遗迹识别方法、装置、电子设备及计算机存储介质制造方法及图纸

本发明专利技术涉及一种遗迹识别方法、装置、电子设备及计算机存储介质。其方法包括：获取目标区域内的原始点云数据和影像数据，并对原始点云数据进行预处理，得到修正后的点云数据；基于修正后的点云数据提取遗迹特征信息，并基于遗迹特征信息和影像数据构建遗迹的DEM数据和DOM数据；利用DEM数据和DOM数据构建样本数据集；将训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，并基于验证集进行验证后得到训练完备的遗迹识别模型；将测试集输入训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果。本发明专利技术通过构建DEM数据，解决点云数据无序、无结构的问题；基于深度学习模型对目标区域的遗迹进行智能识别，提高了遗迹识别的识别精度。遗迹识别的识别精度。遗迹识别的识别精度。

【技术实现步骤摘要】
遗迹识别方法、装置、电子设备及计算机存储介质


[0001]本专利技术涉及遥感考古
，尤其涉及一种基于激光雷达点云的遗迹识别方法、装置、电子设备及计算机存储介质。

技术介绍

[0002]近年来，随着城市化进程的加快，大量古城墙遗迹被不可逆地损害。古城墙作为历史文化的缩影和时代变迁的见证，具有较高的科学、文化以及经济价值。因此为了更快更好地保护古城墙遗迹，对其进行调查识别具有十分重要的意义。
[0003]传统的通过人工实地测量的方法，使用全站仪、全球导航卫星系统接收机等测量仪器获取古城墙表面离散的点、线等信息，难以完整地表达古城城墙立体空间信息，而且工作繁琐、效率低下。随着摄影测量与遥感技术的发展，通过机载相机、无人机等设备采集影像，然后基于三维重建方法生成实景三维模型，使得大规模的古城墙调查识别成为可能。但是该方法的三维重建过程需要大量的算力支持，并且生成的三维模型往往精度质量不高，需要进行漏洞填充、单体化等耗时的内业工作，难以适应目前古城墙调查保护的迫切需求。
[0004]近年来，激光雷达技术飞速发展，凭借其高精度、高效率、非接触的优势，已成为文化遗产保护的重要手段。为了提取三维点云中的古城墙遗迹信息，需要对激光点云的提取方法进行研究。早期激光点云的提取方法依赖于人工设计特征，主要基于支持向量机、随机森林和马尔可夫随机场等算法来实现提取任务。随着深度学习技术的发展，卷积神经网络被广泛地应用到计算机视觉任务中，并且逐渐在点云提取的方法中占据了主导地位。目前常用的有基于多视图、基于体素以及对点云直接处理的方法，很好地解决了因三维点云数据的无序性和无结构性导致的深度学习在点云领域应用的限制问题。但是，目前点云深度学习方法的算法复杂、效率较低，难以适应如今海量的点云数据；并且激光点云的标注方法复杂繁琐，导致模型的泛化能力较弱、精度有限。

技术实现思路

[0005]有鉴于此，有必要提供一种基于激光雷达点云的遗迹识别方法、装置、电子设备及计算机存储介质，用以解决古城墙遗迹识别精度有限的的问题。
[0006]为了解决上述问题，第一方面，本专利技术提供一种遗迹识别方法，包括：
[0007]获取目标区域内的原始点云数据和影像数据，并对所述原始点云数据进行预处理，得到修正后的点云数据；
[0008]基于所述修正后的点云数据提取遗迹特征信息，并基于所述遗迹特征信息和所述影像数据构建遗迹的DEM数据和DOM数据；
[0009]利用所述DEM数据和DOM数据构建样本数据集，其中，所述样本数据集包括训练集、验证集和测试集；
[0010]将所述训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，并基于所述验证集进行验证后得到训练完备的遗迹识别模型；
[0011]将所述测试集输入所述训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果。
[0012]进一步的，所述对所述原始点云数据进行预处理，包括：
[0013]对所述原始点云数据进行点云去噪、反射强度校正及位置偏差改正操作，其中，所述反射强度校正的处理公式包括：I
s
为修正后的激光强度，I为原始激光强度，R和R
s
分别为目标距离和标准距离，θ和θ
s
分别为入射角和标准入射角，η
atm
为大气衰减因子。
[0014]进一步的，所述基于所述修正后的点云数据提取遗迹特征信息，并基于所述遗迹特征信息和所述影像数据构建遗迹的DEM数据和DOM数据，包括：
[0015]在所述修正后的点云数据中提取遗迹特征信息，基于所述遗迹特征信息对所述修正后的点云数据进行分割处理，得到遗迹点云数据；
[0016]对所述遗迹点云数据的地形特征信息及空间位置进行采样，并采用预设点云插值算法构建遗迹的DEM数据；
[0017]基于空中三角测量方法计算所述影像数据的外方位元素，并基于所述DEM数据对所述影像数据进行数字微分纠正，得到遗迹的DOM数据。
[0018]进一步的，所述基于所述DEM数据和DOM数据构建样本数据集，包括：
[0019]将所述DEM数据作为空间参考，结合所述DOM数据和实际勘察结果矢量化绘制遗迹图层，并将矢量化绘制的遗迹图层栅格化，作为原始样本数据；
[0020]对所述原始样本数据进行增广和裁剪处理，生成样本数据，并按照预设分配比例将所述样本数据分为训练集、验证集和测试集。
[0021]进一步的，所述预先搭建的遗迹识别模型包括采用多尺度语义特征提取方法构建的遗迹识别模型；
[0022]所述将所述训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，包括：
[0023]对所述训练集进行迁移学习训练，建立遗迹与DEM数据的特征定量关系，直至损失函数趋于平稳，其中，所述损失函数包括基于面向离散分类问题的交叉熵损失函数。
[0024]进一步的，所述将所述测试集输入所述训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果，包括：
[0025]基于建立的遗迹与DEM的特征定量关系，采用向前传播方法在所述测试集中提取目标区域的初始遗迹识别结果；
[0026]基于遗迹的尺度信息和区域连通算法，对所述初始遗迹识别结果进行像素剔除，输出所述目标区域的遗迹识别结果。
[0027]进一步的，在输出目标区域的遗迹识别结果后，所述方法还包括：
[0028]基于古城墙提取准确度的评价指标对目标区域的遗迹识别结果进行验证。
[0029]第二方面，本专利技术还提供一种遗迹识别装置，包括：
[0030]数据预处理模块，用于获取目标区域内的原始点云数据和影像数据，并对所述原始点云数据进行预处理，得到修正后的点云数据；
[0031]数据构建模块，用于基于所述修正后的点云数据提取遗迹特征信息，并基于所述
遗迹特征信息和所述影像数据构建遗迹的DEM数据和DOM数据；
[0032]样本数据集构建模块，用于利用所述DEM数据和DOM数据构建样本数据集，其中，所述样本数据集包括训练集、验证集和测试集；
[0033]模型训练模块，用于将所述训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，并基于所述验证集进行验证后得到训练完备的遗迹识别模型；
[0034]遗迹识别模块，用于将所述测试集输入所述训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果。
[0035]第三方面，本专利技术还提供一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述遗迹识别方法中的步骤。
[0036]第四方面，本专利技术还提供一种计算机存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述遗迹识别方法中的步骤。
[0037]采用上述实施例的有益效果是：
[0038]本专利技术利用机载激光雷达扫描技术和深度学习方法，对目标区域地表进行扫描拍摄，获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遗迹识别方法，其特征在于，包括：获取目标区域内的原始点云数据和影像数据，并对所述原始点云数据进行预处理，得到修正后的点云数据；基于所述修正后的点云数据提取遗迹特征信息，并基于所述遗迹特征信息和所述影像数据构建遗迹的DEM数据和DOM数据；利用所述DEM数据和DOM数据构建样本数据集，其中，所述样本数据集包括训练集、验证集和测试集；将所述训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，并基于所述验证集进行验证后得到训练完备的遗迹识别模型；将所述测试集输入所述训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果。2.根据权利要求1所述的遗迹识别方法，其特征在于，所述对所述原始点云数据进行预处理，包括：对所述原始点云数据进行点云去噪、反射强度校正及位置偏差改正操作，其中，所述反射强度校正的处理公式包括：I
s
为修正后的激光强度，I为原始激光强度，R和R
s
分别为目标距离和标准距离，θ和θ
s
分别为入射角和标准入射角，η
atm
为大气衰减因子。3.根据权利要求1所述的遗迹识别方法，其特征在于，所述基于所述修正后的点云数据提取遗迹特征信息，并基于所述遗迹特征信息和所述影像数据构建遗迹的DEM数据和DOM数据，包括：在所述修正后的点云数据中提取遗迹特征信息，基于所述遗迹特征信息对所述修正后的点云数据进行分割处理，得到遗迹点云数据；对所述遗迹点云数据的地形特征信息及空间位置进行采样，并采用预设点云插值算法构建遗迹的DEM数据；基于空中三角测量方法计算所述影像数据的外方位元素，并基于所述DEM数据对所述影像数据进行数字微分纠正，得到遗迹的DOM数据。4.根据权利要求1所述的遗迹识别方法，其特征在于，所述基于所述DEM数据和DOM数据构建样本数据集，包括：将所述DEM数据作为空间参考，结合所述DOM数据和实际勘察结果矢量化绘制遗迹图层，并将矢量化绘制的遗迹图层栅格化，作为原始样本数据；对所述原始样本数据进行增广和裁剪处理，生成样本数据，并按照预设分配比例将所述样本数据分为训练集、验证集和测试集。5.根据权利要求1所述的...

【专利技术属性】
技术研发人员：赵鹏程，胡庆武，王顺利，艾明耀，
申请(专利权)人：武汉大学，
类型：发明
国别省市：