一种基于机器学习的激光点云室外场景自动分割方法技术

本发明专利技术涉及一种基于机器学习的激光点云室外场景自动分割方法，包括：将数据库中每一类体素数据按大致相同的比例提取出来并存储至训练集和验证集并将所有数据压缩；再将压缩后的训练数据集和验证集导入三维卷积神经网络中进行运算，从而提取各类地物的特征向量；通过每一类地物的特征向量与实际值之间代价函数来反馈调节深度神经网络的权重值，反复迭代直到代价函数小于设定阈值为止，然后可以得到一个存储着最优权重值的模型；然后利用空间信息和深度信息使用邻域算法做优化处理，这样既可以将去掉的体素点也做好分类，又能优化之前粗分类结果，从而实现细分类，并大大提高了场景分割的准确性和效率。

An Automatic Segmentation Method for Outdoor Scene of Laser Point Cloud Based on Machine Learning

【技术实现步骤摘要】
一种基于机器学习的激光点云室外场景自动分割方法
本专利技术涉及人工智能识别
，尤其涉及一种基于机器学习的激光点云室外场景自动分割方法。
技术介绍
激光雷达是一种非接触主动式快速获取物体表面三维密集点云的技术,可以直接获取具有三维坐标和回波次数等信息的海量、不规则空间分布的三维点云,而且受天气影响小,目前在全球变化、智慧城市、资源调查、环境监测、基础测绘等领域发挥着重要的作用。但是目前在实际生产中，由于地形变化的复杂性、地物的多样性以及点的密度不均匀性，点云物体场景重建都是人工或半自动方式完成，需要大量的人工通过摸索来设置软件相关参数，处理结果很不稳定，质量与数据处理人员的经验有很大关系。因此，发展高效、准确、自动化程度高的机载激光雷达点云场景分割是非常有必要的。
技术实现思路
本专利技术实施例通过提供一种基于机器学习的激光点云室外场景自动分割方法，解决了现有技术中室外的点云场景重建领域存在识别效率低、识别精度不高、无法全自动化的技术问题。为了解决上述技术问题，本专利技术实施例提供了一种基于机器学习的激光点云室外场景自动分割方法，包括如下内容：A.将数据库中每一类体素数据按大致相同的比例提取出来并存储至训练集和验证集并将所有数据压缩；B.将压缩后的训练数据集和验证集导入三维卷积神经网络中进行运算，从而提取各类地物的特征向量；C.通过每一类地物的特征向量与实际值之间代价函数反馈调节神经网络的权重值，反复迭代直到代价函数小于设定阈值，得到最优权重值的模型；D.测试时，先将小于点数阈值的体素去掉，同时把大于体素点数阈值的体素数据进行压缩，使用之前训练好的最优模型进行计算，完成粗分类；E.利用空间信息和深度信息使用邻域算法做优化处理，将去掉的体素点也做好分类并优化之前粗分类结果，从而实现细分类；F.将分类好数据，按点进行可视化，不同类别用不同颜色渲染，完成室外场景分割。采用本专利技术中的一个或者多个技术方案，具有如下有益效果：1、由于采用深度三维卷积神经网络对数据库中的体素样本进行运算，从而提取出每一地物的特征向量，然后，对每一类地物的特征向量与实际值计算代价函数，当代价大于阈值时，反馈调节深度卷积神经网络中各个卷积核的权重，反复多次迭代之后，当代价函数小于阈值时，获得包含多个特征向量的最优识别模型；然后在测试时使用邻域算法进行优化，这样既大大的提高了识别精度和效率，又实现了全自动化分类。2、由于在将体素样本导入深度卷积神经网络中进行运算时，对多个体素样本压缩打包成一个文件，能够提高读取速度并节约内存。3.在邻域算法中利用深度信息以及相邻立方体信息来判定、分类，运算速度大大快于传统KNN算法。附图说明图1为本专利技术实施例中基于机器学习的激光点云室外场景自动分割方法流程示意图；图2为本专利技术实施例中在三维卷积神经网络的中进行运算的流程图；图3为本专利技术实施例中使用邻域算法进行优化的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术是模拟人脑思维方式，因为人的视觉系统的信息处理是分级的，大脑的工作过程是一个不断迭代、不断抽象概念化的过程，例如，从原始信号摄入开始，接着做初步处理，然后抽象，然后进一步抽象，最后判定识别，也就是说高层的特征是低层特征的组合，从低层到高层的特征表达越来越抽象和概念化，即越来越能表现语义或者意图。深度学习其实很早就已经提出来了，但是由于硬件设施的局限性，一直没能实现，随着科技水平的不断发展，如今越来越多研究深度学习，深度学习是机器学习的一个分支，并可以做到与其他方法精度差不多的情况下，免去人工选取过程，实现自动化。另外再加上一些传统机器学习的方法提高自动化场景分割效率。在训练的过程中，当神经网络的层数在6、7层时，所训练出的模型正确率不太理想，当层数等8层时正确率有了一个明显的提高。但是一旦超过9层，精度没有明显变化，但是明显的随着层数增加，运算速度会慢很多，在使用我们构建的数据集(5种地物类型，近8万体素样本)进行训练和测试时，线和塔的正确率达到90％左右，其他类能达到75％。另外，我们在测试中设定了一个阈值，该阈值是对应的一个体素内点的个数总和，若小于阈值，我们则将该体素暂时去掉，因为点数过少也就是特征信息过少，很容易出现误识别，故我们只将大于阈值的体素进行数据压缩，然后导入之前训练好的模型进行一个粗分类；然后使用邻域算法进行优化，包括：纠正之前粗分类中识别错误的点，以及将之前去掉的体素里的点进行分类，这样算是完成了一个细分类。在细分类完成后，我们的精度有了明显提高，线和塔的精度已经达到了95％以上，其他类也在85％左右。与此同时，我们使用的邻域算法是基于体素的，也就是说以一个体素为单位进行计算，体素内包含很多个点，而传统的knn算法是以点为单位计算的，所以说本专利技术在保证精度的前提下，运算速度也是比较可观的。本专利技术实施例通过提供一种基于机器学习的激光点云室外场景自动分割方法，解决了现有技术中室外的点云场景重建领域存在识别效率低、识别精度不高、无法全自动化的技术问题。为了解决上述技术问题，本专利技术实施例提供了一种基于机器学习的激光点云室外场景自动分割方法，包括如下内容：A.将数据库中每一类体素数据按大致相同的比例提取出来并存储至训练集和验证集并将所有数据压缩；B.将压缩后的训练数据集和验证集导入三维卷积神经网络中进行运算，从而提取各类地物的特征向量；C.通过每一类地物的特征向量与实际值之间代价函数反馈调节神经网络的权重值，反复迭代直到代价函数小于设定阈值，得到最优权重值的模型；D.测试时，先将小于点数阈值的体素去掉，同时把大于体素点数阈值的体素数据进行压缩，使用之前训练好的最优模型进行计算，完成粗分类；E.利用空间信息和深度信息使用邻域算法做优化处理，将去掉的体素点也做好分类并优化之前粗分类结果，从而实现细分类；F.将分类好数据，按点进行可视化，不同类别用不同颜色渲染，完成室外场景分割。在具体实施方式中，首先是A步骤，将数据库中每一类体素数据按大致相同的比例提取出来并存储至训练集和验证集并将所有数据压缩。具体的，将提取出来的各类地物的体素样本，大部分做训练集，小部分做验证集。然后，将训练集和验证集分别压缩成一个文件，支持多进程读取，提高了读取速度、训练速度、以及减少了内存消耗。接着，执行B步骤，将压缩后的训练数据集和验证集导入三维深度神经网络中进行运算，从而提取各类地物的特征向量。如图2所示为在三维卷积神经网络的中进行运算的流程图。具体来说，先将训练集和验证集的压缩文件导入三维卷积神经网络的第一层卷积层(conv1)中，第一层输入是1个通道且体素分辨率是30*30*30大小，卷积核之间实现权值共享机制，大小为7*7*7，步长为1，并且使用边缘补零操作，这里需要在每条边外都补充3个长度的零值，这样可以保证体素中的每一维都能包括在卷积运算内，从而信息不会损失，输出是20通道的特征图。将偏置值和卷积过后的结果执行加法运算。然后，使用ReLU函数作为激活函数对数据做归一化本文档来自技高网...

【技术保护点】
1.一种基于机器学习的激光点云室外场景自动分割方法，其特征在于，包括如下内容：A.将数据库中每一类体素数据按相同的比例提取出来并存储至训练集和验证集并将所有数据压缩；B.将压缩后的训练数据集和验证集导入三维卷积神经网络中进行运算，从而提取各类地物的特征向量；C.通过每一类地物的特征向量与实际值之间代价函数反馈调节神经网络的权重值，反复迭代直到代价函数小于设定阈值，得到最优权重值的模型；D.测试时，先将小于点数阈值的体素去掉，同时把大于体素点数阈值的体素数据进行压缩，使用之前训练好的最优模型进行计算，完成粗分类；E.利用空间信息和深度信息使用邻域算法做优化处理，将去掉的体素点也做好分类并优化之前粗分类结果，从而实现细分类；F.将分类好数据，按点进行可视化，不同类别用不同颜色渲染，完成室外场景分割。

【技术特征摘要】
1.一种基于机器学习的激光点云室外场景自动分割方法，其特征在于，包括如下内容：A.将数据库中每一类体素数据按相同的比例提取出来并存储至训练集和验证集并将所有数据压缩；B.将压缩后的训练数据集和验证集导入三维卷积神经网络中进行运算，从而提取各类地物的特征向量；C.通过每一类地物的特征向量与实际值之间代价函数反馈调节神经网络的权重值，反复迭代直到代价函数小于设定阈值，得到最优权重值的模型；D.测试时，先将小于点数阈值的体素去掉，同时把大于体素点数阈值的体素数据进行压缩，使用之前训练好的最优模型进行计算，完成粗分类；E.利用空间信息和深度信息使用邻域算法做优化处理，将去掉的体素点也做好分类并优化之前粗分类结果，从而实现细分类；F.将分类好数据，按点进行可视化，不同类别用不同颜色渲染，完成室外场景分割。2.根据权利要求1所述的基于机器学习的激光点云室外场景自动分割方法，其特征在于，所述将数据库中针对同一种类地物的多个体素样本划分并存储至训练集合验证集，保证各类体素样本数大致相同，并将其压缩统一的格式，具体为：将数据库中针对同一种类地物的占据多数比例的体素样本存储至训练集，将占据少数比例的体素样本存储至验证集，将所有训练集和验证集体素样本各自压缩打包成一个文件。3.根据权利要求1所述的基于机器学习的激光点云室外场景自动分割方法，其特征在于，将所压缩后数据集导入深度三维卷积神经网络中进行运算，从而提取每种地物的特征向量，具体为：将所压缩的训练集和测试集导入三维深度卷积神经网络中的八层网络中进行运算，包括:卷积、池化、全连接、ReLU等。从而提取每一种类地物的特征向量。4.根据权利要求3所述的基于机器学习的激光点云室外场景自动分割方法，其特征在于，将所压缩后数据集导入八层的深度卷积神经网络中进行运算，从而提取每种地物的特征向量，具体包括：将压缩后的文件数据集直接导入深度卷积神经网络的第一层卷积层中；第2层是池化层，使用最大值池化法，为了降维，提高运算速度。在前3层卷积层中依次进行SAME卷积运算、加法运算、激活函数处理后，进入第4层池化层；在第4层池化操作与第2层类似，然后将池化后的结果输入到第5层中；第5层卷积层其实也是与类似，只不过减小卷积核的长宽；第6层池化和第2、4层都是设置一样参数；池化结果作为后面全连接层的输入；在第7，8层全连接层中依次进行乘法运算、加法运算、向量拉直、激活函数处理soft...

【专利技术属性】
技术研发人员：邓建华，申睿涵，孙一鸣，周群芳，何子远，钱璨，王韬，王云，邓力恺，杨远望，游长江，管庆，于永斌，张开元，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51