一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法技术

本发明专利技术公开了一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法，包括，标注原始点云，并对标注后的原始点云进行降采，获得预测点云；将预测点云输入至预分割网络，进行屋顶预分割，获得预分割点云；将原始点云与预分割点云对齐，获得还原点云；通过RANSAC算法对还原点云中带有语义信息的屋顶部分进行分割，获得屋顶点云；将非屋顶点云与屋顶点云进行合并，获得建筑物点云，完成建筑物屋顶平面分割；本发明专利技术能够处理建筑整体点云，同时将人工语义标注工作从标注屋顶的各个平面简化到标注建筑屋顶部分，保证分割精度的同时，很大程度上减少整体运算时间。程度上减少整体运算时间。程度上减少整体运算时间。

【技术实现步骤摘要】
一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法


[0001]本专利技术涉及屋顶平面分割的
，尤其涉及一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法。

技术介绍

[0002]随着建筑科学技术的发展，出现了许多新型的屋顶结构形式，更需要一个科学现代的管理手段和技术，管理、设计更加艺术，更加美感的建筑屋顶进行全生命周期的有效管理和设计，人们就开始引进人工智能中机器视觉技术，采用网络深度学习的技术对小面积车牌的智能方面的应用研究较成熟，但是到目前为止，其机器视觉技术例如采用激光雷达摄取装置获得的场景三维点云，网络深度学习的表现为过拟合和欠拟合，其网络正则和数据增强能力不强，其网络深度学习泛化能力严重不足，其实现技术系统的鲁棒性欠佳，严重制约了例如大场景大面积建筑屋顶三维重建过程的实现。
[0003]三维点云的处理包括三维点云处理技术包括采样，滤波，配准，分割，重建，分类等部分。点云分割原理是依据点云区域的属性特征将点云数据分割成若干个互不相交的子集。点云分割是建筑物三维重建过程不可或缺的关键步骤，其中对屋顶的平面分割是其中一个尤为重要的步骤，特别在现代城市的发展建造了大量具有多面片、多层次的复杂结构建筑物，其点云分布散乱且存在噪声，对复杂的建筑物屋顶进行精细化分割是一个重要任务。
[0004]自从2015年，ResNet将ImageNet图像分类错误率降低到4％，低于人工识别的5％，深度学习在机器视觉领域的应用越来越普遍。近年来，大批的点云分割网络涌现，而PointNet不同于将点云数据投影到二维平面或将点云数据划分到有空间依赖关系的体素的其他算法，PointNet网络无需将数据处理成规则的3D体素形式进行处理，输入点云顺序对于网络的输出结果没有影响，同时也可以处理旋转平移后的点云数据。但是，仅利用深度学习网络将各个屋顶均进行实例分割需要大量的时间和硬件成本，需要提供数据量极大的数据集供其学习，算法复杂度较高，而且利用PointNet语义分割屋顶平面存在数据集准备工作量大，无法进行实例分割的问题。
[0005]随机采样一致性估计算法(RANSAC)可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。它是一种不确定的算法，它有一定的概率得出一个合理的结果；为了提高概率必须提高迭代次数，并且必须小心的选择算法的参数。具有分割精度高，速度快的特点，即使是处理大型点云场景时效率也较高。但是仅利用RANSAC算法进行平面分割同样存在实际问题，即分割完成后的平面缺少语义信息，特别在目前建筑物屋顶结构复杂且需要将各类屋顶进行精细分割时，仅利用RANSAC算法会增加大量后期添加语义标注的工作。

技术实现思路

[0006]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施
例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0007]鉴于上述现有存在的问题，提出了本专利技术。
[0008]因此，本专利技术提供了一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法，能够解决传统方法在屋顶平面分割任务中，需要手动调参，无法区分平面类别导致的分割不精准，无法自动工作等必要问题。
[0009]为解决上述技术问题，本专利技术提供如下技术方案：包括，标注原始点云，并对标注后的原始点云进行降采，获得预测点云；将所述预测点云输入至预分割网络，进行屋顶预分割，获得预分割点云；将所述原始点云与所述预分割点云对齐，并添加语义信息，获得还原点云；通过RANSAC算法对还原点云中带有语义信息的屋顶部分进行分割，获得屋顶点云；将非屋顶点云与所述屋顶点云进行合并，获得建筑物点云，完成建筑物屋顶平面分割。
[0010]作为本专利技术所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的一种优选方案，其中：标注所述原始点云包括，利用点云标注工具对原始点云分别标注为void和roof，并在标注效果中用白色表示void类别，用紫色表示roof类别。
[0011]作为本专利技术所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的一种优选方案，其中：所述降采包括，设置初始体素；迭代增加体素和随机删除标注后的原始点云的点，当点云数量小于目标点云数量的1.2倍时，停止迭代；获得6000
×
3点的预测点云。
[0012]作为本专利技术所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的一种优选方案，其中：所述预分割网络包括特征提取子网络和分割子网络；所述特征提取子网络由多个MLP层构成，从3维的原始点云中提取高维特征，其中，分别提取64维，两个128维，512维和2048维特征；通过MaxPool层提取全局特征提取，并通过两个MLP层将全局特征进行降维；利用所述分割子网络将特征提取子网络提取的多个局部特征和降维的全局特征进行融合，获得一个n
×
3008的特征网络；通过多个MLP层将特征网络的高维特征降维到64维，并通过激活函数为Sigmoid的MLP层对点云的每一个点做二分类预测，输出一个n
×
1的分割结果。
[0013]作为本专利技术所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的一种优选方案，其中：还包括，特征提取子网络最后一层MLP层的维度为n
×
1，输出的是一组0、1标签，0代表不是屋顶，即空白，1代表是屋顶；其中，n是指输入到预分割网络的点云个数。
[0014]作为本专利技术所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的一种优选方案，其中：还包括，训练预分割网络的损失函数loss
′
为：
[0015][0016]其中，σ
loss
是损失的标准差，是损失的加权平均值。
[0017]作为本专利技术所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的一种优选方案，其中：其特征在于：还包括，将原始点云记作pc0，原始点云数量记为n，通过RANSAC算法对还原点云中带有语义信息的屋顶部分进行分割，获得屋顶点云pc
′
，数量为n
′
，此时将原始点云更新为pc＝pc0‑
pc
′
，点云数量更新为n＝n
‑
n
′
；若屋顶点云pc
′
的数量大于原始点云pc数量的5％，则继续通过RANSAC算法进行分割，否则结束分割。
[0018]作为本专利技术所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的一种优选方案，其中：所述添加语义信息包括，以预分割点云的每个点作为球心，并以预分割点云中两个点之间的距离的2倍为半径，建立球体；对球体内的所有点进行语义信息添加。
[0019]本专利技术的有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法，其特征在于：包括，标注原始点云，并对标注后的原始点云进行降采，获得预测点云；将所述预测点云输入至预分割网络，进行屋顶预分割，获得预分割点云；将所述原始点云与所述预分割点云对齐，并添加语义信息，获得还原点云；通过RANSAC算法对还原点云中带有语义信息的屋顶部分进行分割，获得屋顶点云；将非屋顶点云与所述屋顶点云进行合并，获得建筑物点云，完成建筑物屋顶平面分割。2.如权利要求1所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法，其特征在于：标注所述原始点云包括，利用点云标注工具对原始点云分别标注为void和roof，并在标注效果中用白色表示void类别，用紫色表示roof类别。3.如权利要求2所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法，其特征在于：所述降采包括，设置初始体素；迭代增加体素和随机删除标注后的原始点云的点，当点云数量小于目标点云数量的1.2倍时，停止迭代；获得6000
×
3点的预测点云。4.如权利要求1或2所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法，其特征在于：所述预分割网络包括特征提取子网络和分割子网络；所述特征提取子网络由多个MLP层构成，从3维的原始点云中提取高维特征，其中，分别提取64维，两个128维，512维和2048维特征；通过MaxPool层提取全局特征提取，并通过两个MLP层将全局特征进行降维；利用所述分割子网络将特征提取子网络提取的多个局部特征和降维的全局特征进行融合，获得一个n
×
3008的特征网络；通过多个MLP层将特征网络的高维特征降维到64维，并通过激活函数为...

【专利技术属性】
技术研发人员：陈辉，张傲，吴仁杰，杨宁，张传林，崔承刚，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：