基于k近邻特征提取和深度学习的宅基地点云分类方法技术

本发明专利技术公开了一种基于k近邻特征提取和深度学习的宅基地点云分类方法，包括：S1，采集数据集，数据集包括数量在预设值以上的宅基地点云，通过统计学方法进行点云去噪，并将数据集划分为训练集和测试集；S2，对点云进行分类，获得带标签的点云数据；S3，使用最远点采样对点云进行下采样，降低点云密度；S4，基于香浓熵原理计算点云的最优邻域范围，根据最优邻域范围，逐点计算局部特征，通过反距离插值上采样后构建整个点云的特征矩阵；S5，构建全卷积神经网络训练模型，并使用训练集的特征矩阵进行训练；S6，使用神经网络对测试集中的数据进行预测，对训练模型进行验证。本发明专利技术的方法可以提高宅基地确权效率。

【技术实现步骤摘要】
基于k近邻特征提取和深度学习的宅基地点云分类方法技术邻域本专利技术涉及计算机视觉技术邻域，尤其涉及一种基于k近邻特征提取和深度学习的宅基地点云分类方法。
技术介绍
随着我国农村经济的不断发展，为维护农民合法权益，国家正加速推进农村宅基地和不动产确权登记工作。宅基地的传统测量方法通常采用GPS-RTK结合全站仪的实地测量方法。该方法不仅耗费大量的人力物理，而且测量效率低、成本高和周期长。近年来，激光雷达系统(LiDAR)作为新兴的获取高时空分辨率空间信息的观测手段，已广泛应用于地理信息获取，电力线巡检，森林监测，道路检测，无人驾驶以及城市三维建模等邻域。机载LiDAR技术结合高精度GPS-RTK定位技术和高精度的测距技术获取测量场景的三维信息，以点云的形式进行表征。传统的点云滤波和分类技术在大场景的应用下，往往精度较低，且计算效率低。导致该结果的原因包括：1)由于复杂环境下，大场景的点云往往存在大量的噪声点，传统的分类算法对噪声点较为敏感，容易出现误识别的情况；2)由于点云采样时存在点云密度分布不均，点云存在局部区域高冗余和局部区域信息缺失的问题，传统的分类算本文档来自技高网...

【技术保护点】
1.一种基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，所述方法包括：/nS1，采集数据集，数据集包括数量在预设值以上的宅基地点云，通过统计学方法进行点云去噪，并将数据集划分为训练集和测试集；/nS2，对点云进行分类，获得带标签的点云数据；/nS3，使用最远点采样对点云进行下采样，降低点云密度；/nS4，基于香浓熵原理计算点云的最优邻域范围，根据最优邻域范围，逐点计算局部特征，通过反距离插值上采样后构建整个点云的特征矩阵；/nS5，构建全卷积神经网络训练模型，并使用训练集的特征矩阵进行训练；/nS6，使用神经网络对测试集中的数据进行预测，对训练模型进行验证。/n

【技术特征摘要】
1.一种基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，所述方法包括：
S1，采集数据集，数据集包括数量在预设值以上的宅基地点云，通过统计学方法进行点云去噪，并将数据集划分为训练集和测试集；
S2，对点云进行分类，获得带标签的点云数据；
S3，使用最远点采样对点云进行下采样，降低点云密度；
S4，基于香浓熵原理计算点云的最优邻域范围，根据最优邻域范围，逐点计算局部特征，通过反距离插值上采样后构建整个点云的特征矩阵；
S5，构建全卷积神经网络训练模型，并使用训练集的特征矩阵进行训练；
S6，使用神经网络对测试集中的数据进行预测，对训练模型进行验证。


2.根据权利要求1所述的基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，步骤S1进一步包括：
S101，利用无人机搭载激光雷达扫描待测量区域，通过点云解算获得las文件；
S102，在TerraSolid上将采集的点云进行分割，获得预设尺寸的点云块，按比例分出训练集和测试集；
S103，对每一块点云进行统计学滤波。


3.根据权利要求2所述的基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，步骤S2进一步包括：
S201，提取低点，低点为比实际地面低的错误点；
S202，提取地面点；
S203，提取植被点和建筑物点；
S204，针对错误分类的点，进行人工修正。


4.根据权利要求3所述的基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，步骤S3进一步包括：
假设一共有n个点，整个点集为N＝{X1,X2,...,Xn}目标是选取K个点；
S301，随机选取一个点Xi作为起始点，并写入点集B＝{Xi}；
S302，选取剩下的n-1个点计算和Xi点的距离,选择最远点Xj写入点集B＝{Xi,Xj}；
S303，选取剩下的n-2个点计算和点集B中每个点的距离，将最短的距离作为该点到点集的距离，这样得到n-2个点到点集的距离，选取距离最大的点Xk，写入点集B＝{Xi,Xj,Xk}；
S304，重复上述步骤逐一选取剩下的点，选择距离最远点写入点集B直至点集B中的点数等于k，结束迭代。


5.根据权利要求4所述的基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，步骤S4进一步包括：
S401，利用快速最近邻算法逐点计算前k个最近邻点；
S402，利用基于最小化香浓熵算法对邻域大小进行优化求解；
S403，计算点云的局部特征，构建特征矩阵，局部特征包括三维特征和二维特征；
S404，选用基于k邻域的反距离插值算法对点云特征进行差值，计算公式如下：









其中，p为加权幂指数，d(x,xi)为该点和中心点的距离。


6.根据权利要求5所述的基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，步骤S402进一步包括：
在[kmin,kmax]范围内以Δ＝5的间隔计算协方差矩阵；
设m为样本总数，即该邻域内点云总数，每个点以三维向量进行表示，则样本矩阵为：



求每一维度的样本均值，即该邻域的质心点：



计算该邻域的三维协方差矩阵：



其中wi为点pi的权重；
通...

【专利技术属性】
技术研发人员：王怀採，李修庆，李庆红，赵健康，赖鸣，徐静冉，崔超，
申请(专利权)人：湖南盛鼎科技发展有限责任公司，
类型：发明
国别省市：湖南;43