一种点云水体分类方法和装置制造方法及图纸

本发明专利技术公开了一种点云水体分类方法和装置，首先通过深度学习技术，将样本激光雷达点云数据通过标注分类标签和构造样本激光雷达点云数据的三维坐标

【技术实现步骤摘要】
一种点云水体分类方法和装置


[0001]本专利技术涉及激光雷达领域，尤其涉及一种点云水体分类方法和装置
。

技术介绍

[0002]通过有人或无人机搭载的激光雷达设备对地物进行扫描巡检，利用点云数据技术对地物建立三维模型，可实现对作业范围内的建筑物
、
植被
、
交叉跨越物的距离测量和分析，目前已有很多方法对点云数据进行自动分类或者地物分割，有效的支撑起基于激光雷达点云数据的各种应用；
[0003]然而，激光雷达设备采集的点云数据对于某些特殊地物也有着局限性，例如水体；水体也是现实地物的一种，包括各种河流
、
湖泊
、
池塘
、
水库等；但是由于激光的物理特性，激光扫描到水体后会被吸收，并不会反射，因为在点云上往往体现为空洞；但由于某些水体上长着水生植物或者水体较浅，空洞会弱化，表现为比较稀疏的点云而已；
[0004]目前主要的水体分类方法有：
1、
人工分类，但效率较慢，自动化程度低
(
专利号
CN112233237A
制作数字高程模型时的水域置平处理方法
、
计算机设备
)
，
2、
点云空洞追踪
(
专利号
CN112241661A)
，但如果空洞不明显，分类往往失败；
3、
基于融合可见光
‑
红外
‑
雷达影像多特征的机器学习方法对水体提取
(
专利号
CN116385842A)
，但这种的方法的基础数据是多波段的遥感影像，不适用点云数据；目前基于点云数据及其特征的水体自动分类方法很少
。

技术实现思路

[0005]本专利技术的目的在于提供一种点云水体分类方法和装置，解决了现有技术中指出的上述技术问题
。
[0006]本专利技术提供了一种点云水体分类方法，包括如下操作步骤：
[0007]基于采集得到的多个样本激光雷达点云数据训练获取水体点云分类模型；
[0008]将实时获取的激光雷达点云数据输入所述水体点云分类模型进行分类，得到分类结果
。
[0009]较佳的，所述样本激光雷达点云数据包括样本激光雷达点云数据的三维坐标
、RGB
信息
、
强度值
、
回波次数
、
采集时间
。
[0010]较佳的，基于采集得到的多个样本激光雷达点云数据训练获取水体点云分类模型，包括如下操作步骤：
[0011]将所述样本激光雷达点云数据分为测试集与训练集；
[0012]对所有所述样本激光雷达点云数据进行标注，得到样本激光雷达点云数据对应的分类标签；
[0013]基于所述训练集对应的分类标签进行训练得到待确定水体点云分类模型；
[0014]利用所述测试集对所述待确定水体点云分类模型进行测试，得到训练后的水体点云分类模型
。
[0015]较佳的，所述分类标签包括水体类别点云分类标签
。
[0016]较佳的，所述基于所述训练集对应的分类标签进行训练得到待确定水体点云分类模型，包括如下操作步骤：
[0017]对所述训练集对应的分类标签进行特征提取操作，得到所述分类标签对应的特征信息；
[0018]建立初始水体点云分类模型；将所述训练集对应的特征信息作为输入层，并将所述训练集对应的分类标签作为输出层，对所述初始水体点云分类模型进行训练，得到待确定水体点云分类模型
。
[0019]较佳的，所述特征信息包括样本激光雷达点云数据的三维坐标信息
、
样本激光雷达点云数据的水体
RBG
颜色信息
、
样本激光雷达点云数据的强度信息
、
样本激光雷达点云数据的标定信息
。
[0020]较佳的，所述对所述训练集对应的分类标签进行特征提取操作，得到所述分类标签对应的特征信息，包括如下操作步骤：
[0021]获取所述分类标签对应的水体点云的三维坐标信息
(X,Y,Z)
及所述水体点云的
RGB
颜色信息；
[0022]根据所述水体点云的
RGB
颜色信息获取所述水体点云的强度信息
Intensity
；
[0023]基于所述水体点云的三维坐标信息
、
所述水体点云的
RGB
颜色信息
、
所述水体点云的强度信息对所述水体点云进行标定得到各个所述水体点云的标定信息
Sign
；
[0024]较佳的，所述
X∈(
‑
∞
，
+∞)
；所述
Y∈(
‑
∞
，
+∞)
；所述
Z∈(
‑
∞
，
+∞)
；所述
R∈[0,1]，
‑1；所述
G∈[0,1]，
‑1；所述
B∈[0,1]，
‑1；所述水体点云的强度信息
Intensity∈[0,1]，
‑1；所述水体点云的标定信息
Sign∈{0,1,2,3}。
[0025]相应地，本专利技术还提出了一种点云水体分类装置，包括包括分类模型获取模块
、
分类模块；
[0026]其中，所述分类模型获取模块，用于基于采集得到的多个样本激光雷达点云数据训练获取水体点云分类模型；
[0027]所述分类模块，用于将实时获取的激光雷达点云数据输入所述水体点云分类模型进行分类，得到分类结果
。
[0028]较佳的，所述分类模型获取模块，具体用于将所述样本激光雷达点云数据分为测试集与训练集；
[0029]对所有所述样本激光雷达点云数据进行标注，得到样本激光雷达点云数据对应的分类标签；
[0030]基于所述训练集对应的分类标签进行训练得到待确定水体点云分类模型；
[0031]利用所述测试集对所述待确定水体点云分类模型进行测试，得到训练后的水体点云分类模型
。
[0032]与现有技术相比，本专利技术实施例至少存在如下方面的技术优势：
[0033]分析本专利技术提供的上述一种点云水体分类方法和装置可知，在具体应用时首先通过深度学习技术，将样本激光雷达点云数据通过特殊的数据标注方法
(
即标注分类标签
)
和特征构造方法
(
即样本激光雷达点云数据的三维坐标
、RGB
颜色信息
、
强度信息
、
标定信息构造八个特征
)
，让机器更快更准确的学习到水体地物在三维点云中的内在规律和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种点云水体分类方法，其特征在于，包括如下操作步骤：基于采集得到的多个样本激光雷达点云数据训练获取水体点云分类模型；将实时获取的激光雷达点云数据输入所述水体点云分类模型进行分类，得到分类结果
。2.
根据权利要求1所述的一种点云水体分类方法，其特征在于，所述样本激光雷达点云数据包括样本激光雷达点云数据的三维坐标
、RGB
信息
、
强度值
、
回波次数
、
采集时间
。3.
根据权利要求2所述的一种点云水体分类方法，其特征在于，基于采集得到的多个样本激光雷达点云数据训练获取水体点云分类模型，包括如下操作步骤：将所述样本激光雷达点云数据分为测试集与训练集；对所有所述样本激光雷达点云数据进行标注，得到样本激光雷达点云数据对应的分类标签；基于所述训练集对应的分类标签进行训练得到待确定水体点云分类模型；利用所述测试集对所述待确定水体点云分类模型进行测试，得到训练后的水体点云分类模型
。4.
根据权利要求3所述的一种点云水体分类方法，其特征在于，所述分类标签包括水体类别点云分类标签
。5.
根据权利要求4所述的一种点云水体分类方法，其特征在于，所述基于所述训练集对应的分类标签进行训练得到待确定水体点云分类模型，包括如下操作步骤：对所述训练集对应的分类标签进行特征提取操作，得到所述分类标签对应的特征信息；建立初始水体点云分类模型；将所述训练集对应的特征信息作为输入层，并将所述训练集对应的分类标签作为输出层，对所述初始水体点云分类模型进行训练，得到待确定水体点云分类模型
。6.
根据权利要求5所述的一种点云水体分类方法，其特征在于，所述特征信息包括样本激光雷达点云数据的三维坐标信息
、
样本激光雷达点云数据的水体
RBG
颜色信息
、
样本激光雷达点云数据的强度信息
、
样本激光雷达点云数据的标定信息
。7.
根据权利要求6所述的一种点云水体分类方法，其特征在于，所述对所述训练集对应的分类标签进行特征提取操作，得到所述分类标签对应的特征信息，包括如下操作...

【专利技术属性】
技术研发人员：张龙，李微微，王跃，张衡，高上，郭彦明，
申请(专利权)人：武汉绿土图景科技有限公司，
类型：发明
国别省市：