【技术实现步骤摘要】
一种基于深度学习的栅格化点云像素级分类方法及系统
[0001]本专利技术涉及雷达数据处理
,尤其涉及一种基于深度学习的栅格化点云像素级分类方法及系统。
技术介绍
[0002]激光雷达(Light Detection and Ranging)由于它独特的优点,在民用和军用应用范围广泛,并且发展前景一片光明。它可以独立使用或与光学数据源如航空图像一起使用,然而,与可用许多有效工具的原始图像相反,使它们很难处理。为了克服激光雷达点云数据的非结构化和稀疏性这种特殊性质,目前的标准方法是将点云转换为数字高程模型(DEM),表示为二维光栅。这样的光栅可以类比于光学图像使用,例如与用于语义分割的2
‑
D卷积神经网络(CNN)一起使用。在许多研究中,土地覆盖地图通常被简化为数字高程模型,用作与多光谱或高光谱图像融合的附加信息。
[0003]随着传感技术的最新发展,多模态数据已逐渐可轻松用于各种领域,尤其是在遥感(Remote Sensing)中,有许多数据类型,如多光谱(MSI),高光谱(HSI),激光雷达(LiDAR)等。为了充分利用高光谱图像(HSI)和激光雷达数据,自过去十年以来已经提出了许多不同的方法和策略。目前,已经开发了许多使用HSI数据的分类方法。由于不同的源数据具有特定的优点,因此也提出了各种分类融合策略,以结合不同数据源的多种特征。但是目前很少考虑有如何在栅格化LIDAR数据的分类方法中取得更好效果这一方面,因此,如何对激光雷达点云进行精确分割分类是现阶段需要考虑的问题。
[ ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的栅格化点云像素级分类方法,其特征在于:所述分类方法包括:特征提取步骤:将二维光栅数据切分成不同大小的patch,找出栅格化后LIDAR数据的最佳初始感受野作为数据输入,并通过采用第一模型作为主干网络的网络模型对切分后的LIDAR二维光栅数据特征进行提取,对模型进行训练;特征细化步骤:通过信息细化块选择主干网络提取的LIDAR信息特征,将不同层次特征图进行交叉融合,扩大浅层LIDAR特征图的感受野;特征强化步骤:聚合邻域内相关点的特征,强化各个像素点的隐空间特征表示;最终通过对栅格化后LIDAR数据的特征进行提取、细化、融合与强化,从原始特征中选择最有效的特征对模型进行训练,提高了模型对LIDAR数据的分类精度,从而对HSI和LIDAR数据分类融合进行提升。2.根据权利要求1所述的一种基于深度学习的栅格化点云像素级分类方法,其特征在于:所述特征提取步骤具体包括:以像素为中心将二维光栅数据切分成半径r的数据补丁块作为输入数据,将数据补丁送入到2
‑
DCNN隧道中,通过Resnet50模型从中心目标像素周围域提取空间特征;Resnet50模型包括Conv Block和Identity Block两种基本块,多个Conv Block基本块之间并联以改变网络的维度,多个Identity Block基本块之间串联以加深网络的深度;Resnet50模型中含有4个卷积块,每个卷积块中分别有3、4、6、3个瓶颈结构,通过卷积块和最大池化层降低特征图的空间分辨率,最后选择提取第二和第三卷积块输出的特征图(F3和F4)作为特征细化步骤的输入。3.根据权利要求1所述的一种基于深度学习的栅格化点云像素级分类方法,其特征在于:所述特征细化步骤包括:将所述特征提取步骤中第二和第三卷积块输出的特征图F
in
作为信息细化块的输入,使用具有BN和ReLU的3
×
3卷积层减少输入的特征图F
in
的通道数从而降低网络的计算量;统一来自不同阶段的特征图的通道数进行进一步融合,通过全局平均池化操作,并利用具有BN和Sigmoid激活函数的3
×
3卷积层生成全局权重向量Mc,将全局权重向量Mc和特征图F
in
相乘,生成通道注意力细化块的输出,通过通道注意力细化块捕获更准确的语义信息;第二和第三卷积块输出的特征图(F3和F4),经过信息细化后得到低级特征图F
low
和高级特征图F
high
,将两个特征图输入到交叉融合块,使用双线性插值运算将高级特征图F
high
的分辨率更改为与低级特征图F
low
相同的分辨率,通过具有BN和ReLU的3
×
3卷积层精细化上采样高级特征图;通过级联运算将上采样后的高级特征图F
high
和低级特征图F
low
进行级联,并通过具有BN和ReLU的1
×
1卷积层生成交叉融合块的输出。4.根据权利要求1所述的一种基于深度学习的栅格化点云像素级分类方法,其特征在于:所述特征强化步骤包括:通过信息细化及融合后将得到的特征图分成k个对象区域{M1,M2,
…
,M
k
},将每个对象区域的所有像素进行聚合,并按其所属对象区域的程度加权,得到对象区域特征f
k
;计算每个像素和每个对象区域之间的关系...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。