物，为了评价分类器设计的合理性，将分别从定量和定性两个方面对分类精度进行分析。采用下面数据进行分类试验，通过分类质量指标分析分类结果，并与基于高分辨影像的SVM 分类和基于terrasolid 软件的单独激光点云分类方法进行对比，以验证本方法的可行性。本文主要在Matlab 编程主体算法，并借助Fugroviewer 点云显示工具完成的，实验中的样本采集、正射影像截取以及单纯利用点云进行地物分类试验等处理过程由ENVI、TerraScan 等软件完成。
实验数据：该数据依然采用ISPRS 官方提供的
德国斯图加特Vaihingen 地区的点云和影像数据，测区内地物类别的多样性。其中点云数据平均点密度是8.43 pts/m 2；影像分辨率0.09 m。图4描述的该实验数据的原始影像和对应点云数据。
a 高分辨率DOM 数据
b 对应点云数据—强度显示
图4 测区内实验数据展示图
按照第三节中基于多特征的融合点云数据分类流程，首先需要确定待分类类别，并通过样本经验值获取空间聚类过程中特征权重，由测区内实验数据展示图4可知，该城区内建筑物密集且造型复杂，存在大量高植被和草地，地面大部分为硬质的道路。此外，也存在裸地和车辆等目标地物，因此，在本文中大致确定以下5类地物类别：建筑物、树木、草地、道路以及不确定（裸地和车辆等）。其中在进行样本选择时的原则是依据点云初始分类结果和人工经验，在点云中选择具有代表性且容量大的样本。然后，针对该测区分别引入基于高分辨影像的SVM 分类方法和基于terrasolid 软件的单独激光点云分类方法，并与本文的融合数据分类方法进行对比，其结果见图5。
图5a 采用Terrasolid 软件实现融合影像后点云数据的滤波处理结果，在滤波的基础上，通过分析上文
分类线索中每一项特征与各待分类别之间的关系，选择关联性强且区分度大的特征组成特征向量。在进行地面点类别识别过程中，加入了（R, G, B, RD, GD）和
叶 刚：融合影像信息的LiDAR 点云多特征分类方法
磁性输送带地理空间信息·74·第16卷第6期
强度信息，针对非地面点集，通过点云的多次回波、高程标准差（HSTD）以及计算点云的离散矩阵综合区分建筑物和高植被，进而得出图5b 基于融合数据的点云多特征分类结果与正射影像的叠加效果图。图5c 表示基于影像的SVM 分类结果，其单纯利用高分辨影像的纹理和光谱信息，大部分地物类别（如道路、植被、建筑物）能够被提取，但是建筑物区域由于部分材质与道路纹理极其相近而导致一定的错误分类；植被类别不能精确区分草地和树木，同时，由于阴影的存在，道路以及建筑物阴影中的地物不能被有效提取。图5d 依靠LiDAR 单数据源进行分类的结果，不仅在建筑物区域会存在与
少量树木点云混淆的情况；而且在地面点中，白点集是没有进行分类的地面点，黄代表能够提取的道路点，更不能明确区分草地与道路等细节地物。
采用混淆矩阵评价算法分类精度，其中Kappa 系
数和总体精度OA 是两个主要的评价指标；Ⅰ类误差表示每一类别的遗漏误差，对应于矩阵中非对角线的行元素，而Ⅱ类误差分别表示每一类别的错分误差，与矩阵中非对角线的列元素对应；生产者精度PA （Producer Accracy）表示正确类别的漏分误差，对应于矩阵对角线数值与列中所有数值和的百分比，用户精
度UA （User Accracy）表示所划分的错误类别多分误差，对应于矩阵对角线数值与行中所有数值和的百分比。考虑到分类精度对比需求，本文针对3种分类方法精度统计时按照如下原则：
① 融合影像数据的LiDAR 分类方法。采取人工辅助的方法提取参考数据，即：选取特定区域内的点云数据，借助Terrascan 软件手工分类工具进行人工编辑，最后形成参考数据；在进行误差统计过程中，采用将
已分类的地物与正射影像叠加，检查误分类点集。其中，将裸地、车辆或未滤掉的道路两旁的附属物（路灯、栏杆等）均视为未识别类别。
②基于terrasolid 软件的LiDAR 分类方法。按照以上对融合影像数据的LiDAR 统计分类精度的标准，其中，将地面点云中白点集（见图5d）定义为未分类别，而地面点云中黄点集（见图5d）定义为道路点集，因此，对基于Terrasolid 软件的单纯点云分类的类别分别是建筑物、植被、道路以及未分类4大类。
③基于高分辨影像的SVM 分类方法。由于该分类结果中地物类别多了阴影类别，所以对其分类精度统计标准与前面两者稍微不同。具体采用的标准是：利用RBF-SVM 方法对该测区分类后的对象总数是734，在其中选择110个检查区域人工进行统计，然后计算分类后的生产者精度、用户精度和总体精度。其中将分类结果中的阴影分类归为未识别种类。表1便是以上3种分类方法误差统计结果。
表1 3种分类方法的分类误差对比
类别
方法
建筑物树木
道路
草地
未分类总精度
PA/%UA/%PA/%UA/%PA/%UA/%PA/%UA/%
PA/%UA/%精度自动擦鞋机
Kappa 系数影像SVM 分类63．663．610010066．770．610090．978.30.704Terrasolid 点云分类79．583．685．679．972．369.690.691.984.20.781本文融合数据分类
95.4
96.4
93.694.2
97.197.6
90.6
89.9
97.982.6
95.3
0.935
由表1可知，基于融合数据的点云多特征分类方法的总体分类精度可以达到95%，由于综合利用点云的几何特征和影像的光谱特征，建筑物和树木区域的错分现象较低，草地与道路的区分度也达到了预期结果。结合图5c 可以看出，单纯利用影像的分类可以较好地识别植被区域，由于纹理特征的相似性，容易导致建筑物与道路的错误划分，此外，阴影类别的存在，将会在一定程度上遮挡实际地物，影响信息提取精度。
建筑隔墙
而表1中基于Terrasolid 软件的单纯LiDAR 点云分类虽然总体精度能够达到84%，但是该方法得到的每一类别的点云数目都远小于本文算法，而且由图5d 的分类结果图可以看出，在未识别类别中含有大量的道路点，所以导致分类总体精度降低。综上所述，本文提出的基于融合数据的点云多特征分类方法，能够集成高分辨率航空影像和机载LiDAR 点云的优点，提取出精度较大且完整的地物类别。
a 融合后点云滤波效果
b 融合数据分类叠加结果
c 基于影像的SVM 分类结果
d 单纯利用点云的分类结果
图5 基于不同数据源的地物分类结果示例
·75·第16卷第6期
5 结 语
针对由于地物的复杂性和类别多样性，单纯利用点云数据进行精确的地物分类与识别等处理存在很大难度的问题，本文从融合影像光谱信息的角度出发，根据应用目的及地物分类需求进行数据融合，针对分类的主要地物设定相应的分类规则，建立分类类别和分类特征之间的对应关系，达到提高城区地物分类精度的同时，减少分类任务的复杂度。实验表明，本文的融合影像信息的激光点云多特征分类结果远好于单种数据源分类结果，通过建立每一项特征与各待分类别之间的关系，选择关联性强且区分度大的特征组成特征向量，然后进行聚类，可以最大程度提取完整的4大类地物（建筑物、树木、草地和道路）。结合影像的光谱信息和点云的离散度信息，建筑物周围的高植被和草地也能被最大程度地识别；对于地面点集部分，裸地和草地通过光谱特征有效地被区分。但是仍然存在深入研究的方面，还需要在今后的研究中更深入挖掘LiDAR点云自身以及其他数据源的特征，例如点云的全波形信息，影像的形状特征等；更需要深入探讨如何将机器学习理论运用到地物分类过程，以提高分类器的稳定性，获取更高、更精细的分类结果。
参考文献
[1] 陈松尧, 程新文. 机载 LiDAR 系统原理及应用综述 [J]. 测绘
工程,2007,16(1): 27-31
[2] Awrangjeb M, Ravanbakhsh M, Fraser C S. Automatic
Detection of Residential Buildings Using LiDAR Data and Multispectral Imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(5):457-467
[3] Mastin A, Kepner J, Fisher J. Automatic Registration of LiDAR
and Optical Images of Urban Scenes[C].Computer Vision and Pattern Recognition, 2009. CVPR 2009. IEEE Conference on.
IEEE, 2009: 2 639-2 646
[4] 艾泽天. LiDAR 辅助遥感影像建筑物分类识别和提取研究
[D].河南：河南理工大学,2011
[5] 陈磊. 基于机载 LiDAR 和高分辨率遥感影像的城区建筑物
提取研究 [D].江苏：南京大学,2011
[6] 董保根. 机载LiDAR点云与遥感影像融合的地物分类技术
研究 [D].河南：解放军信息工程大学, 2013
[7] 龚亮, 李正国, 包全福. 融合航空影像的 LiDAR 地物点云
分类 [J]. 测绘工程,2012, 21(1): 34-38
[8] Charaniya A P, Manduchi R, Lodha S K. Supervised Parametric
Classification of Aerial Lidar Data[C].Computer Vision and Pattern Recognition Workshop, 2004. CVPRW'04. Conference on. IEEE,2004: 30-30
[9] 苏伟, 李京, 浩, 等. 基于多尺度影像分割的面向对象
城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例 [J]. 遥感学报, 2007,11(4): 521-530
[10] 杨耘, 隋立春. 面向对象的LiDAR数据多特征融合分类[J].
测绘通报, 2010(8):11-14
[11] Rottensteiner F, Clode S. Building and Road Extraction by
LiDAR and Imagery [J]. Topographic Laser Ranging and Scanning: Principles and Processing, 2008, 445-478
[12] Maas H G, Vosselman G.Two Algorithms for Extracting Building
Models from Raw Laser Altimetry Data[J]. ISPRS Journal of photogrammetry and Remote Sensing, 1999, 54(2): 153-163 [13] 管海燕, 邓非, 张剑清, 等. 面向对象的航空影像与 LiDAR
数据融合分类[J]. 武汉大学学报 ：信息科学版, 2009, 34(7): 830-833
[14] Maas H G, Vosselman G. Two Algorithms for Extracting Building
Models from Raw Laser Altimetry Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1999, 54(2): 153-163 [15] Elberink S O, Maas H G. The Use of Anisotropic Height
Texture Measures for the Segmentation of Airborne Laser Scanner Data[J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33(B3/2; PART 3): 678-684
[16] Alonso M, Malpica J. Classification of Multispectral High-
resolution Satellite Imagery Using LiDAR Elevation Data[J].
Advances in Visual Computing, 2008,4(2): 85-94
作者简介：叶刚 ，高级工程师，主要从事工程测量、地理空间信息数据处理等方面工作。
（上接第66页）
[6] 刘鹏，赵羲，史宜南. ArcGIS Server平台下地图瓦片存储关
键技术研究[J].地理空间信息,2014(5):89-91
[7] 李锋，明镜，王昌翰.移动终端离线电子地图应用框架研究[J].
测绘科学,2013(6):129-131
[8] 刘义，陈荦，景宁，等.利用MapReduce进行批量遥感影像瓦
片金字塔构建[J].武汉大学学报：信息科学版,2013(3):278-282 [9] 夏英，杨选伦.云环境中基于金字塔模型的影像数据存储方
法[J]. 重庆邮电大学学报：自然科学版,2012(6):669-674 [10] 刘晰，张轶，杨军，等.利用并行技术的海量数据瓦片快速
构建[J]. 测绘科学,2016(1):144-151
[11] 彭艳.基于嵌入式数据库SQLite的智能导游系统[J].计算机
系统应用,2011(4):254-256
[12] 廖顺和，乐嘉锦. 嵌入式数据库SQLite加密方法分析与研究[J].
计算机应用与软件,2008(10):70-72
[13] 李硕. 基于HCE的移动支付系统研究与设计[D].南京：东
南大学,2016
第一作者简介： 杨选伦，硕士，工程师，主要从事移动GIS应用和地理空间搜索等方面的研究。
叶 刚：融合影像信息的LiDAR点云多特征分类方法
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议