【技术实现步骤摘要】
本专利技术涉及信息融合，具体地说，涉及一种基于机载激光雷达数据构建dem的多信息pointnet++融合方法。
技术介绍
1、无论应用如何，从包含地面点和非地面点的点云中提取dem信息都是一个基本步骤。传统的点云过滤方法根据其处理方法可分为四类：坡度方法、数学形态学方法、曲面方法、渐进三角形不规则网络方法。现有的传统方法在点云过滤方面取得了良好的效果。然而，当遇到各种类型的城市、山区和森林地形时，它们仍然需要复杂的参数调整。参数调整通常很耗时，并且从过滤的点云数据生成dem需要大量的手动编辑成本。2017年提出的pointnet神经网络及其升级版pointnet++神经网络可以直接处理3d点云，并在点云分类中取得良好效果。并且随着硬件设备以及软件算法不断发展，深度方法更是在点云分类方面取得前所未有的进展。
2、pointnet是斯垣福大学在2016年提出的一种点云分类/分割深度学习框架。众所周知，点云在分类或分割时存在空间关系不规则的特点，因此不能直接将已有的图像分类分割框架套用到点云上，也因此在点云领域产生了许多基于将点云体素化(格网化)的深度学习框架，取得了很好的效果。但是将点云体素化势必会改变点云数据的原始特征，造成不必要的数据损失，并且额外增加了工作量，而pointnet采用了原始点云的输入方式，最大限度地保留了点云的空间特征，并在最终的测试中取得了很好的效果。
3、网络输入：点云数据(point clouds)；
4、网络输出：将输入视作一个整体的标签，或输入内每个分割部分(segm
5、每个点的基本描述是其坐标(x,y,z)，当然也可以加上均值及其他局部或全局特征。
6、网络的前一部分学习的是提取兴趣点或信息点，并将选择它们的原因形成编码；后面的全连接层则用于整合这些信息，实现分类或分割。
7、另外，由于网络的输入是点云数据(每个点之间是独立的)，因此可以尝试用一个空间转换器(spatial transformer network)规范化数据。
8、该一种点云分类/分割深度学习框架论文中证明了所提网络可以模拟任何连续函数。通过实验发现，网络会用一组稀疏的关键点总结描述输入点云，可视化后发现，这些点恰巧也是目标图形的骨架(skeleton)。此外，论文中也从插点(outliers)和删点(missingdata)的角度证明了为何网络对于输入的小扰动鲁棒。网络对于形状分类、部分分割、场景分割等任务(数据库下)都有较好的表现。
9、然而，pointnet网络很难捕捉到研究空间中的局部特征，因为它专注于全局特征。因此，提出了pointnet++网络来处理度量空间中分层采样的一组点。鉴于此，我们提出了一种基于机载激光雷达数据构建dem的多信息pointnet++融合方法。
技术实现思路
1、本专利技术的目的在于提供一种基于机载激光雷达数据构建dem的多信息pointnet++融合方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述技术问题的解决，本专利技术的目的之一在于，提供了一种基于机载激光雷达数据构建dem的多信息pointnet++融合方法，包括如下步骤：
3、s1、获取机载点云数据，将rgb数据以及归一化的坐标信息添加到每个点，并根据每个点的类别来渲染颜色；
4、s2、从处理后的机载点云数据中随机抽取若干数据，并按一定比例划分为训练集和测试集；
5、s3、构建pointnet++神经网络，从点云数据中提取特征，并最终提取层特征；
6、s4、改进pointnet++神经网络模型，提高模型的分析能力；
7、s5、细分测试集，以更好评估模型的泛化能力；
8、s6、将细分后的测试集导入改进pointnet++神经网络模型，经过多轮测试验证后，输出多信息融合后的信息数据。
9、作为本技术方案的进一步改进，所述步骤s1中，所述机载点云数据至少包括坐标、rgb数据和强度信息。
10、作为本技术方案的进一步改进，所述步骤s1中，将rgb数据以及归一化的坐标信息添加到每个点，并根据每个点的类别来渲染颜色，用于在仅使用点云数据的3d坐标信息基础上，充分利用点云的信息；
11、在对机载点云数据进行处理过程中，每个点在点云数据中都有相应的标签，通过编写python脚本对点云数据执行批处理操作，该脚本用于为识别的标签分配不同的颜色；这使得能够人为地添加rgb信息数据；然后，通过添加rgb信息和归一化坐标来扩展输入通道，而不是仅使用几何信息来执行卷积运算；
12、并对坐标信息进行规范化。
13、作为本技术方案的进一步改进，所述步骤s1中，坐标信息的规范化包括对坐标信息进行归一化，并加入rgb数据；一方面，规范化的坐标信息有助于捕捉图像之间的关系与局部区域中的点；另一方面，rgb描述不同类别对象的曲面特性。同一类对象的曲面特性大致相同，但rgb数据对大小和方向的变化不敏感。因此，rgb值与原始坐标相结合，归一化坐标可以在特征提取过程中充分捕捉局部特征。
14、作为本技术方案的进一步改进，所述步骤s3中，构建pointnet++神经网络时，pointnet++借用了卷积神经网络cnn的思想，并设计了一组关系来从点云中提取特征，从而最终可以提取层特征；pointnet++神经网络结构是两个抽象模块的组合，即集合抽象sa，然后使用pointnet来提取特征；最后，使用插值方法将点云恢复到原始数量，并获得每个点的分数。
15、作为本技术方案的进一步改进，所述pointnet++神经网络的核心是sa级别；其中：
16、每个sa级别分为采样层、分组层和pointnet层；
17、sa模块采用n×(d+c)矩阵作为输入；其中，n表示点数，d表示点尺寸的坐标，c表示点的特征尺寸；
18、sa模块输出一个n1×(d+c1)子采样点的矩阵。
19、作为本技术方案的进一步改进，所述sa级别起着二次采样的作用；具体包括：
20、迭代最远点采样fps用于选择采样层中的一组点；
21、分组层的输入是n×(d+c)矩阵和一组大小为n1×d的质心的坐标，k是关于质心点的点数；
22、最后，通过pointnet提取采样区域中的局部特征结果，转换为n1×(d+c1)的大小，并用作下一个sa层的输入；
23、点云分割需要获得每个点的特征，并且需要经过多次上采样操作，直到恢复原始数量的点云；
24、对每个点执行完全连接操作以获得所有分类。
25、作为本技术方案的进一步改进，所述步骤s4中，改进pointnet++神经网络模型可以采用增加层次深度、引入注意力机制、加入三维卷积层中的一种或多种方法。
26、作为本技术方案的进一步改进，所述步骤s4中，细分测试集时，至少本文档来自技高网...
【技术保护点】
1.一种基于机载激光雷达数据构建DEM的多信息PointNet++融合方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于机载激光雷达数据构建DEM的多信息PointNet++融合方法，其特征在于：所述步骤S1中，所述机载点云数据至少包括坐标、RGB数据和强度信息。
3.根据权利要求2所述的基于机载激光雷达数据构建DEM的多信息PointNet++融合方法，其特征在于：所述步骤S1中，将RGB数据以及归一化的坐标信息添加到每个点，并根据每个点的类别来渲染颜色，用于在仅使用点云数据的3D坐标信息基础上，充分利用点云的信息；
4.根据权利要求3所述的基于机载激光雷达数据构建DEM的多信息PointNet++融合方法，其特征在于：所述步骤S1中，坐标信息的规范化包括对坐标信息进行归一化，并加入RGB数据；一方面，规范化的坐标信息用于捕捉图像之间的关系与局部区域中的点；另一方面，RGB用于描述不同类别对象的曲面特性。
5.根据权利要求1所述的基于机载激光雷达数据构建DEM的多信息PointNet++融合方法，其特征在于：所述步骤S
6.根据权利要求5所述的基于机载激光雷达数据构建DEM的多信息PointNet++融合方法，其特征在于：所述PointNet++神经网络的核心是SA级别；其中：
7.根据权利要求6所述的基于机载激光雷达数据构建DEM的多信息PointNet++融合方法，其特征在于：所述SA级别起着二次采样的作用；具体包括：
8.根据权利要求1所述的基于机载激光雷达数据构建DEM的多信息PointNet++融合方法，其特征在于：所述步骤S4中，改进PointNet++神经网络模型可以采用增加层次深度、引入注意力机制、加入三维卷积层中的一种或多种方法。
9.根据权利要求1所述的基于机载激光雷达数据构建DEM的多信息PointNet++融合方法，其特征在于：所述步骤S4中，细分测试集时，至少可以根据特征、时间、类别来对测试集进行细分，从而将测试集划分为多个不同的子集，用于分别对改进PointNet++神经网络模型进行验证。
...【技术特征摘要】
1.一种基于机载激光雷达数据构建dem的多信息pointnet++融合方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于机载激光雷达数据构建dem的多信息pointnet++融合方法，其特征在于：所述步骤s1中，所述机载点云数据至少包括坐标、rgb数据和强度信息。
3.根据权利要求2所述的基于机载激光雷达数据构建dem的多信息pointnet++融合方法，其特征在于：所述步骤s1中，将rgb数据以及归一化的坐标信息添加到每个点，并根据每个点的类别来渲染颜色，用于在仅使用点云数据的3d坐标信息基础上，充分利用点云的信息；
4.根据权利要求3所述的基于机载激光雷达数据构建dem的多信息pointnet++融合方法，其特征在于：所述步骤s1中，坐标信息的规范化包括对坐标信息进行归一化，并加入rgb数据；一方面，规范化的坐标信息用于捕捉图像之间的关系与局部区域中的点；另一方面，rgb用于描述不同类别对象的曲面特性。
5.根据权利要求1所述的基于机载激光雷达数据构建dem的多信息pointnet++融合方法，其特征在于：所述步骤s3中，构建pointnet++神经网络时，pointnet++借用了卷积神经网络cnn的思想，...
【专利技术属性】
技术研发人员：黄磊，
申请(专利权)人：云南电网有限责任公司昭通供电局，
类型：发明
国别省市：
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。