一种混杂场景机载激光点云分类的多粒度计算方法技术

本发明专利技术提出一种混杂场景机载激光点云分类的多粒度计算方法，包括步骤：以采样点为中心选取分类邻域点集和场景邻域点集；以无监督学习的方式训练点云全局特征提取模型，实现粗粒度的场景感知；采用基于注意力机制的特征融合策略，在点云语义分割模型中嵌入空间上下文信息，并定义兼顾离地高度和类别的多任务损失函数，对分类邻域点集中各点的类别和离地高度进行监督，实现较细粒度的点云语义分割及离地高度预测；通过基于图割优化的点云分割及地面不规则三角网的迭代吸附，实现精细粒度的地面分类结果精化。本发明专利技术将混杂场景点云的分类难题分解为三个相对单一问题的组合，有效降低了整个问题的复杂度，能够实现不同复杂场景点云的鲁棒、精细分类。精细分类。精细分类。

【技术实现步骤摘要】
一种混杂场景机载激光点云分类的多粒度计算方法


[0001]本专利技术属于激光扫描数据处理领域，具体涉及一种混杂场景机载激光点云分类的多粒度计算方法。

技术介绍

[0002]机载激光扫描(Airborne Laser Scanning，ALS)是大范围三维地理空间数据快速获取的一个重要手段，在智慧城市、全球制图、全球变化等国家重大需求中发挥着重要作用，目前已广泛应用于城市三维重建、林业调查、浅海测深、遗迹考古及深空探测等国民生产或科学研究中。作为ALS系统诸多应用的关键基础，点云分类具有广泛的实用价值。然而，直到目前该技术依然困扰着业界与学界(难题尚未完全解决)，已成为制约三维地理数据处理效率及自动化程度的关键瓶颈。
[0003]作为摄影测量与遥感领域中的一个经典问题，点云分类已被广泛研究。早期的研究聚焦于设计判别能力强的人工特征，当前的研究越来越多的采用端对端的深度学习技术。
[0004]基于传统机器学习的点云分类方法通常分为两步：首先，从局部邻域点中提取手工特征；其次，训练并利用分类器(如支持向量机、随机森林、高斯混合模型以及人工神经网络等)进行逐点分类。然而，由于该类方法只利用了每个点孤立的局部邻域几何信息，忽略了大范围空间上下文的相关性，导致分类结果中往往出现严重的噪点错分。利用空间上下文信息能够较好解决分类结果的不一致性，因此部分研究将概率图模型(如马尔科夫随机场和条件随机场等)引入到点云分类方法中，并取得了不错的去噪效果。然而，这些方法所依赖的手工特征不能很好的对ALS点云中形态复杂多变的地物进行表征,限制了该类方法最终的分类性能。深度学习技术能从原始数据中学习出更具表征能力的深层特征，目前已被越来越多的运用到三维点云分类当中。根据所采用的输入表示不同，可将现有基于深度学习的点云分类模型分为：基于特征图表示的分类模型、基于体素表示的分类模型、基于点表示的分类模型以及基于混合表示的分类模型。
[0005]总体而言，现有的点云分类方法已可在简单场景下获得很高的分类精度。然而，实际测区通常覆盖大量混合复杂场景，此类场景具有如下特点：(1)多种单一场景混合(如密集建筑物区、大型建筑区、梯田、缓坡、陡坡等)；(2)地形起伏剧烈变化(如陡坎、山脊、山谷等局部区域)；(3)地物结构(大小、形状、互相之间的关系)错综复杂(如平面状的房屋、线条状的电力线、形态各异的植被等)；(4)不同地物以及相同地物间尺寸差异巨大(如房屋与电力线、大型厂房与普通住宅等)。混杂场景下剧烈的地形起伏以及复杂的地物结构给算法的鲁棒性和精细度带来了极大挑战，导致当前最先进的点云分类算法依然不能完全满足实际生产需求。

技术实现思路

[0006]本专利技术针对现有技术的不足，提出了一种混杂场景机载激光点云分类的多粒度计
算方法，将混杂场景点云的分类难题分解为“场景知识学习+知识引导分类+地面错分纠正”三个相对单一问题的组合，实现对不同复杂场景点云稳健的高精度分类能力。
[0007]为实现上述目的，本专利技术采用以下技术方案：
[0008]一种混杂场景机载激光点云分类的多粒度计算方法，包括以下步骤：
[0009]步骤1：在整块点云中随机选取一个采样点，并以该采样点为中心分别搜索其分类邻域点集和场景邻域点集，场景邻域点集的范围大于分类邻域点集；
[0010]步骤2：以无监督学习的方式训练点云全局特征提取模型，并从场景邻域点集中提取空间上下文信息，以实现粗粒度的场景感知；
[0011]步骤3：采用基于注意力机制的特征融合策略，在点云语义分割模型中嵌入从场景邻域点集中提取的空间上下文信息，并定义兼顾离地高度和类别的多任务损失函数，对分类邻域点集中各点的类别和离地高度同时进行监督，以实现较细粒度的点云语义分割及离地高度预测；
[0012]步骤4：通过基于图割优化的点云分割以及地面不规则三角网的迭代吸附，从点云语义分割结果中准确识别出伪地面点并找回被错分的真实地面点，实现精细粒度的地面分类结果精化；
[0013]步骤5：重复步骤1至4，直到所有采样点的分类邻域点集的总和覆盖整块点云，最终获得整块点云的分类结果。
[0014]进一步地，步骤2包括以下步骤：
[0015]S2.1、搜集若干包含不同场景类别的点云块；
[0016]S2.2、以点云块为处理单元，分别生成各点云块对应的多视特征图和三维体素；
[0017]S2.3、将多视特征图输入到多视图特征提取模块中提取多视图特征，将三维体素输入到体素特征提取模块中提取体素特征；
[0018]S2.4、采用基于注意力机制的特征融合策略，将多视图特征和体素特征进行融合，得到强化的多视图特征；
[0019]S2.5、通过视图池化层将强化的多视图特征合并为场景上下文特征；
[0020]S2.6、基于无监督度量学习，在通过特征聚类自动生成各点云块的伪标签的同时基于伪标签对S2.3
‑
S2.5中的各神经网络层进行监督训练；
[0021]S2.7、将训练好的S2.3
‑
S2.5中用于生成最终场景上下文特征的各神经网络层组合为点云场景上下文特征提取模型，用于提取场景邻域点集的粗粒度的空间上下文信息。
[0022]进一步地，S2.3中，所述多视图特征提取模块包括若干二维卷积网络分支，所述体素特征提取模块基于子流形稀疏卷积层构建。
[0023]进一步地，步骤3包括以下步骤：
[0024]S3.1、通过核心点卷积层(Kernel Point Convolution)提取分类邻域点集的点云局部特征；
[0025]S3.2、利用S2.7构建的点云场景上下文特征提取模型从场景邻域点集中提取空间上下文信息，并采用基于注意力机制的特征融合策略，将空间上下文信息和点云局部特征进行融合，得到增强的点云语义分割特征；
[0026]S3.3、定义兼顾离地高度和类别的多任务损失函数，并加之以若干卷积层、类别输出层和离地高度输出层构建点云语义分割模型；
[0027]S3.4、基于标注好的训练集对S3.3构建的点云语义分割模型进行监督训练；
[0028]S3.5、利用训练好的点云语义分割模型获取分类邻域点集的语义分割和离地高度预估结果；
[0029]进一步地，所述兼顾离地高度和类别的多任务损失函数为：
[0030]Loss
α
＝αLoss
pred
+(1
‑
α)Loss
hag
[0031]其中，Loss
α
代表总损失函数，α代表权重，Loss
pred
代表分类任务中常用的交叉熵损失函数；Loss
hag
代表离地高度损失函数，由预估的离地高度与真值离地高度间的差值构成。
[0032]进一步地，步骤4包括以下步骤：
[0033]S4.1、对分类邻域点集的点云语义分割结果中的地面点进行Delaunay三角本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种混杂场景机载激光点云分类的多粒度计算方法，其特征在于，包括以下步骤：步骤1：在整块点云中随机选取一个采样点，并以该采样点为中心分别搜索其分类邻域点集和场景邻域点集，场景邻域点集的范围大于分类邻域点集；步骤2：以无监督学习的方式训练点云全局特征提取模型，并从场景邻域点集中提取空间上下文信息，以实现粗粒度的场景感知；步骤3：采用基于注意力机制的特征融合策略，在点云语义分割模型中嵌入从场景邻域点集中提取的空间上下文信息，并定义兼顾离地高度和类别的多任务损失函数，对分类邻域点集中各点的类别和离地高度同时进行监督，以实现较细粒度的点云语义分割及离地高度预测；步骤4：通过基于图割优化的点云分割以及地面不规则三角网的迭代吸附，从点云语义分割结果中准确识别出伪地面点并找回被错分的真实地面点，实现精细粒度的地面分类结果精化；步骤5：重复步骤1至4，直到所有采样点的分类邻域点集的总和覆盖整块点云，最终获得整块点云的分类结果。2.如权利要求1所述的一种混杂场景机载激光点云分类的多粒度计算方法，其特征在于，步骤2包括以下步骤：S2.1、搜集若干包含不同场景类别的点云块；S2.2、以点云块为处理单元，分别生成各点云块对应的多视特征图和三维体素；S2.3、将多视特征图输入到多视图特征提取模块中提取多视图特征，将三维体素输入到体素特征提取模块中提取体素特征；S2.4、采用基于注意力机制的特征融合策略，将多视图特征和体素特征进行融合，得到强化的多视图特征；S2.5、通过视图池化层将强化的多视图特征合并为场景上下文特征；S2.6、基于无监督度量学习，在通过特征聚类自动生成各点云块的伪标签的同时基于伪标签对S2.3
‑
S2.5中的各神经网络层进行监督训练；S2.7、将训练好的S2.3
‑
S2.5中用于生成最终场景上下文特征的各神经网络层组合为点云场景上下文特征提取模型，用于提取场景邻域点集的粗粒度的空间上下文信息。3.如权利要求2所述的一种混杂场景机载激光点云分类的多粒度计算方法，其特征在于，S2.3中，所述多视图特征提取模块包括若干二维卷积网络分支，所述体素特征提取模块基于子流形稀疏卷积层构建。4.如权利要求2所述的一种混杂场景机载激光点云分类的多粒度计算方法，其特征...

【专利技术属性】
技术研发人员：秦楠楠，
申请(专利权)人：中国科学院紫金山天文台，
类型：发明
国别省市：