CN106650809B - 一种车载激光点云目标分类方法和系统 - Google Patents
一种车载激光点云目标分类方法和系统 Download PDFInfo
- Publication number
- CN106650809B CN106650809B CN201611187597.0A CN201611187597A CN106650809B CN 106650809 B CN106650809 B CN 106650809B CN 201611187597 A CN201611187597 A CN 201611187597A CN 106650809 B CN106650809 B CN 106650809B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- vehicle
- belief network
- training
- mounted laser
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及深度学习技术领域,特别涉及一种车载激光点云目标分类方法和系统。所述一种车载激光点云目标分类方法,包括如下步骤:对车载激光点云数据进行预处理,生成待分类目标点云;构建基本训练样本库;生成输入特征向量;构建深度信念网络;对深度信念网络进行训练;生成待分类目标点云的特征向量,并使用特征向量作为训练后的深度信念网络的输入特征,完成车载激光点云数据目标分类。利用深度信念网络实现车载激光点云数据的自动识别分类,有效地提目标点云识别分类的自动化程度,并且具有更强的稳健性,能够应用于场景更加复杂的车载激光点云数据。
Description
技术领域
本发明涉及深度学习技术领域,特别涉及一种车载激光点云目标分类方法和系统。
背景技术
车载激光扫描系统(Vehicle-Borne Laser Scanning System)作为今年来新兴的测绘技术,能够快速准确地获取道路及道路两侧地物的三维空间信息,成为了城市街道空间数据快速获取的重要手段之一,广泛应用于基础测绘、城市规划与设计、智能交通等领域。相比较于车载激光扫描系统硬件的快速发展,车载激光扫描数据目标地物的识别分类技术相对滞后,提高车载激光扫描数据分类的高效化、智能化已经成为了现在点云数据处理面临的重要问题,同时也是车载激光扫描系统应用推广的主要瓶颈。
目前,车载激光扫描数据目标点云识别分类方法主要围绕点云数据的空间分布特征和目标地物的几何特征开展。这些方法虽在一定程度上能够实现车载激光点云的目标识别与分类,但分类精度低,适用范围存在一定的局限性,且自动化水平方面有待提高。例如,基于点云高程阈值分类法虽然该方法相对简单,但其适用范围非常有限,分类结果精度较低,且需人为设定阈值自动化程度低;基于点云扫描线信息的分类法,尽管该方法能够快速实现不同目标地物点云分类,但是面对复杂的城市地物环境,其分类结果精度较低亦无法满足实际应用的需求;基于点云法向量分类法,仅采用单一特征,难以实现复杂的城市街景环境中多类目标地物点云的识别分类;基于点云投影密度分类法中,该方法仅适用于简单场景立面点云提取,而面对城市街景中复杂密集的地物环境,其立面提取结果不完整。针对车载激光点云数据量大、地理要素空间分布和局部几何特征差异大等特点,目前国内外还没有一个较为成熟的算法能够实现大范围城市复杂街道环境车载激光扫描数据中对不同地物(树木、杆状地物、车辆等)进行快速有效的识别分类。
发明内容
为此,需要提供一种车载激光点云目标分类方法和系统,用以解决无法对大范围城市复杂街道环境车载激光扫描数据中对不同地物(树木、杆状地物、车辆等)进行快速有效的识别分类的问题。
为实现上述目的,发明人提供了一种车载激光点云目标分类方法,包括如下步骤:对车载激光点云数据进行预处理,生成待分类目标点云,所述待分类目标点云包括:面上地物点云;提取目标点云的训练样本,构建基本训练样本库,所述目标点云的训练样本包括:树木、车辆、杆状地物和其它地物;构建所述训练样本基于多个方向的垂直投影二值图像,并生成特征向量;使用所述特征向量作为输入,构建深度信念网络;使用逐层训练的方式进行预训练,并使用有监督的学习方式进行微调;构建所述待分类目标点云基于多个方向的垂直投影二值图像,并生成特征向量,并使用所述特征向量作为训练后深度信念网络的输入,完成所述车载激光点云目标分类。
进一步的,步骤“对车载激光点云数据进行预处理,生成待分类目标点云”,还包括步骤:使用局部高差阈值的地面点云滤波法剔除地面点云,并使用具有噪声的基于密度的聚类方法对面上地物点云进行聚类;使用归一化分割法对聚类后的面上地物点云中相邻地物交错重叠点云进行分割;通过剖面分析法剔除大型地物点云聚类簇,生成待分类目标点云。
进一步的,步骤“构建所述训练样本基于多个方向的垂直投影二值图像,并生成特征向量”,还包括步骤:预设n个不同方向;所述目标点云的训练样本沿各方向分别垂直投影至n个平面,并划分平面成p*p的规则格网,并根据格网内是否存在点云生成二值图像;使所述二值图像排列成长度为p*p二值向量,并将n个二值向量串联排列成长度为n*p*p的深度信念网络输入特征向量;使所述目标点云的训练样本绕z轴顺时针每旋转θ角,重复步骤“构建所述训练样本基于多个方向的垂直投影二值图像,并生成特征向量”,直至所述目标点云的训练样本绕z轴旋转一周。通过所述目标点云的训练样本绕z轴顺时针每旋转θ角,重复步骤“构建所述训练样本基于多个方向的垂直投影二值图像,并生成特征向量”,增加了训练样本数量,有效防止网络过度拟合和克服目标地物在不同场景中姿态多样性对分类结果的影响。
进一步的,步骤“使用所述特征向量作为输入,构建深度信念网络”,还包括步骤:使用受限波尔兹曼机构建深度信念网络,分类层采用softmax回归模型;指定深度信念网络的输入层节点数、隐含层层数、隐含层节点数和分类层输出节点数。
进一步的,步骤“使用逐层训练的方式进行预训练,并使用有监督的学习方式进行微调”,还包括步骤:使用逐层训练的方式对各层受限波尔兹曼机进行训练,通过低一层受限波尔兹曼机的隐含层输出作为高一层受限波尔兹曼机可见层的输入,得到各受限波尔兹曼机层间节点的连接权重和偏置,深度信念网络预训练完成;使用BP算法训练分类层的softmax回归模型,并逐层反向传播实际输出结果与预期输出结果的误差,微调整个网络参数,深度信念网络训练完成。
为实现上述目的,发明人提供了一种车载激光点云目标分类系统,包括:车载激光点云数据预处理模块、训练样本构建模块、输入特征生成模块、深度信念网络构建模块、深度信念网络训练模块和车载激光点云目标分类模块;所述车载激光点云数据预处理模块,用于:对车载激光点云进行预处理,生成待分类目标点云,所述待分类目标点云包括:面上地物点云;所述训练样本构建模块,用于:提取目标点云的训练样本,构建基本训练样本库,所述目标点云的训练样本包括:树木、车辆、杆状地物和其它地物;所述输入特征生成模块,用于:构建所述训练样本基于多个方向的垂直投影二值图像,并生成特征向量;所述深度信念网络构建模块,用于:使用所述特征向量作为输入,构建深度信念网络;所述深度信念网络训练模块,用于:使用逐层训练的方式进行预训练,并使用有监督的学习方式进行微调;所述车载激光点云数据目标分类模块,用于:构建所述待分类目标点云基于多个方向的垂直投影二值图像,并生成特征向量,并使用所述特征向量作为训练后的深度信念网络的输入特征,完成所述车载激光点云目标分类。
进一步的,所述车载激光点云数据预处理模块,还用于:使用局部高差阈值的地面点云滤波法剔除地面点云,并使用具有噪声的基于密度的聚类方法对面上地物点云进行聚类;使用归一化分割法对聚类后的面上地物点云中相邻地物交错重叠点云进行分割;通过剖面分析法剔除大型地物点云聚类簇,生成待分类目标点云。
进一步的,所述输入特征生成模块,还用于:预设n个不同水平方向;所述目标点云的训练样本沿各方向分别垂直投影至n个平面,并划分平面成p*p的规则格网,并根据格网内是否存在点云生成二值图像;使所述二值图像排列成长度为p*p二值向量,并将n个二值向量串联排列成长度为n*p*p的深度信念网络输入特征向量;还用于:所述目标点云的训练样本绕z轴顺时针每旋转θ角,重复“预设n个不同方向;所述目标点云的训练样本沿各方向分别垂直投影至n个平面,并划分平面成p*p的规则格网,并根据格网内是否存在点云生成二值图像;使所述二值图像排列成长度为p*p二值向量,并将n个二值向量串联排列成长度为n*p*p的深度信念网络输入特征向量”操作,直至所述目标点云的训练样本绕z轴旋转一周。
进一步的,所述深度信念网络构建模块,还用于:使用受限波尔兹曼机构建深度信念网络,分类层采用softmax回归模型;指定深度信念网络的输入层节点数、隐含层层数、隐含层节点数和分类层输出节点数。
进一步的,所述深度信念网络训练模块,还用于:使用逐层训练的方式进行预训练,并使用有监督的学习方式进行微调;通过低一层受限波尔兹曼机的隐含层输出作为高一层受限波尔兹曼机可见层的输入,得到各受限波尔兹曼机层间节点的连接权重和偏置,深度信念网络预训练完成;使用BP算法训练分类层的softmax回归模型,并逐层反向传播实际输出结果与预期输出结果的误差,微调整个网络参数,深度信念网络训练完成。
本发明的有益效果是:通过基于多个方向生成目标点云的垂直投影二值图像,并生成特征向量,能够从多角度、简单高效地描述目标点云特征;并通过逐层训练的方式进行预训练和有监督的学习方式进行微调训练深度信念网络,基于深度信念网络实现车载激光点云目标的自动识别分类,有效地提高面上地物点云目标识别分类的自动化程度,并且具有更强的稳健性,能够应用于场景更加复杂的车载激光点云数据。
附图说明
图1为具体实施方式所述的一种车载激光点云目标分类方法的流程图;
图2为具体实施方式所述的原始数据一示意图;
图3为具体实施方式所述的原始数据二示意图;
图4为具体实施方式所述的原始数据一非地面点云示意图;
图5为具体实施方式所述的原始数据二非地面点云示意图;
图6为具体实施方式所述的原始数据一非地面点云示聚类结果示意图;
图7为具体实施方式所述的原始数据二非地面点云示聚类结果示意图;
图8为具体实施方式所述的点云交错重叠相邻地物Octree剖分示意图;
图9为具体实施方式所述的相邻地物点云交错重叠分割结果示意图;
图10为具体实施方式所述的原始数据一独立地物点云示意图;
图11为具体实施方式所述的原始数据二独立地物点云示意图;
图12为具体实施方式所述的原始数据一待分类地物点云示意图;
图13为具体实施方式所述的原始数据二待分类地物点云示意图;
图14为具体实施方式所述的训练样本点云数据生成二值图像示意图;
图15为具体实施方式所述的训练样本点云旋转一周生成36个DBN输入特征向量示意图;
图16为具体实施方式所述的原始数据一目标地物点云分类结果图;
图17为具体实施方式所述的原始数据二目标地物点云分类结果图;
图18为具体实施方式所述的一种车载激光点云目标分类系统的模块图。
附图标记说明:
1800、车载激光点云目标分类系统,
1801、车载激光点云数据预处理模块,
1802、训练样本构建模块,
1803、输入特征生成模块,
1804、深度信念网络构建模块,
1805、深度信念网络训练模块,
1806、车载激光点云目标分类模块。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
首先对本实施方式中的一些英文缩写做解释说明:
RBM(Restricted Boltzmann Machine):受限波尔兹曼机,一种由一层可见层和一层隐含层组成的概率生成式模型,整个网络是一个层间全连接,层内无连接的二分结构无向图。,
DBN(Deep Belief Network):深度信念网络,是一种由多个RBM叠堆组合成的生成式模型,通过训练其神经元间的权重,我们可以让整个神经网络按照最大概率来生成训练数据。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise):具有噪声的基于密度的聚类方法,是一个比较有代表性的基于密度的聚类算法,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在有“噪声”的空间数据库中发现任意形状的聚类。
Octree:八叉树,是由四叉树结构推广到三维空间而形成的一种用于描述三维空间的树状数据结构,八叉树的每个节点表示一个正方体的体积元素,每个节点有八个子节点,将八个子节点所表示的体积元素加在一起就等于父节点的体积。
请参阅图1,在本实施方式中提供一种车载激光点云目标分类的方法,本方法可应用在车载激光扫描系统获取点云数据后,对点云目标进行有效分类。在本实施方式中以两份不同城市街道场景车载激光点云数据为例,如图2、图3所示,技术方案具体如下:
步骤S101:对车载激光点云数据进行预处理,生成待分类目标点云。在本实施方式中,所述待分类目标点云包括:面上地物点云。具体包括步骤:步骤A1:基于局部高差阈值的地面点云滤波法剔除地面点云,根据实际情况在xoy平面上设定格网宽度1m对点云数据进行规则格网划分,计算格网内点云高差;设定高差阈值为0.3m,当格网内点的高差小于或等于阈值时标记为地面点,否则标记为非地面点,地面点云剔除结果如图4、图5所示;步骤A2:设定最大邻域半径阈值0.2m以及高密度区域核心点的最少点数80,利用DBSCAN聚类法对非地面点云进行聚类,聚类结果如图6、图7所示,其中如图6所示W1所表示的树被视为同一个类,同样W2所表示的树也被视为同一个类,W3也是,同样地其它非地面点云也会被分为一个个类;图7也类似;步骤A3:利用Octree对聚类结果中相邻地物存在交错重叠的点云进行格网划分,如图8所示,计算每个格网中所有点的中心位置p=(x,y,z),记为加权图G={V,E}中的节点位置V,依据各个节点间的水平距离和竖直距离计算各边E的连接权重W,如下式所示,其中pi=(xi,yi,zi)、pj=(xj,yj,zj)分别表示第i个节点和第j个节点的位置,σH和σV分别为水平分布和竖直分布的标准差,dH为两节点间有效连接的最大水平距离阈值设为0.6m,最后利用归一化分割方法(Ncut)对图G进行分割,分割结果如图9所示,独立地物点云分布如图10、11所示(图中每个独立的地物点云分别被独立出来);
步骤A4:在竖直方向上将独立目标地物点云均匀划分成5层,并将最底层内的点云投影至xoy平面上,计算最小包围框的面积;设定阈值S=5m,当包围框面积大于或等于阈值S时,标记为大型地物点云聚类簇,剔除建筑物、栅栏等大型地物点云,最终获得待分类目标地物点云,如图12、图13所示。
步骤S102:提取目标点云的训练样本,构建基本训练样本库。在本实施方式中,所述目标点云的训练样本包括:树木、车辆、杆状地物和其它地物;具体包括如下步骤:步骤B1:将4份不同场景的车载激光点云数据进行步骤A处理;步骤B2:利用手动的方法从步骤B1结果中提取树木点云123份、车辆点云141份、杆状地物点云133份、其它地物点云102份,构建基本目标点云训练样本库。
步骤S103:构建所述目标点云的训练样本基于多个方向的垂直投影二值图像,并生成特征向量。具体包括步骤:步骤C:步骤C1:标定3个不同视角方向,在xoy平面上,定义y轴方向为0度方向,标记为“方向1”,按顺时针方向,取120度方向和240度方向,分别标记为“方向2”和“方向3”;步骤C2:沿着各方向将训练样本点云分别垂直投影至3个平面,并将平面划分成50×50的规则格网,若格网中存在点云则该格网值标记为“1”,否则标记为“0”,生成3幅垂直投影二值图像,如图14所示;步骤C3:将每幅二值图像排列成一个长度为50×50二值向量,并将3个二值向量串联排列成一个长度为3×50×50的二值向量构成一个DBN网络的输入特征训练样本;步骤C4:将点云训练样本绕z轴顺时针每旋转10°,根据步骤C1至步骤C3生成一个特征训练样本,直至训练样本点云旋转一周,每个点云训练样本共生成36个3×50×50的DBN网络输入特征训练样本,如图15所示;基本目标点云训练样本库中所有目标点云训练样本共生成17964个DBN网络输入特征向量。采用基于多个方向生成目标点云的垂直投影二值图像作为低阶的描述特征,能够从多角度、简单高效地描述目标点云。
步骤S104:使用所述特征向量作为输入特征,构建深度信念网络。具体步骤如下:步骤D1:本发明中DBN网络输入特征为{0,1}二值分布,因此构建DBN网络采用伯努利-伯努利受限波尔兹曼机RBM,分类层采用softmax回归模型;步骤D2:指定DBN网络的输入层节点数为3×50×50=7500,第一个隐含层节点数为4000,第二个隐含层节点数为2000,第三个隐含层节点数为500,第四个隐含层节点数为100,分类层输出节点数为4。
步骤S105:使用逐层训练的方式进行预训练,并使用有监督的学习方式进行微调。具体步骤如下:步骤E1:采用逐层训练的方式对前4层RBM进行训练,低一层RBM的隐含层输出作为高一层RBM可见层的输入,得各RBM层间节点的连接权重和偏置,完成DBN网络的预训练。其中RBM的训练具体如下:步骤E11:以一个伯努利-伯努利受限波尔兹曼机(即可见层和隐含层的节点均为伯努利分布)为例,假设可见层节点数为n,隐含层节点数为m,vi表示第i个可见节点单元的状态,hj表示第j个隐含节点单元的状态。给定一组可见层和隐含层的节点状态(v,h),可定义RBM的能量函数为:
其中,θ={Wij,bi,cj}。
步骤E12:基于以上能量公式可得(v,h)的联合概率分布:
其中Z(θ)为配分函数(partition function)或者归一化因子,其作用是为了保证P(v,h|θ)为一个概率值。
步骤E13:由于RBM层内节点单元无连接,当给定一组可见层节点的状态值时,隐含层各个节点间的激活状态是相互独立的,那么对于隐含节点hj状态为1的概率:
其中,σ(x)=1/(1+e-x)为sigmoid函数。
步骤E14:同理,给定一组隐含层节点状态值时,重构可见节点vi状态为1的概率:
步骤E15:通过在训练数据集上求极大对数似然函数,获得最优参数θ*:
其中,T为训练样本数量。
步骤E16:依据对比散度算法(CD算法)可得RBM网络层内各参数的更新准则:
Δwij=ε(<vihj>data-<vihj>recon)
Δbi=ε(<vi>data-<vi>recon)
Δcj=ε(<hj>data-<hi>recon)
其中<·>data为训练样本集所确定分布上的期望,<·>recon为重构可见层单元所确定分布上的期望。
步骤E2:利用传统的BP算法训练分类层的softmax回归模型,并将实际输出结果与预期输出结果的误差逐层向后传播,对整个DBN网络的权值进行微调,完成DBN网络的全局优化。利用深度学习模型DBN网络的非监督贪婪逐层与监督学习相结合的优点,能够自主地从低阶描述特征中学习高阶特征,实现目标点云的自动分类,有效地提高了车载激光扫描数据处理的自动化程度。
步骤S106:构建所述待分类目标点云基于多个方向的垂直投影二值图像,并生成特征向量。具体步骤如下:将实施例中“数据一”和“数据二”中分别共96个和58个待分类目标地物点云根据步骤C1至步骤C3生成长度为3×50×50的二值向量,即所述特征向量。生成所述特征向量后,执行步骤S107:并使用所述特征向量作为训练后的深度信念网络的输入特征,完成所述车载激光点云数据目标分类。输入经过步骤E训练的DBN网络进行分类,结果如图16、图17所示。
在本实施方式中,一种车载激光点云目标分类系统的具体实现方案如下:
一种车载激光点云目标分类系统1800,包括:车载激光点云数据预处理模块1801、训练样本构建模块1802、特征向量生成模块1803、深度信念网络构建模块1804、深度信念网络训练模块1805和车载激光点云目标分类模块1806;所述车载激光点云数据预处理模块1801,用于:对车载激光点云数据进行预处理,生成待分类目标点云,所述待分类目标点云包括:面上地物点云;所述训练样本构建模块1802,用于:提取目标点云的训练样本,构建基本训练样本库,所述目标点云的训练样本包括:树木、车辆、杆状地物和其它地物;所述输入特征生成模块1803,用于:构建所述训练样本基于多个方向的垂直投影二值图像,并生成特征向量;所述深度信念网络构建模块1804,用于:使用所述特征向量作为输入,构建深度信念网络;所述深度信念网络训练模块1805,用于:使用逐层训练的方式进行预训练,并使用有监督的学习方式进行微调;所述车载激光点云目标分类模块1806,用于:构建所述待分类目标点云基于多个方向的垂直投影二值图像,并生成特征向量,并使用所述特征向量作为训练后的深度信念网络的输入特征,完成所述车载激光点云数据目标分类。
进一步的,所述车载激光点云数据预处理模块1801,还用于:使用局部高差阈值的地面点云滤波法剔除地面点云,并使用具有噪声的基于密度的聚类方法对面上地物点云进行聚类;使用归一化分割法对聚类后的面上地物点云中相邻地物交错重叠云进行分割;通过剖面分析法剔除大型地物点云聚类簇,生成待分类目标点云。
进一步的,特征向量生成模块1803,还用于:预设n个不同方向;所述目标点云的训练样本沿各方向分别垂直投影至n个平面,并划分平面成p*p的规则格网,并根据格网内是否存在所述目标点云生成垂直投影二值图像;使所述二值图像排列成长度为p*p二值向量,并将n个二值向量串联排列成长度为n*p*p的二值向量;还用于:所述目标点云的训练样本绕z轴顺时针每旋转θ角,重复“预设n个不同方向;所述目标点云的训练样本沿各方向分别垂直投影至n个平面,并划分平面成p*p的规则格网,并根据格网内是否存在点云生成二值图像;使所述二值图像排列成长度为p*p二值向量,并将n个二值向量串联排列成长度为n*p*p的深度信念网络输入特征向量”操作,直至所述目标点云的训练样本绕z轴旋转一周。
进一步的,所述深度信念网络构建模块1804,还用于:使用受限波尔兹曼机构建深度信念网络,分类层采用softmax回归模型;指定深度信念网络的输入层节点数、隐含层层数、隐含层节点数和分类层输出节点数。
进一步的,所述深度信念网络训练模块1805,还用于:使用逐层训练的方式对各层受限波尔兹曼机进行训练,通过低一层受限波尔兹曼机的隐含层输出作为高一层受限波尔兹曼机可见层的输入,得到各受限波尔兹曼机层间节点的连接权重和偏置,深度信念网络预训练完成;使用BP算法训练分类层的softmax回归模型,并逐层反向传播实际输出结果与预期输出结果的误差,微调整个网络参数,深度信念网络训练完成。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括……”或“包含……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外,在本文中,“大于”、“小于”、“超过”等理解为不包括本数;“以上”、“以下”、“以内”等理解为包括本数。
本领域内的技术人员应明白,上述各实施例可提供为方法、装置、或计算机程序产品。这些实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机设备可读取的存储介质中,用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备,包括但不限于:个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等;所述的存储介质,包括但不限于:RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
上述各实施例是参照根据实施例所述的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到计算机设备的处理器以产生一个机器,使得通过计算机设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机设备以特定方式工作的计算机设备可读存储器中,使得存储在该计算机设备可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机设备上,使得在计算机设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已经对上述各实施例进行了描述,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改,所以以上所述仅为本发明的实施例,并非因此限制本发明的专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围之内。
Claims (8)
1.一种车载激光点云目标分类方法,其特征在于,包括如下步骤:
对车载激光点云数据进行预处理,生成待分类目标点云,所述待分类目标点云包括:面上地物点云;
提取目标点云的训练样本,构建基本训练样本库,所述目标点云的训练样本包括:树木、车辆、杆状地物和其它地物;
构建所述训练样本基于多个方向的垂直投影二值图像,并生成特征向量,具体包括以下步骤:
预设n个不同方向;
所述目标点云的训练样本沿各方向分别垂直投影至n个平面,并划分平面成p*p的规则格网,并根据格网内是否存在点云生成二值图像;
使所述二值图像排列成长度为p*p二值向量,并将n个二值向量串联排列成长度为n*p*p的深度信念网络输入特征向量;
使所述目标点云的训练样本绕z轴顺时针每旋转θ角,重复步骤“构建所述训练样本基于多个方向的垂直投影二值图像,并生成特征向量”,直至所述目标点云的训练样本绕z轴旋转一周;
使用所述特征向量作为输入,构建深度信念网络;
使用逐层训练的方式对深度信念网络进行预训练,并使用有监督的学习方式进行微调;
构建所述待分类目标点云基于多个方向的垂直投影二值图像,并生成特征向量,并使用所述特征向量作为训练后深度信念网络的输入,完成所述车载激光点云目标分类。
2.根据权利要求1所述的一种车载激光点云目标分类方法,其特征在于,步骤“对车载激光点云数据进行预处理,生成待分类目标点云”,还包括步骤:
使用局部高差阈值的地面点云滤波法剔除地面点云,并使用具有噪声的基于密度的聚类方法对面上地物点云进行聚类;
使用归一化分割法对聚类后的面上地物点云中相邻地物交错重叠点云进行分割;
通过剖面分析法剔除大型地物点云聚类簇,生成待分类目标点云。
3.根据权利要求1所述的一种车载激光点云目标分类方法,其特征在于,步骤“使用所述特征向量作为输入,构建深度信念网络”,还包括步骤:
使用受限波尔兹曼机构建深度信念网络,分类层采用softmax回归模型;
指定深度信念网络的输入层节点数、隐含层层数、隐含层节点数和分类层输出节点数。
4.根据权利要求1所述的一种车载激光点云目标分类方法,其特征在于,步骤“使用逐层训练的方式进行预训练,并使用有监督的学习方式进行微调”,还包括步骤:
使用逐层训练的方式对各层受限波尔兹曼机进行训练,通过低一层受限波尔兹曼机的隐含层输出作为高一层受限波尔兹曼机可见层的输入,得到各受限波尔兹曼机层间节点的连接权重和偏置,深度信念网络预训练完成;
使用BP算法训练分类层的softmax回归模型,并逐层反向传播实际输出结果与预期输出结果的误差,微调整个网络参数,深度信念网络训练完成。
5.一种车载激光点云目标分类系统,其特征在于,包括:车载激光点云数据预处理模块、训练样本构建模块、输入特征生成模块、深度信念网络构建模块、深度信念网络训练模块和车载激光点云目标分类模块;
所述车载激光点云数据预处理模块,用于:对车载激光点云进行预处理,生成待分类目标点云,所述待分类目标点云包括:面上地物点云;
所述训练样本构建模块,用于:提取目标点云的训练样本,构建基本训练样本库,所述目标点云的训练样本包括:树木、车辆、杆状地物和其它地物;
所述输入特征生成模块,用于:
预设n个不同水平方向;
所述目标点云的训练样本沿各方向分别垂直投影至n个平面,并划分平面成p*p的规则格网,并根据格网内是否存在点云生成二值图像;
使所述二值图像排列成长度为p*p二值向量,并将n个二值向量串联排列成长度为n*p*p的深度信念网络输入特征向量;
还用于:使所述目标点云的训练样本绕z轴顺时针每旋转θ角,重复“预设n个不同方向;所述目标点云的训练样本沿各方向分别垂直投影至n个平面,并划分平面成p*p的规则格网,并根据格网内是否存在点云生成垂直投影二值图像;使所述二值图像排列成长度为p*p二值向量,并将n个二值向量串联排列成长度为n*p*p的深度信念网络输入特征向量”操作,直至所述目标点云的训练样本绕z轴旋转一周;
所述深度信念网络构建模块,用于:使用所述特征向量作为输入,构建深度信念网络;
所述深度信念网络训练模块,用于:使用逐层训练的方式进行预训练,并使用有监督的学习方式进行微调;
所述车载激光点云目标分类模块,用于:构建所述待分类目标点云基于多个方向的垂直投影二值图像,并生成特征向量,并使用所述特征向量作为训练后的深度信念网络的输入,完成所述车载激光点云目标分类。
6.根据权利要求5所述的一种车载激光点云目标分类系统,其特征在于,
所述车载激光点云数据预处理模块,还用于:使用局部高差阈值的地面点云滤波法剔除地面点云,并使用具有噪声的基于密度的聚类方法对面上地物点云进行聚类;
使用归一化分割法对聚类后的面上地物点云中相邻地物交错重叠云进行分割;
通过剖面分析法剔除大型地物点云聚类簇,生成待分类目标点云。
7.根据权利要求5所述的一种车载激光点云目标分类系统,其特征在于,
所述深度信念网络构建模块,还用于:使用受限波尔兹曼机构建深度信念网络,分类层采用softmax回归模型;
指定深度信念网络的输入层节点数、隐含层层数、隐含层节点数和分类层输出节点数。
8.根据权利要求5所述的一种车载激光点云目标分类系统,其特征在于,
所述深度信念网络训练模块,还用于:使用逐层训练的方式对各层受限波尔兹曼机进行训练,通过低一层受限波尔兹曼机的隐含层输出作为高一层受限波尔兹曼机可见层的输入,得到各受限波尔兹曼机层间节点的连接权重和偏置,深度信念网络预训练完成;
使用BP算法训练分类层的softmax回归模型,并逐层反向传播实际输出结果与预期输出结果的误差,微调整个网络参数,深度信念网络训练完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611187597.0A CN106650809B (zh) | 2016-12-20 | 2016-12-20 | 一种车载激光点云目标分类方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611187597.0A CN106650809B (zh) | 2016-12-20 | 2016-12-20 | 一种车载激光点云目标分类方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106650809A CN106650809A (zh) | 2017-05-10 |
CN106650809B true CN106650809B (zh) | 2018-02-23 |
Family
ID=58834176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611187597.0A Active CN106650809B (zh) | 2016-12-20 | 2016-12-20 | 一种车载激光点云目标分类方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650809B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680102A (zh) * | 2017-08-28 | 2018-02-09 | 国网甘肃省电力公司电力科学研究院 | 一种基于空间约束的机载点云数据电力杆塔自动提取方法 |
CN107479501A (zh) * | 2017-09-28 | 2017-12-15 | 广州智能装备研究院有限公司 | 基于深度学习的3d零部件吸取方法 |
CN107895144A (zh) * | 2017-10-27 | 2018-04-10 | 重庆工商大学 | 一种手指静脉图像防伪鉴别方法及装置 |
CN109840454B (zh) * | 2017-11-28 | 2021-01-29 | 华为技术有限公司 | 目标物定位方法、装置、存储介质以及设备 |
CN108133227A (zh) | 2017-11-29 | 2018-06-08 | 北京数字绿土科技有限公司 | 激光雷达点云数据分类方法及装置 |
CN110135227B (zh) * | 2018-02-09 | 2022-06-03 | 电子科技大学 | 一种基于机器学习的激光点云室外场景自动分割方法 |
CN108519075B (zh) * | 2018-03-22 | 2021-04-13 | 北京控制工程研究所 | 一种空间多目标位姿测量方法 |
CN110363847B (zh) * | 2018-04-10 | 2023-06-23 | 北京京东尚科信息技术有限公司 | 一种基于点云数据的地图模型构建方法和装置 |
CN110390346A (zh) * | 2018-04-23 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 目标对象识别方法、装置、电子设备及存储介质 |
CN109146943B (zh) | 2018-08-03 | 2019-12-03 | 百度在线网络技术(北京)有限公司 | 静止物体的检测方法、装置及电子设备 |
CN109447132A (zh) * | 2018-10-08 | 2019-03-08 | 广州德泰克自动化科技有限公司 | 一种基于视觉及激光点云ai算法的包裹追踪方法 |
CN109829399B (zh) * | 2019-01-18 | 2022-07-05 | 武汉大学 | 一种基于深度学习的车载道路场景点云自动分类方法 |
US10776651B2 (en) * | 2019-01-18 | 2020-09-15 | Intelligrated Headquarters, Llc | Material handling method, apparatus, and system for identification of a region-of-interest |
CN110069993B (zh) * | 2019-03-19 | 2021-10-08 | 同济大学 | 一种基于深度学习的目标车辆检测方法 |
CN110119438B (zh) * | 2019-04-23 | 2021-05-07 | 东华理工大学 | 基于主动学习的机载LiDAR点云滤波方法 |
CN110346808B (zh) * | 2019-07-15 | 2023-01-31 | 上海点积实业有限公司 | 一种激光雷达的点云数据处理方法和系统 |
CN110490915B (zh) * | 2019-08-19 | 2023-11-24 | 重庆大学 | 一种基于卷积受限玻尔兹曼机的点云配准方法 |
CN111559314B (zh) * | 2020-04-27 | 2021-08-24 | 长沙立中汽车设计开发股份有限公司 | 深度与图像信息融合的3d增强全景环视系统及实现方法 |
CN112132857B (zh) * | 2020-09-18 | 2023-04-07 | 福州大学 | 动态环境混合视觉系统的动态物检测和静态地图重建方法 |
CN114359876B (zh) * | 2022-03-21 | 2022-05-31 | 成都奥伦达科技有限公司 | 一种车辆目标识别方法及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778432A (zh) * | 2014-01-08 | 2014-05-07 | 南京邮电大学 | 一种基于深信度网络的人车分类方法 |
CN104197897A (zh) * | 2014-04-25 | 2014-12-10 | 厦门大学 | 一种基于车载激光扫描点云的城区道路标线自动分类方法 |
CN105701503A (zh) * | 2016-01-07 | 2016-06-22 | 西安电子科技大学 | 基于dbn模型的干涉sar图像分类方法 |
CN106127153A (zh) * | 2016-06-24 | 2016-11-16 | 南京林业大学 | 车载激光扫描点云数据的交通标牌识别方法 |
-
2016
- 2016-12-20 CN CN201611187597.0A patent/CN106650809B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778432A (zh) * | 2014-01-08 | 2014-05-07 | 南京邮电大学 | 一种基于深信度网络的人车分类方法 |
CN104197897A (zh) * | 2014-04-25 | 2014-12-10 | 厦门大学 | 一种基于车载激光扫描点云的城区道路标线自动分类方法 |
CN105701503A (zh) * | 2016-01-07 | 2016-06-22 | 西安电子科技大学 | 基于dbn模型的干涉sar图像分类方法 |
CN106127153A (zh) * | 2016-06-24 | 2016-11-16 | 南京林业大学 | 车载激光扫描点云数据的交通标牌识别方法 |
Non-Patent Citations (2)
Title |
---|
基于Gradient Boosting的车载LiDAR点云分类;赵刚等;《地理信息世界》;20160625;第23卷(第3期);第47-52页 * |
基于投影点密度的车载激光扫描距离图像分割方法;史文中等;《测绘学报》;20050525;第34卷(第2期);第95-99页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106650809A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650809B (zh) | 一种车载激光点云目标分类方法和系统 | |
Huang et al. | Point cloud labeling using 3d convolutional neural network | |
CN109829399A (zh) | 一种基于深度学习的车载道路场景点云自动分类方法 | |
CN108062551A (zh) | 一种基于邻接矩阵的图特征提取系统、图分类系统和方法 | |
CN103955702A (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
CN104933417A (zh) | 一种基于稀疏时空特征的行为识别方法 | |
CN108596329A (zh) | 基于端到端深度集成学习网络的三维模型分类方法 | |
CN104504709B (zh) | 一种基于特征球的室外场景三维点云数据的分类方法 | |
CN110188228A (zh) | 基于草图检索三维模型的跨模态检索方法 | |
CN112257637A (zh) | 一种融合点云和多视图的车载激光点云多目标识别方法 | |
CN106557579A (zh) | 一种基于卷积神经网络的车辆型号检索系统及方法 | |
CN111931505A (zh) | 一种基于子图嵌入的跨语言实体对齐方法 | |
CN113449736B (zh) | 一种基于深度学习的摄影测量点云语义分割方法 | |
Song et al. | Classifying 3D objects in LiDAR point clouds with a back-propagation neural network | |
JP7464236B2 (ja) | 複雑ネットワークによる自動運転車の複雑環境モデル、認知システム及び認知方法 | |
CN105956610B (zh) | 一种基于多层编码结构的遥感图像地形分类方法 | |
CN111611960B (zh) | 一种基于多层感知神经网络大区域地表覆盖分类方法 | |
CN111539422A (zh) | 基于Faster RCNN的飞行目标协同识别方法 | |
Atik et al. | Classification of Aerial Photogrammetric Point Cloud Using Recurrent Neural Networks | |
Günen | Adaptive neighborhood size and effective geometric features selection for 3D scattered point cloud classification | |
CN104331711B (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
CN111860359B (zh) | 一种基于改进随机森林算法的点云分类方法 | |
Pirotti et al. | Classification of aerial laser scanning point clouds using machine learning: a comparison between random forest and tensorflow | |
CN112200248A (zh) | 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质 | |
CN107941210A (zh) | 一种结合神经网络技术及三角形算法的星图识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |