一种基于激光点云和可见光图像融合的分类方法及装置制造方法及图纸

本发明专利技术公开了一种基于激光点云和可见光图像融合的分类方法及装置，方法包括：采集激光点云和可见光图像；对所述激光点云进行预处理；对经过预处理的激光点云与可见光图像进行数据融合，获得点云场景；确定所述点云场景中每个单点的邻域，并提取单点特征；利用提取到的单点特征，通过激光点云的多分辨率和多邻域空间构建单点多尺度多级特征并进行特征融合；根据融合后的单点多尺度多级特征进行模型训练，并依据训练后的模型对所述激光点云进行分类；该方法能够提高电力设施巡检的准确性和效率。率。率。

【技术实现步骤摘要】
一种基于激光点云和可见光图像融合的分类方法及装置


[0001]本专利技术涉及点云数据分类
，尤其涉及一种基于激光点云和可见光图像融合的分类方法及装置。

技术介绍

[0002]配电线路安全运行关系到电力能源的稳定传输，线路输送的容量大、电压高，长期经历风霜雨雪等恶劣天气的侵蚀，且分布区域广、沿途地势复杂，一旦发生腐蚀、磨损、断电等故障，可能导致电网的复杂连锁性故障，进而造成大面积的停网、停电，同时输电走廊存在树障隐患，因此，输电设备的定期巡检至关重要。传统巡检方法受巡检员个人状况和测量角度的影响，往往会造成较大的测量误差，检测效率低、精度不高，已不能满足规模不断扩大的配电网现代化运行的需要。
[0003]无人机采集到的可见光二维图片需要经过重建过程才能还原出三维电力场景，其与实际情况间会存在一定偏差。激光雷达点云测绘的技术优势在于它可以精确还原电力场景的空间信息并进行距离测量，而激光雷达点云测绘的缺点在于它不能还原出电力场景中的颜色信息、可视化效果差，利用激光雷达点云数据很难进行精确的电力物体分类。
[0004]因此，需要对电力能源目标进行巡检的时候，可以采用可见光图片数据与激光雷达点云数据融合的方式，例如，专利文献CN113111751A公开了一种自适应融合可见光与点云数据的三维目标检测方法，该方法输入摄像机图像以及原始点云图，通过双流区域候选网络进行点云特征和点云图像特征的自适应融合。但是，该方法数据融合算法分类准确性和效率仍然较低。

技术实现思路

[0005]本专利技术提供了一种基于激光点云和可见光图像融合的分类方法及装置，能够基于多分辨率点云构建分类方法，并对分类结果进行进一步优化，大大提高了电力设施巡检的准确性和效率。
[0006]一种基于激光点云和可见光图像融合的分类方法，包括：采集激光点云和可见光图像；对所述激光点云进行预处理；对经过预处理的激光点云与可见光图像进行数据融合，获得点云场景；确定所述点云场景中每个单点的邻域，并提取单点特征；利用提取到的单点特征，通过激光点云的多分辨率和多邻域空间构建单点多尺度多级特征并进行特征融合；根据融合后的单点多尺度多级特征进行模型训练，并依据训练后的模型对所述激光点云进行分类。
[0007]进一步地，对所述激光点云进行预处理，包括：对所述激光点云进行滤波去噪。
[0008]进一步地，所述对经过预处理的激光点云与可见光图像进行数据融合，包括：通过共线性方程，将可见光图像中的像素坐标映射至激光点云的空间坐标系中；将所述可见光图像中的色彩特征与相应的激光点云进行配对。
[0009]进一步地，所述单点特征包括立面特征、正态角分布直方图特征、纬度抽样直方图特征、协方差特征和平面点比特征。
[0010]进一步地，通过激光点云的多分辨率和多邻域空间构建单点多尺度多级特征，包括：选择不同邻域、不同分辨率下的所述正态角分布直方图特征、纬度抽样直方图特征、协方差特征和平面点比特征构成所述单点多尺度多级特征。
[0011]进一步地，所述模型采用支持向量机分类器，所述支持向量机分类器采用高斯核函数作为核函数。
[0012]进一步地，所述高斯核函数通过以下公式表示：;其中，Y为融合的特征空间，y
j
为选择的D维特征样本，L 为D维特征样本的数量，M为融合的特征空间通过映射函数经特征变换后获得的特征空间，m为特征空间M中的样本，K(Y，M)为核函数，σ为高斯核函数的参数。
[0013]进一步地，对所述激光点云进行分类之后，还包括：采用多尺度金字塔的领域分类方法对分类结果进行优化。
[0014]进一步地，采用多尺度金字塔的邻域分类方法对分类结果进行优化，包括：使用具有不同半径比例的体素过滤器对初始分类后的激光点云进行下采样；根据采样后的具有初始类别的激光点云构建多级金字塔，并保留每个级别中所有单点的初始类别；从金字塔每一级的激光点云构建相应的k
‑
d树；采用所述k
‑
d树搜索激光点云中最近邻的半径，并在所述半径内搜索激光点云的初始类别标签，计算多级金字塔中激光点云属于每个类别的初始类别标签数量，将初始类别标签数量最多的类别作为该激光点云的新类标签。
[0015]一种基于激光点云和可见光图像融合的分类装置，包括：数据采集模块，用于采集激光点云和可见光图像；数据预处理模块，用于对所述激光点云进行预处理；数据融合模块，用于对经过预处理的激光点云与可见光图像进行数据融合，获得点云场景；特征提取模块，用于确定所述点云场景中每个单点的邻域，并提取单点特征；特征融合模块，用于利用提取到的单点特征，通过激光点云的多分辨率和多邻域空间构建单点多尺度多级特征并进行特征融合；分类模块，根据融合后的单点多尺度多级特征进行模型训练，并依据训练后的模型对所述激光点云进行分类。
[0016]本专利技术提供的基于激光点云和可见光图像融合的分类方法及装置，至少包括如下有益效果：
1. 数据融合过程采用激光点云预处理、激光点云和可见光图像像素配准和激光点云着色三个过程，将二维数据转移到三维空间，并在最后对点云进行着色，实现了两种数据的全面深度融合，从而更好地进行下一步训练和分类；2. 通过改变点云的分辨率和邻域数来构建多尺度空间，提取点云中每个单点的多尺度特征，采用单点多尺度多特征融合算法对点云进行分类，提高了分类准确性和效率；3. 采用多尺度金字塔算法对分类结果进行邻域优化，对由于噪声等原因导致误分类的边缘等位置细节处进行进一步优化，提高了分类的准确率。
附图说明
[0017]图1为本专利技术提供的基于激光点云和可见光图像融合的分类方法一种实施例的流程图。
[0018]图2为本专利技术提供的基于激光点云和可见光图像融合的分类装置一种实施例的结构示意图。
[0019]附图标记：1
‑
数据采集模块，2
‑
数据预处理模块，3
‑
数据融合模块，4
‑
特征提取模块，5
‑
特征融合模块，6
‑
分类模块。
具体实施方式
[0020]为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
[0021]参考图1，在一些实施例中，提供一种基于激光点云和可见光图像融合的分类方法，包括：S1、采集激光点云和可见光图像；S2、对所述激光点云进行预处理；S3、对经过预处理的激光点云与可见光图像进行数据融合，获得点云场景；S4、确定所述点云场景中每个单点的邻域，并提取单点特征；S5、利用提取到的单点特征，通过激光点云的多分辨率和多邻域空间构建单点多尺度多级特征并进行特征融合；S6、根据融合后的单点多尺度多级特征进行模型训练，并依据训练后的模型对所述激光点云进行分类。
[0022]具体地，在步骤S2中，对激光点云进行预处理包括对激光点云进行滤波去噪。
[0023]由于电力场景中各物体表面的粗糙程度各异，而且雷达扫本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于激光点云和可见光图像融合的分类方法，其特征在于，包括：采集激光点云和可见光图像；对所述激光点云进行预处理；对经过预处理的激光点云与可见光图像进行数据融合，获得点云场景；确定所述点云场景中每个单点的邻域，并提取单点特征；利用提取到的单点特征，通过激光点云的多分辨率和多邻域空间构建单点多尺度多级特征并进行特征融合；根据融合后的单点多尺度多级特征进行模型训练，并依据训练后的模型对所述激光点云进行分类。2.根据权利要求1所述的方法，其特征在于，对所述激光点云进行预处理，包括：对所述激光点云进行滤波去噪。3.根据权利要求1所述的方法，其特征在于，所述对经过预处理的激光点云与可见光图像进行数据融合，包括：通过共线性方程，将可见光图像中的像素坐标映射至激光点云的空间坐标系中；将所述可见光图像中的色彩特征与相应的激光点云进行配对。4.根据权利要求1所述的方法，其特征在于，所述单点特征包括立面特征、正态角分布直方图特征、纬度抽样直方图特征、协方差特征和平面点比特征。5.根据权利要求4所述的方法，其特征在于，通过激光点云的多分辨率和多邻域空间构建单点多尺度多级特征，包括：选择不同邻域、不同分辨率下的所述正态角分布直方图特征、纬度抽样直方图特征、协方差特征和平面点比特征构成所述单点多尺度多级特征。6.根据权利要求1所述的方法，其特征在于，训练的模型采用支持向量机分类器，所述支持向量机分类器采用高斯核函数作为核函数。7.根据权利要求6所述的方法，其特征在于，所述高斯核函数通过以下公式表示：;其中，Y为融合的特征空间，y
j
为选择的D维特征...

【专利技术属性】
技术研发人员：曹世鹏，
申请(专利权)人：众芯汉创北京科技有限公司，
类型：发明
国别省市：