基于激光点云图模型的云分割方法及设备技术

本发明专利技术提供了一种基于激光点云图模型的云分割方法及设备，该方法包括：提取激光点云中各个点之间的关联特征；根据激光点云中各个点之间的关联特征为激光点云构建图模型；根据图模型为激光点云中缺失颜色特征的点进行特征补充；基于特征补充后的激光点云进行点云分割。本发明专利技术不仅避免了不同类别的相近点对彼此识别分割的干扰，还能为点云中的每个点提供额外的信息，进而克服缺失点云颜色信息为云分割带来的阻碍，实现更好的点云分割效果。实现更好的点云分割效果。实现更好的点云分割效果。

【技术实现步骤摘要】
基于激光点云图模型的云分割方法及设备


[0001]本专利技术涉及激光点云处理
，尤其涉及一种基于激光点云图模型的云分割方法及设备。

技术介绍

[0002]为了准确获得对外界场景的理解，许多技术被应用到激光点云这个邻域，其中机载激光雷达（Airborne Lidar，简称 ALR）由于其探测范围广，无时间地形限制，多回波特性等特点，是现在最主流的广域场景理解手段之一。通过结合由机载激光雷达获得的点云数据和一起采集的光学影像数据，可以得到某个广域区域较为全面的地形地貌特征，从而实现对于该区域的场景理解。
[0003]由于在使用 ALR 采集激光点云时，由于激光点云本身的分布不规律，密度差距大以及噪声的影响，采集到的激光点云数据通常十分复杂。在实际工程中，这些数据会由专业的测绘工程师来抽取特征，但是在探测范围大、数据多的时候，人工数据特征抽取耗费的成本将大幅增加。现有的 ALR 点云语义分割的方法主要分为四类：基于边的语义分割方法，基于区域增长的语义分割方法，基于参数的语义分割方法以及基于深度学习的语义分割方法。其中，基于边的语义分割方法分割精度并不理想；基于区域增长的语义分割方法受限于种子点的选取；基于参数的语义分割方法依赖于人根据对场景的预先理解所设计的特征；而深度学习的语义分割方法的瓶颈在于对训练的数据量和时间有着较高的要求。在现有的激光点云分割方法中，大都依赖于点与点之间的物理位置关系，但是这种物理位置关系很容易被干扰。例如，虽然有些建筑物激光点与其临近的植被激光点距离很近，但是他们所属类别，所具有的特性都不尽相同，直接将两者联系起来会干扰分割的效果。
[0004]此外，通过对由 ALR 采集的点云数据和光学遥感影像中的颜色数据进行数据融合，可以得到某个广域区域较为全面的地形地貌特征，从而实现对于该区域的场景理解。但是由于光学遥感影像无法穿透植被的遮挡，导致点云中采集到的植被下方的数据点无法获取光学遥感影像中的颜色数据，这一现象导致了缺失数据问题，即部分点云中的点无法获取到颜色信息，为点云数据与影像数据的数据融合带来了挑战。

技术实现思路

[0005]本专利技术提出了一种基于激光点云图模型的云分割方法及设备，能够解决现有云分割技术中不同类别的相近点对彼此识别分割的干扰问题，以及由于缺失点云颜色信息为云分割带来的阻碍问题。
[0006]本专利技术的一个方面，提供了一种基于激光点云图模型的云分割方法，所述方法包括：提取激光点云中各个点之间的关联特征；根据激光点云中各个点之间的关联特征为激光点云构建图模型；根据图模型为激光点云中缺失颜色特征的点进行特征补充；
基于特征补充后的激光点云进行点云分割。
[0007]进一步地，提取激光点云中各个点之间的关联特征包括：为激光点云中的每个具有颜色属性的点赋予特征参数；计算任意两个点的特征参数差值；根据任意两个点的特征参数差值采用预设的映射矩阵计算所述两个点之间的距离，计算公式如下：其中，表示点和点在新的度量空间所计算得到的距离，表示点和点在原来的特征空间中的特征参数差值，表示映射矩阵W的转置。
[0008]进一步地，所述特征参数包括点在空间中的x、y、z坐标信息，r、g、b颜色信息，以及反射强度信息。
[0009]进一步地，所述方法还包括：构建映射矩阵，所述映射矩阵的尺度根据每个点的特征参数的个数确定；构建损失函数，以通过学习增加不同类别点之间的距离，减少相同类别点之间的距离，损失函数如下：，其中，n表示激光点云中点的个数，表示点和点类别是否相同，相同则为1，否则1。
[0010]进一步地，所述根据激光点云中各个点之间的关联特征为激光点云构建图模型，包括：为激光点云中每个点选取邻接点，建立每个点与其邻接点之间的连边；根据任意两个点之间的距离确定两点间连边的权重，得到激光点云图模型。
[0011]进一步地，为激光点云中每个点选取邻接点，包括：为激光点云中每个点筛选对应的目标点集，目标点集中包括激光点云中与当前点之间的距离小于预设距离阈值的点；将目标点集中的点作为对应点的邻接点。
[0012]进一步地，根据任意两个点之间的距离确定两点间连边的权重还包括：对任意两点间连边的权重进行正则化。
[0013]进一步地，根据图模型为激光点云中缺失颜色特征的点进行特征补充，包括：对图模型中的具有颜色特征的点进行特征参数提取；对图模型中的不具有颜色特征的点使用与当前点相邻的具有颜色信息的点的特征参数为当前点进行特征补充。
[0014]进一步地，对图模型中的不具有颜色特征的点使用与当前点相邻的具有颜色信息的点的特征参数为当前点进行特征补充，包括：采用特征聚合网络使用与当前点相邻的具有颜色信息的点的特征矩阵为当前点进行特征补充，公式如下：
其中，Z为聚合后得到颜色特征的点的特征矩阵，D为包含节点的边度数的对角矩阵，A为邻接矩阵，X为有颜色特征的点的特征矩阵，P为预设聚合参数。
[0015]进一步地，所述方法还包括：对图模型中的特征补充后的点采用与之相邻的特征补充后的点的特征参数进行特征优化，公式如下：其中，为特征优化后的颜色缺失的点的特征矩阵。
[0016]此外，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述方法的步骤。
[0017]此外，本专利技术还提供了一种基于激光点云图模型的云分割设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
[0018]本专利技术实施例提供的基于激光点云图模型的云分割方法及设备，根据激光点云中各个点之间的关联特征，将每个激光点和与其关联密切的激光点连接起来构建图模型，不仅避免了不同类别的相近点对彼此识别分割的干扰，还能为点云中的每个点提供额外的信息，进而克服缺失点云颜色信息为云分割带来的阻碍，实现更好的点云分割效果。
[0019]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0020]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1为本专利技术实施例提供的一种基于激光点云图模型的云分割方法的流程示意图；图2为本专利技术实施例提供的一种基于激光点云图模型的云分割方法中步骤S01的具体流程示意图；图3为本专利技术实施例提供的一种基于激光点云图模型的云分割方法中步骤S02的具体流程示意图；图4为本专利技术实施例提供的一种基于激光点云图模型的云分割方法中步骤S03的具体流程示意图。
具体实施方式
[0021]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于激光点云图模型的云分割方法，其特征在于，所述方法包括：提取激光点云中各个点之间的关联特征；根据激光点云中各个点之间的关联特征为激光点云构建图模型；根据图模型为激光点云中缺失颜色特征的点进行特征补充；基于特征补充后的激光点云进行点云分割。2.根据权利要求1所述的方法，其特征在于，所述提取激光点云中各个点之间的关联特征包括：为激光点云中的每个具有颜色属性的点赋予特征参数；计算任意两个点的特征参数差值；根据任意两个点的特征参数差值采用预设的映射矩阵计算所述两个点之间的距离，计算公式如下：其中，表示点和点在新的度量空间所计算得到的距离，表示点和点在原来的特征空间中的特征参数差值，表示映射矩阵W的转置。3.根据权利要求2所述的方法，其特征在于，所述特征参数包括点在空间中的x、y、z坐标信息，r、g、b颜色信息，以及反射强度信息。4.根据权利要求2所述的方法，其特征在于，所述方法还包括：构建映射矩阵，所述映射矩阵的尺度根据每个点的特征参数的个数确定；构建损失函数，以通过学习增加不同类别点之间的距离，减少相同类别点之间的距离，损失函数如下：，其中，n表示激光点云中点的个数，表示点和点类别是否相同，相同则为1，否则1。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述根据激光点云中各个点之间的关联特征为激光点云构建图模型，包括：为激光点云中每个点选取邻接点，建立每个点与其邻接点之间的连边；根据任意两个点之间的距离确定两点间连边的权重，得到激光点云图模型。6.根据权利要求5所述的方法，其特征在于，所述为激光点云中每个点选取邻接点，包括：为激光点云中每个点筛选对应的目标点集，目标点集中包括激光点云中与当前点之间...

【专利技术属性】
技术研发人员：陈欢欢，卢奕，黄不了，汪勇，朱云慧，黄恩兴，江贻芳，于娜，高健，李建平，王力，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：