1.一种基于主动学习的机载LiDAR点云滤波方法，其特征在于，包括以下步骤：S1，获取点云数据并进行低位噪声点剔除；

S2，采用多尺度形态学运算自动获取并标记训练样本集；

S3，对训练样本集进行特征提取并建立SVM模型；

S4，采用训练模型对候选样本集进行分类，分为候选地面点集和候选非地面点集，将神谕设置为候选点集至拟合曲面距离的S型函数，每次迭代分别从候选地面点集和候选非地面点集中各选取q个点加入训练样本集中并更新训练模型，一直迭代，直到候选地面点集和候选非地面点集中的点云个数均不再大于q为止，最后将最新训练模型的分类作为点云滤波结果；

S5，滤波优化；

其中，所述步骤S4具体包括：

将神谕设置为各待定点到拟合曲面距离的Sigmoid函数，公式表示如下：式中，p为待定点，Zp为该点的观测高程值， 为采用径向基函数进行曲面拟合，f(p)为点p到拟合曲面的距离；

k

然后按照主动学习算法流程，每次迭代分别从地面点集{G}中选出q个S(f)最小的点作k

为地面点，从地物点集{NG}中选出q个S(f)最大的点作为地物点，加入到训练样本集合；

更新训练模型，一直迭代直到地面点集和地物点集中点的个数不再大于q为止。

2.根据权利要求1所述的基于主动学习的机载LiDAR点云滤波方法，其特征在于，所述步骤S1具体包括以下步骤：

S11，将三维点云数据data(x,y,z)转换为二维栅格数据DSM(i,j)，保留转换映射关系R；

S12，对DSM(i,j)进行均值滤波得到 对比DSM(i,j)和 之间各个栅格特征值的变化量，将DSM(i,j)中变化量大于阈值栅格的特征值替换为均值滤波的结果，公式表示如下：

式中，abs(·)为取绝对值，T1为栅格特征值变化阈值；

S13，按照数据转换映射关系R对DSM(i,j)进行逆变换，得到S14，对比各个点的观测高程值z和滤波后的高程值 将差值大于阈值的点判定为噪声点并进行剔除。

3.根据权利要求2所述的基于主动学习的机载LiDAR点云滤波方法，其特征在于，所述步骤S2具体包括：

分别采用大窗口50×50和小窗口3×3进行形态学滤波，将大窗口形态学滤波结果中的地面点作为初始训练正样本，而将小窗口形态学滤波结果中的地物点作为初始训练负样本。

4.根据权利要求3所述的基于主动学习的机载LiDAR点云滤波方法，其特征在于，其特征在于，所述步骤S3包括：

将几何特征向量作为训练模型的输入值，几何特征向量由两部分组成，一部分是基于局部结构协方差张量计算得到，另一部分则基于点云的高程值计算得到，具体包括以下步骤：

遍历各个训练样本点，通过构建kd树找到各点的k个临近点集合Kn(p)；

利用这k个临近点集合计算各样本点的局部结构协方差张量：式中， 为临近点集合Kn(p)的中心点，公式计算如下：协方差Covp为正定矩阵，计算得到该矩阵的三个特征值λ0≥λ1≥λ2≥0，以及对应的特征向量e0、e1和e2，利用这三个特征值和三个特征向量分别计算得到：不变性、本征熵、各向异性、平面性、线性、点性、曲面变化性、垂直性，公式表示如下：各向异性：          (λ0‑λ2)/λ0                         (4)平面性：            (λ1‑λ2)/λ0                         (5)线性：              (λ0‑λ1)/λ0                         (6)点性：              λ2/λ0                              (7)曲面变化性：        λ2                                 (8)基于点云的高程值可以计算另一部分的特征向量，公式表示如下：高程变化幅度：      Zmax{Kn(p)}‑Zmin{Kn(p)}             (9)低点度：            Zp‑Zmin{Kn(p)}                     (10)高点度：            Zmax{Kn(p)}‑Zp                     (11)。

5.根据权利要求4所述的基于主动学习的机载LiDAR点云滤波方法，其特征在于，所述步骤S5具体包括以下步骤：

对滤波结果进行格网剖分；

获取各个格网内的最低点作为地面种子点；

利用这些地面种子点采用RBF函数对点云中的各个点(pi(xi,yi,zi))，i＝1,2,…,n进行高程差值拟合计算，获取各个点的拟合高程值根据拟合曲面计算获取各个点所对应的横纵方向的坡度变化值 依次遍历点云数据，将满足公式(13)的点判定为非地面点并进行移除；

式中，zi为各个点的观测值，为对应的拟合高程值，te为阈值常量，表示平均相邻地面点至拟合曲面的距离。