融入注意力机制多尺度CNN的LiDAR点云滤波方法技术

本发明专利技术公开了融入注意力机制多尺度CNN的LiDAR点云滤波方法，本发明专利技术属于点云滤波领域，包括：获取激光雷达点云数据的标准化坐标值，将所述点云数据转换成多通道图像，其中所述多通道图像包括：训练图像和测试图像。构建融入注意力机制多尺度CNN的点云滤波模型，所述点云滤波模型包括：输入层、卷积层、注意力层和全连接层；基于所述训练图像，通过所述注意力层，训练与优化所述点云滤波模型；将所述测试图像输入至训练好的点云滤波模型，输出预测结果；所述预测结果包括：地面点和非地面点。本发明专利技术能够提取点云的深层次特征，能取得较好的点云滤波效果。滤波效果。滤波效果。

【技术实现步骤摘要】
融入注意力机制多尺度CNN的LiDAR点云滤波方法


[0001]本专利技术属于点云滤波领域，特别是涉及融入注意力机制多尺度CNN的LiDAR点云滤波方法。

技术介绍

[0002]相较于传统遥感手段，激光雷达系统(LiDAR)能够高效、快速地获取地表高精度三维点云数据，已被广泛应用于数字地形模型(digital terrain model,DTM)生成、三维建筑建模、水文建模、森林清查与管理等多个应用领域。LiDAR系统在获取数据时不仅提供高精度和高密度的地形表面信息，同时也记录了非地形表面物体的信息，首先就需要对点云中的地面点和非地面点进行分离处理。LiDAR点云滤波就是一种将点云中的地面点和非地面点分离的处理技术。
[0003]现有的基于传统特征的点云滤波算法原理简单、易于实现，但就实际操作来说，普遍存在地面点与非地面点误分类的情况，且容易受到地形因素的影响，在山区或者具有复杂地形的区域效果不佳。基于机器学习的滤波算法虽然有多种分类器可用于学习点云特征，但人工提取特征复杂且耗时，且提取的特征有可能不是设计的分类器所需要的最优特征。现有的基于深度学习的方法比较少，虽然相对于传统方法与机器学习方法取得了较好的结果，但是将点云数据转换为多视图或体素数据的思想会造成数据的冗余，计算开销较大。

技术实现思路

[0004]本专利技术的目的是提供一种融入注意力机制多尺度CNN的LiDAR点云滤波方法，以解决上述现有技术存在的问题。
[0005]为实现上述目的，本专利技术提供了一种融入注意力机制多尺度CNN的LiDAR点云滤波方法，包括：
[0006]获取激光雷达点云数据的标准化坐标值，将所述点云数据转换成多通道图像；其中所述多通道图像包括：训练图像和测试图像；
[0007]构建融入注意力机制多尺度CNN的LiDAR点云滤波模型，所述点云滤波模型包括：输入层、卷积层、注意力层和全连接层；
[0008]基于所述训练图像，训练与优化所述点云滤波模型；
[0009]将所述测试图像输入至训练好的点云滤波模型，输出预测结果；所述预测结果包括：地面点和非地面点。
[0010]优选地，获取激光雷达点云数据的标准化坐标值的过程包括：
[0011]获取激光雷达点云数据的均值和标准差，基于所述均值和标准差，对所述点云数据的初始坐标值进行标准化处理，得到点云数据的标准化坐标值。
[0012]优选地，将所述点云数据转换成多通道图像的过程包括：
[0013]定义一个可移动的二维“方形窗口”，将该窗口划分为若干个等面积的栅格，通过
移动二维“方形窗口”遍历整个点云，将每个栅格中点云的高程值映射为红、绿、蓝三通道像素值，并且转换成多通道图像。
[0014]优选地，所述卷积层包括：卷积核、批处理规范化层和非线性激活函数层。
[0015]优选地，所述注意力层包括：通道注意力模块和空间注意力模块。
[0016]优选地，训练与优化所述点云滤波模型的过程包括：
[0017]将所述多通道图像输入至所述点云滤波模型中，依次经过输入层、第一卷积层、通道注意力模块、空间注意力模块、第二卷积层及全连接层，当训练达到设定的迭代次数或连续若干个轮次损失函数不再减小，则训练停止，得到训练好的点云滤波模型。
[0018]优选地，基于所述通道注意力模块，沿空间维度对所述卷积层输出的卷积特征图进行查询与赋值，对各个通道赋予注意力权重，得到一维通道的注意力映射，然后输出通道特征图。
[0019]优选地，基于所述空间注意力模块，沿通道维度对所述通道特征图进行查询与赋值，突出显示区域重要性，得到二维空间的注意力映射，然后输出空间特征图。
[0020]本专利技术的技术效果为：
[0021]本专利技术首先将点云数据转换成R、G、B三通道图像，充分利用点云数据的高程信息与空间上下文信息，将点云滤波问题转换成图像的二分类问题。其次，为了更好的解决图像的二分类问题，本实施例在构建的多尺度CNN框架中引入了注意力机制，并将多尺度卷积核与通道和空间注意力模块相结合，在捕获不同层次的特征图后，应用注意力机制获取特征图不同通道、不同区域的权重，进行更有目的地训练学习，在保持较小开销的同时大幅度地提升了模型的分类性能。该方法能较好的提取点云的深层次特征，能取得较好的点云滤波效果。
附图说明
[0022]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0023]图1为本专利技术实施例中的基于MSCNN
‑
AM框架的点云滤波示意图；
[0024]图2为本专利技术实施例中的通道注意力机制示意图；
[0025]图3为本专利技术实施例中的空间注意力机制示意图；
[0026]图4为本专利技术实施例中的4(a)为定义的二维滑动窗口；4(b)为点到图像的转化；
[0027]图5为本专利技术实施例中的MSCNN
‑
AM点云滤波框架示意图；
[0028]图6为本专利技术实施例中的ISPRS数据集中的其中四个样本的三维散点图：(a,b)为缓坡地形；(c,d)为平坦地形；黑色点表示地面点，白色点表示非地面点；
[0029]图7为本专利技术实施例中的四种滤波算法在15个样本集上的分类误差折线图；(a)为布料模拟算法，(b)为KNN算法，(c)为DNN算法，(d)为MSCNN
‑
AM算法。
具体实施方式
[0030]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0031]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的
计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0032]实施例一
[0033]如图1所示，本实施例中提供一种融入注意力机制多尺度CNN的LiDAR点云滤波方法，包括：(1)点到图像的转换；(2)构建融入注意力机制的多尺度CNN模型并完成模型的训练与优化。
[0034]本方法的流程如图1所示，其具体步骤是：首先定义一个二维的“方形窗口”，利用窗口中心遍历整个点云，从窗口中的相邻点计算每个中心点的上下文信息，将窗口的信息转换成图像，并将处理好的图像数据分成训练集、验证集和测试集。然后，构建基于注意力机制的多尺度CNN(Multi
‑
Scale Convolutional Neural Networks based on Attention Mechanisms,MSCNN
‑
AM)点云滤波模型，利用多尺度卷积核获取不同层次的点云特征，通过通道注意力模块与空间注意力模块有目的进行训练学习，并输出每个样本对应的类别标签；最后，利用训练好的模型对测试集进行测试并输出预测结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融入注意力机制多尺度CNN的LiDAR点云滤波方法，其特征在于，包括以下步骤：获取激光雷达点云数据的标准化坐标值，将所述点云数据转换成多通道图像；其中所述多通道图像包括：训练图像和测试图像；构建融入注意力机制多尺度CNN的LiDAR点云滤波模型，所述点云滤波模型包括：输入层、卷积层、注意力层和全连接层；基于所述训练图像，训练与优化所述点云滤波模型；将所述测试图像输入至训练好的点云滤波模型，输出预测结果；所述预测结果包括：地面点和非地面点。2.根据权利要求1所述的融入注意力机制多尺度CNN的LiDAR点云滤波方法，其特征在于，获取激光雷达点云数据的标准化坐标值的过程包括：获取激光雷达点云数据的均值和标准差，基于所述均值和标准差，对所述点云数据的初始坐标值进行标准化处理，得到点云数据的标准化坐标值。3.根据权利要求1所述的融入注意力机制多尺度CNN的LiDAR点云滤波方法，其特征在于，将所述点云数据转换成多通道图像的过程包括：定义一个可移动的二维“方形窗口”，将该窗口划分为若干个等面积的栅格，通过移动二维“方形窗口”遍历整个点云，将每个栅格中点云的高程值映射为红、绿、蓝三通道像素值，并且转换成多通道图像。4.根据权利要求1所述的融入注意力...

【专利技术属性】
技术研发人员：王斌，王浩，宋冬梅，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：