一种点云地面滤波方法技术

本发明专利技术公开一种点云地面滤波方法

【技术实现步骤摘要】
一种点云地面滤波方法、系统、电子设备及存储介质


[0001]本专利技术涉及点云数据处理
，特别是涉及一种点云地面滤波方法
、
系统
、
电子设备及存储介质
。

技术介绍

[0002]点云地面滤波是将点云中的地面点和非地面点区分开来的操作
。
现有的地面滤波方法主要分为传统算法和深度学习算法
。
[0003]传统算法：该类算法通常会要求用户提供一些参数
。
这些参数的设定，可能影响滤波的时间效率并造成滤波结果的主观偏差，对滤波结果的影响是巨大的
。
给定了参数，就相当于对待滤波区域的地形特征做出了假设；然而不同区域之间的地形特征可能相差很大
。
这使得想要得到良好的滤波效果，用户通常需要多次尝试修改参数；甚至，同一地区也可能有着多种地形特征，这使得无论如何调参，都无法在这些区域取得满意的效果
。
[0004]深度学习算法：受限于计算机显存的大小，目前大多数
3D
深度神经网络在实现最佳综合性能的同时，只能处理小尺寸的输入，这会导致对大型构建筑物的误分类
。

技术实现思路

[0005]本专利技术的目的是提供一种点云地面滤波方法
、
系统
、
电子设备及存储介质，以避免现有的深度学习方法只能处理小尺寸的输入而导致的对大型构建筑物的误分类的技术缺陷
。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]本专利技术提供一种点云地面滤波方法，所述方法包括如下步骤：
[0008]对样本点云进行等间距垂直切片，获得多个训练切片点云；
[0009]分别对每个训练切片点云进行等量采样，获得多个训练样本单元；
[0010]基于多个训练样本单元训练
FGFNet
网络模型，获得训练好的
FGFNet
网络模型；
[0011]基于训练好的
FGFNet
网络模型预测待测点云中每个点为地面点的平均概率
。
[0012]可选的，所述训练切片点云包括平行于
XOZ
平面的训练切片点云和平行于
YOZ
平面的训练切片点云，所述对样本点云进行等间距垂直切片，获得多个训练切片点云，具体包括：
[0013]以垂直于
y
轴的面为切面，对样本点云进行等间距垂直切片，获得多个平行于
XOZ
平面的训练切片点云；
[0014]以垂直于
x
轴的面为切面，对样本点云进行等间距垂直切片，获得多个平行于
YOZ
平面的训练切片点云
。
[0015]可选的，分别对每个训练切片点云进行等量采样，获得多个训练样本单元，具体包括：
[0016]获取训练切片点云中的第1个至第
n
个点，组成所述训练切片点云的第1个训练样本单元；
[0017]获取训练切片点云中的第
x1个至第
x2个点，组成所述训练切片点云的第
k
个训练样本单元；其中，，，
k=2,3
…
，且，为训练切片点云中点的数量，
n
为训练样本单元中点的数量；
[0018]获取训练切片点云中的第个至第个点，组成所述训练切片点云的最后1个训练样本单元
。
[0019]可选的，所述训练切片点云包括平行于
XOZ
平面的训练切片点云和平行于
YOZ
平面的训练切片点云，分别对每个训练切片点云进行等量采样，获得多个训练样本单元，之前还包括：
[0020]按照
x
轴坐标的大小对平行于
XOZ
平面的训练切片点云中的点进行排序；
[0021]按照
y
轴坐标的大小对平行于
YOZ
平面的训练切片点云中的点进行排序
。
[0022]可选的，基于多个训练样本单元训练
FGFNet
网络模型，获得训练好的
FGFNet
网络模型，具体包括：
[0023]基于多个训练样本单元，构建训练集和验证集；
[0024]初始化学习速率
、
训练次数
m
和计数值
L
；
[0025]基于所述学习速率，采用训练集对
FGFNet
网络模型进行训练，获得第
m
次训练后的
FGFNet
网络模型；
[0026]基于所述验证集验证第
m
次训练后的
FGFNet
网络模型的损失函数值是否小于第
m
‑1次训练后的
FGFNet
网络模型的损失函数值，获得第一判断结果；
[0027]若所述第一判断结果表示否，则令计数值
L
增加1，并判断计数值
L
是否小于计数阈值，获得第二判断结果；否则，执行训练次数判断过程；
[0028]若所述第二判断结果表示否，则确定第
m
次训练后的
FGFNet
网络模型为初步优化后的
FGFNet
网络模型，降低所述学习速率，并执行训练次数判断过程；否则，直接执行训练次数判断过程；
[0029]所述训练次数判断过程包括：
[0030]判断训练次数
m
的数值是否小于训练次数阈值，获得第三判断结果；
[0031]若所述第三判断结果表示是，则令
m
的数值增加1，返回基于所述学习速率，采用训练集对
FGFNet
网络模型进行训练，获得第
m
次训练后的
FGFNet
网络模型的步骤；
[0032]若所述第三判断结果表示否，则选取损失函数值小的初步优化后的
FGFNet
网络模型为训练好的
FGFNet
网络模型
。
[0033]可选的，基于训练好的
FGFNet
网络模型预测待测点云中每个点为地面点的平均概率，具体包括：
[0034]对待测点云进行等间距垂直切片，获得多个待测切片点云；
[0035]分别对每个待测切片点云进行等量采样，获得多个待测样本单元；
[0036]分别将每个所述待测样本单元输入至训练好的
FGFNet
网络模型，获得每个待测样本单元中每个点为地面点的概率；
[0037]基于每个待测样本单元中每个点为地面点的概率，计算待测点云中每个点为地面点的平均概率
。
[0038]可选的，基于每个待测样本单元中每个点为地面点的概率，计算待测点云中每个
点为地面点的平均概率的公式为：...

【技术保护点】

【技术特征摘要】
1.
一种点云地面滤波方法，其特征在于，所述方法包括如下步骤：对样本点云进行等间距垂直切片，获得多个训练切片点云；分别对每个训练切片点云进行等量采样，获得多个训练样本单元；基于多个训练样本单元训练
FGFNet
网络模型，获得训练好的
FGFNet
网络模型；基于训练好的
FGFNet
网络模型预测待测点云中每个点为地面点的平均概率
。2.
根据权利要求1所述的点云地面滤波方法，其特征在于，所述训练切片点云包括平行于
XOZ
平面的训练切片点云和平行于
YOZ
平面的训练切片点云，所述对样本点云进行等间距垂直切片，获得多个训练切片点云，具体包括：以垂直于
y
轴的面为切面，对样本点云进行等间距垂直切片，获得多个平行于
XOZ
平面的训练切片点云；以垂直于
x
轴的面为切面，对样本点云进行等间距垂直切片，获得多个平行于
YOZ
平面的训练切片点云
。3.
根据权利要求1所述的点云地面滤波方法，其特征在于，分别对每个训练切片点云进行等量采样，获得多个训练样本单元，具体包括：获取训练切片点云中的第1个至第
n
个点，组成所述训练切片点云的第1个训练样本单元；获取训练切片点云中的第
x1个至第
x2个点，组成所述训练切片点云的第
k
个训练样本单元；其中，，，
k=2,3
…
，且，为训练切片点云中点的数量，
n
为训练样本单元中点的数量；获取训练切片点云中的第个至第个点，组成所述训练切片点云的最后1个训练样本单元
。4.
根据权利要求1所述的点云地面滤波方法，其特征在于，所述训练切片点云包括平行于
XOZ
平面的训练切片点云和平行于
YOZ
平面的训练切片点云，分别对每个训练切片点云进行等量采样，获得多个训练样本单元，之前还包括：按照
x
轴坐标的大小对平行于
XOZ
平面的训练切片点云中的点进行排序；按照
y
轴坐标的大小对平行于
YOZ
平面的训练切片点云中的点进行排序
。5.
根据权利要求1所述的点云地面滤波方法，其特征在于，基于多个训练样本单元训练
FGFNet
网络模型，获得训练好的
FGFNet
网络模型，具体包括：基于多个训练样本单元，构建训练集和验证集；初始化学习速率
、
训练次数
m
和计数值
L
；基于所述学习速率，采用训练集对
FGFNet
网络模型进行训练，获得第
m
次训练后的
FGFNet
网络模型；基于所述验证集验证第
m
次训练后的
FGFNet
网络模型的损失函数值是否小于第
m
‑1次训练后的
FGFNet...

【专利技术属性】
技术研发人员：杨容浩，文文，谭骏祥，刘汉湖，李少达，杨佳，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：