CN110222742B - 基于分层多回波的点云分割方法、装置、存储介质及设备 - Google Patents

基于分层多回波的点云分割方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN110222742B
CN110222742B CN201910433828.9A CN201910433828A CN110222742B CN 110222742 B CN110222742 B CN 110222742B CN 201910433828 A CN201910433828 A CN 201910433828A CN 110222742 B CN110222742 B CN 110222742B
Authority
CN
China
Prior art keywords
point
points
layer structure
echo
adjacent
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
Application number
CN201910433828.9A
Other languages
English (en)
Other versions
CN110222742A (zh
Inventor
陈欢欢
黄恩兴
黄不了
王国飞
朱云慧
闫继扬
于娜
李文棋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Stargis Tianjin Technology Development Co ltd
University of Science and Technology of China USTC
Original Assignee
Stargis Tianjin Technology Development Co ltd
University of Science and Technology of China USTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Stargis Tianjin Technology Development Co ltd, University of Science and Technology of China USTC filed Critical Stargis Tianjin Technology Development Co ltd
Priority to CN201910433828.9A priority Critical patent/CN110222742B/zh
Publication of CN110222742A publication Critical patent/CN110222742A/zh
Application granted granted Critical
Publication of CN110222742B publication Critical patent/CN110222742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/2163—Partitioning the feature space

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于分层多回波的点云分割方法、装置、存储介质及设备，该方法包括：根据多回波点云数据的分布形式构建对应的分层结构模型；提取分层结构模型每一层结构中各点的节点特征参数；根据分层结构模型每一层结构中各点的节点特征参数以及各点所属的层结构之间的相邻关系，计算每一层结构中各点的高阶特征参数；基于分层结构模型中上层结构中的点的高阶特征参数，对相应的下层结构中具有相邻关系的点的高阶特征参数进行优化；采用深度学习分类模型对各点的优化后的高阶特征参数进行分类学习，实现多回波点云数据的点云分割。本发明能够快速有效地实现对海量点云数据的准确分割。

Description

基于分层多回波的点云分割方法、装置、存储介质及设备
技术领域
本发明涉及激光雷达和人工智能技术领域，尤其涉及一种基于分层多回波的点云分割方法、装置、存储介质及设备。
背景技术
为了准确获得对外界场景的理解，许多技术被应用到激光点云这个邻域。其中，机载激光雷达(Airborne Lidar，简称ALR)由于其探测范围广，无时间地形限制，具有多回波特性等特点，是现在主流的广域场景理解手段之一。通过结合由机载激光雷达获得的点云数据和一起采集的光学影像数据，可以得到某个广域区域较为全面的地形地貌特征，从而实现对于该区域的场景理解。
在使用ALR采集激光点云时，由于激光点云本身的分布不规律，密度差距大以及噪声的影响，采集到的激光点云数据通常十分复杂。在实际工程中，这些数据会由专业的测绘工程师来抽取特征，但是在探测范围大、数据多的时候，人工数据特征抽取耗费的成本将大幅增加。现有的ALR点云语义分割的方法主要分为四类：基于边的语义分割方法，基于区域增长的语义分割方法，基于参数的语义分割方法以及基于深度学习的语义分割方法。其中，基于边的语义分割方法分割精度并不理想；基于区域增长的语义分割方法受限于种子点的选取；基于参数的语义分割方法依赖于人根据对场景的预先理解所设计的特征；而深度学习的语义分割方法的瓶颈在于对训练的数据量和时间有着较高的要求。可见，实际工业领域的现有点云分割技术在进行海量点云数据处理和分割时，点云分割准确度低、点云分割周期较长且浪费大量的人力。
直接由雷达得到的点云原始特征容易受到噪声和采样密度变化的影响，分割效果不理想，通常需要在此基础上进一步提取高级特征。随着近期深度学习的迅速发展，最近几年来许多问题都通过引进深度学习方法得到了改善。许多研究人员也试过利用深度学习方法解决点云分割问题。但是，深度学习方法处理的数据(如图像，音频等)通常有固定的组织形式，而点云数据存在分布不规则、点的分布密度变化大的问题，因此现有基于深度学习的点云数据分类方法在实现过程中仍然存在很多问题，无法满足对分类效率和分类准确度的需求。
发明内容
本发明提出了一种基于分层多回波的点云分割方法、装置、存储介质及设备，以解决现有点云分割技术在进行海量点云数据处理和分割时分割准确度低、分割周期较长且需要浪费大量人力的问题，能够快速有效地实现对海量点云数据的分割。
本发明的一个方面，提供了一种基于分层多回波的点云分割方法，所述方法包括：
根据多回波点云数据的分布形式构建对应的分层结构模型；
提取所述分层结构模型每一层结构中各个点的节点特征参数；
根据所述分层结构模型每一层结构中各个点的节点特征参数以及各个点所属的层结构之间的相邻关系，计算每一层结构中各个点的高阶特征参数；
基于分层结构模型中上层结构中的点的高阶特征参数，对相应的下层结构中具有相邻关系的点的高阶特征参数进行优化；
采用预设的深度学习分类模型对各个点的优化后的高阶特征参数进行分类学习，基于分类学习结果实现多回波点云数据的点云分割。
本发明的另一个方面，提供了一种基于分层多回波的点云分割装置，所述装置包括：
模型构建模块，用于根据多回波点云数据的分布形式构建对应的分层结构模型；
特征提取模块，用于提取所述分层结构模型每一层结构中各个点的节点特征参数；
计算模块，用于根据所述分层结构模型每一层结构中各个点的节点特征参数以及各个点所属的层结构之间的相邻关系，计算每一层结构中各个点的高阶特征参数；
特征优化模块，用于基于分层结构模型中上层结构中的点的高阶特征参数，对相应的下层结构中具有相邻关系的点的高阶特征参数进行优化；
分割处理模块，用于采用预设的深度学习分类模型对各个点的优化后的高阶特征参数进行分类学习，基于分类学习结果实现多回波点云数据的点云分割。
可选地，所述模型构建模块，包括：
第一获取单元，用于获取多回波点云数据中每一点的回拨类型；
配置单元，用于将回波类型为第一回波类型的点划分为第一层结构，所述第一回波类型的点为第一次回波数据中的点；根据预设的邻区划分参数获取所述第一层结构中各个点的邻区，将所述第一层结构中各个点的邻区中的未划分的点划分为第二层结构；根据预设的邻区划分参数获取所述第二层结构中各个点的邻区，将所述第二层结构中各个点的邻区中的未划分的点划分为第三层结构；依次执行上述层结构划分操作，直到所述多回波点云数据中每一点均划分到对应层结构。
可选地，所述计算模块，包括：
第一计算单元，用于根据所述分层结构模型中各个点的节点特征参数，计算各个点与满足预设的邻区划分参数的相邻点的节点特征参数的特征比较结果；
第二计算单元，用于根据所述分层结构模型的第一层结构中各个点的节点特征参数，计算第一层结构中各个点的高阶特征参数；
第三计算单元，用于根据所述第一层结构中各个点的高阶特征参数以及所述第一层结构中各个点与相邻点之间的特征比较结果，计算各个相邻点的高阶特征参数；
依次执行上述计算单元的操作，直到得到所述多回波点云数据中每一点的高阶特征参数。
可选地，所述第三计算单元，具体用于采用多层感知机算法根据所述第一层结构中各个点与相邻点之间的特征比较结果生成对应的相邻点的滤波权重方阵；将所述第一层结构中各个点的高阶特征参数分别与对应的相邻点的滤波权重方阵相乘，得到对应的相邻点的高阶特征参数。
可选地，所述特征优化模块，包括：
第二获取单元，用于获取与当前层结构中各个待优化点具有相邻关系的属于当前层结构的上层结构中的点，所述相邻关系包括直接相邻或跨层相邻；
特征提取单元，用于分别将不同层结构中的与当前层结构中待优化点具有相邻关系的点的高阶特征参数进行最大池化，得到基于层结构排列的序列特征；
优化单元，用于对所述序列特征进行特征提取，得到待优化点的优化特征，并根据所述优化特征对所述待优化点的高阶特征参数进行优化。
可选地，所述装置还包括：
配置模块，用于在模型构建模块所述根据多回波点云数据的分布形式构建对应的分层结构模型之前，根据所述多回波点云数据对应的影像数据的色彩分布分别对所述多回波点云数据中各个点进行颜色赋值。
此外，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法的步骤。
此外，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法的步骤。
本发明实施例提供的基于分层多回波的点云分割方法、装置、存储介质及设备，通过根据多回波点云数据的分布形式构建对应的分层结构模型，在提取分层结构模型每一层结构中各点的高阶特征参数之后，采用分层结构模型中上层结构中的点的高阶特征参数，对相应的下层结构中具有相邻关系的点的高阶特征参数进行优化，并基于各点的优化后的高阶特征参数进行深度学习，进而快速有效地实现对海量点云数据的准确分割。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例的一种基于分层多回波的点云分割方法的流程示意图；
图2为本发明实施例的一种基于分层多回波的点云分割方法中步骤S11的流程示意图；
图3为本发明实施例的一种基于分层多回波的点云分割方法中步骤S13的流程示意图；
图4为本发明实施例的一种基于分层多回波的点云分割方法中步骤S14的流程示意图；
图5为本发明实施例提供的多回波点云数据的分布形式示意图；
图6为本发明实施例提供的点c及其上层结构的示意图；
图7为本发明实施例的一种基于分层多回波的点云分割装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。
本发明实施例提供了一种能够快速准确地实现对海量点云数据进行点云分割的方法，可以获得植被点、建筑物、地面等不同应用层的点云。其中，植被点用于获取林木高度、树冠大小、树种类型等丰富信息，可为森林分树种分高度、生物量反演研究、生物量遥感估算模型建立等提供丰富的数据支撑；建筑物点用于获取建筑物高度、占地面积、楼层等信息，可用于城市规划建设、城市空间形态分析、净空保护分析、违法违建分析等；地面点可用于高精度数字高程模型制作，为国土、规划、石油、水利、交通、电力等行业提供基础数据。
图1示意性示出了本发明一个实施例的基于分层多回波的点云分割方法的流程图。参照图1，本发明实施例提出的基于分层多回波的点云分割方法具体包括步骤S11～S15，如下所示：
S11、根据多回波点云数据的分布形式构建对应的分层结构模型。
其中，所述分层结构模型中包括第一层结构和除第一层结构之外的其他层结构，所述第一层结构由第一回波类型的点构成，所述其他层结构由第二回波类型的点构成。具体的，所述第一回波类型的点为第一次回波数据中的点，第二回波类型的点为除第一次回波数据之外的点。
在实际应用中，通过读取多回波点云数据，并分析多回波点云数据分布形式，之后建立分层结构模型表示该分布形式。在根据多回波点云数据的分布形式构建对应的分层结构模型之前，根据多回波点云数据对应的影像数据的色彩分布分别对所述多回波点云数据中各个点进行颜色赋值，以形成彩色点云数据，便于进行点云数据分布形式分析。颜色赋值的具体实现如下：将点云和正射影像数据进行读取，在点云读取中同时读取对应位置的一幅影像数据，根据点云位置信息，将影像RGB值赋予对应点，未能被赋予颜色的点以缺省值代替，最终形成彩色点云数据。其中，稀疏遮挡区域下方的多点由于受到遮挡，无法获取颜色信息，基于彩色点云数据分析可知，多点大多位于稀疏遮挡区域，且呈现簇团状分布，多点内部存在明显的分层结构。
S12、提取所述分层结构模型每一层结构中各个点的节点特征参数。
本实施例中的节点特征参数覆盖了节点的几何特征和雷达的观测值，总共包括12维特征，其中四维几何特征和八维雷达观测值。节点12维特征包括但不限于空间位置特征、几何特征、高程特征、颜色特征和反射强度。其中，空间位置特征具体包括空间x、y和z坐标特征；几何特征具体包括线条性、平面性、发散性和垂直性特征；颜色特征具体包括r、g和b参数特征。
S13、根据所述分层结构模型每一层结构中各个点的节点特征参数以及各个点所属的层结构之间的相邻关系，计算每一层结构中各个点的高阶特征参数。
S14、基于分层结构模型中上层结构中的点的高阶特征参数，对相应的下层结构中具有相邻关系的点的高阶特征参数进行优化。
S15、采用预设的深度学习分类模型对各个点的优化后的高阶特征参数进行分类学习，基于分类学习结果实现多回波点云数据的点云分割。
本发明实施例提供的基于分层多回波的点云分割方法，通过根据多回波点云数据的分布形式构建对应的分层结构模型，在提取分层结构模型每一层结构中各点的高阶特征参数之后，采用分层结构模型中上层结构中的点的高阶特征参数，对相应的下层结构中具有相邻关系的点的高阶特征参数进行优化，并基于各点的优化后的高阶特征参数进行深度学习，进而快速有效地实现对海量点云数据的准确分割。
在本发明实施例中，参见图2所示，步骤S11中的根据多回波点云数据的分布形式构建对应的分层结构模型，具体包括以下步骤：
S111、获取多回波点云数据中每一点的回拨类型。
S112、将回波类型为第一回波类型的点划分为第一层结构，所述第一回波类型的点为第一次回波数据中的点。
S113、根据预设的邻区划分参数获取所述第一层结构中各个点的邻区，将所述第一层结构中各个点的邻区中的未划分的点划分为第二层结构。
S114、根据预设的邻区划分参数获取所述第二层结构中各个点的邻区，将所述第二层结构中各个点的邻区中的未划分的点划分为第三层结构。
判断所述多回波点云数据中每一点是否均划分到对应层结构，若是则结束当前流程，否则，以当前层结构(即第三层结构)为准，执行上述步骤S114记载的层结构划分操作以得到下一层结构，直到所述多回波点云数据中每一点均划分到对应层结构。
本实施例中，针对之前提出的多点分布形式，建立了一个分层结构模型，用于对该分布形式进行建模，为之后的工作提供模型基础。建立分层结构模型时首先设置分层结构模型中的节点，之后设置了一个近邻参数来确定节点之间的近邻关系，该近邻关系体现为分层结构模型中的边，再后确定分层结构模型中的分层结构并将图中节点分配到所属层。
节点的设置：将点云中的每一个点都设置为分层结构模型中的一个节点。
边的设置：对于分层结构模型中的每一个节点，设置一个近邻参数并查询在该节点近邻参数半径内的所有其他节点作为该节点的相邻节点，每一对相邻节点之间由一条边相连。该近邻参数的设置范围可以为1m-6m。
模型层结构的设置：针对之前提出的多点分布形式中出现的明显的分层结构，本发明通过在分层结构模型中设置对应的分层结构来对其建模。首先获取每个点的回波类型，之后将所有回波类型为第一回波类型的点作为分层结构模型的第一层，由上一层的点按照近邻关系传播得到下一层的点，依次迭代循环，直到每个点被分配到图中指定层。
获取每个点的回波类型：由点云数据直接获取每个点的return number和numreturn参数，由return number和num return的值判断该点所属的回波类型。当num return为1时，则该点回波类型为0，当num return大于0且return number为1时，则该点第一回波类型，除上述情况以外的点第二回波类型。本实施例中，将回波类型为0或1的点作为第一回波类型，将第二回波类型的点作为第二回波类型。
将所有第一回波类型的点作为第一层：查询所有第一回波类型的点，将他们所属的层级设置为1；
由第一层的点按照近邻关系传播得到第二层的点：查询所有与第一层点相邻的第二回波类型的点，如果它们没有所属的层级，则将他们的层级设置为上一层层级加一，即为1+1＝2；
依次迭代循环，直到每个点被分配到图中指定层：迭代循环利用之前得到的下一层的点获取再下一层的点的步骤，直到所有点都有所属的层级。
在本发明实施例中，参见图3所示，步骤S13中的根据所述分层结构模型每一层结构中各个点的节点特征参数以及各个点所属的层结构之间的相邻关系，计算每一层结构中各个点的高阶特征参数，具体包括以下步骤：
S131、根据所述分层结构模型中各个点的节点特征参数，计算各个点与满足预设的邻区划分参数的相邻点的节点特征参数的特征比较结果。
本实施例中，分层结构模型中包括节点参数和边参数，节点参数设计主要覆盖了节点的几何特征和雷达的观测值，即点的12维特征参数；边参数的设计主要为了表现相邻两节点的参数差异，即点与相邻点的节点特征参数的特征比较结果。
S132、根据所述分层结构模型的第一层结构中各个点的节点特征参数，计算第一层结构中各个点的高阶特征参数。
S133、根据所述第一层结构中各个点的高阶特征参数以及所述第一层结构中各个点与相邻点之间的特征比较结果，计算各个相邻点的高阶特征参数。
判断所述多回波点云数据中每一点是否均对应有高阶特征参数，若是则结束当前流程，否则，循环执行上述根据上层结构中各个点的高阶特征参数计算相邻点的高阶特征参数操作，直到得到所述多回波点云数据中每一点的高阶特征参数。
点12维特征参数的计算方式如下：
将图中每个点周围直接与之相邻的点作为该点的局部邻域，利用如下公式计算获得点的四个局部几何特征，分别为线条性L，平面性P，发散性S，垂直性V：
Figure BDA0002069889530000131
Figure BDA0002069889530000132
Figure BDA0002069889530000133
Figure BDA0002069889530000134
式中：λ1,λ2,λ3-该点局部邻域所有点三维空间坐标的协方差矩阵的3个特征值，按λ1＞λ2＞λ3排列；
Figure BDA0002069889530000135
-与λ1,λ2,λ3对应的3个特征向量；
雷达观测值计算方式如下：
获取雷达观测值并将之归一化处理，雷达观测值主要有空间x、y和z坐标特征、高程elevation、反射强度intensity、颜色r，g，b参数。
边参数(即点与相邻点的节点特征参数的特征比较结果)的计算如下：选择需要比较的节点参数，计算边两端节点对应参数的差异作为边的特征，通过运算公式获取空间坐标x,y,z比较值、高程比较值、反射强度比较值、线条性比较值、平面性比较值、发散性比较值、垂直性比较值。由于第二回波类型的点没有颜色信息，这里颜色信息不予考虑。
E(x)＝v1(x)-v2(x)
E(y)＝v1(y)-v2(y)
E(z)＝v1(z)-v2(z)
E(elevation)＝v1(elevation)-v2(elevation)
E(intensity)＝v1(intensity)-v2(intensity)
E(L)＝logv1(L)/v2(L)
E(P)＝logv1(P)/v2(P)
E(S)＝logv1(S)/v2(S)
E(V)＝logv1(V)/v2(V)
式中：
E,v1,v2——所选边E和其两端节点v1,v2；
A(F)——所选元素A的对应F特征，例如v1(x)指代节点v1的空间坐标x；
E(x)——空间坐标x比较值；
E(y)——空间坐标y比较值；
E(z)——空间坐标z比较值；
E(elevation)——高程比较值；
E(intensity)——反射强度比较值；
E(L)——线条性比较值；
E(P)——平面性比较值；
E(S)——发散性比较值；
E(V)——垂直性比较值。
本实施例中，具体可以采用Pointnet算法根据所述分层结构模型的第一层结构中各个点的节点特征参数，计算第一层结构中各个点的高阶特征参数。
本实施例中，步骤S133中记载的根据所述第一层结构中各个点的高阶特征参数以及所述第一层结构中各个点与相邻点之间的特征比较结果，计算各个相邻点的高阶特征参数，具体包括以下步骤：
采用多层感知机算法根据所述第一层结构中各个点与相邻点之间的特征比较结果生成对应的相邻点的滤波权重方阵；
将所述第一层结构中各个点的高阶特征参数分别与对应的相邻点的滤波权重方阵相乘，得到对应的相邻点的高阶特征参数。
本实施例中，针对第二回波类型的多点的高阶特征提取：首先进行数据准备，筛选出所有与第二回波类型的点直接相连的第一回波类型的点，以及他们之间的边，之后使用Pointnet++算法提取第一回波类型的点的高阶特征，然后使用多层感知机算法由边的参数生成滤波权重方阵，最后将第一回波类型的点的高阶特征与由对应边生成的滤波权重方阵矩阵相乘，得到对应第二回波类型的点的高阶特征。具体实现流程如下所示：
1、数据准备：筛选所有与第二回波类型的点直接相连的第一回波类型的点，以及他们之间的边。
2、提取第一回波类型的点的高阶特征：将第一回波类型的点的12维节点特征作为输入，使用Pointnet++算法，截取Pointnet++网络中全连接层前的最后一层的高阶特征作为第一回波类型的点的高阶特征。
3、学习图中边的参数，生成滤波权重：利用所有边的9维特征作为输入，使用一个多层感知机算法，得到该边的一组高阶特征，该高阶特征的维度是第一回波类型的点的高阶特征的维度的平方，最后将该边的高阶特征顺序重组为一个滤波权重方阵，
4、提取第二回波类型的点的高阶特征：将第一回波类型的点的高阶特征与由对应边生成的滤波权重方阵矩阵相乘，得到对应第二回波类型的点的高阶特征。
在本发明实施例中，参见图4所示，步骤S14中记载的基于分层结构模型中上层结构中的点的高阶特征参数，对相应的下层结构中具有相邻关系的点的高阶特征参数进行优化，具体包括以下步骤：
S141、获取与当前层结构中各个待优化点具有相邻关系的属于当前层结构的上层结构中的点，所述相邻关系包括直接相邻或跨层相邻；其中，所述相邻关系包括直接相邻或跨层相邻。
S142、分别将不同层结构中的与当前层结构中待优化点具有相邻关系的点的高阶特征参数进行最大池化，得到基于层结构排列的序列特征。
S143、对所述序列特征进行特征提取，得到待优化点的优化特征，并根据所述优化特征对所述待优化点的高阶特征参数进行优化。
本实施例中，可以利用多回波点的分层结构，将分层结构模型中上层点的信息传递给下层点，对下层点的高阶特征进行调优。具体实现流程如下：
1、上层点范围确定：针对每一个第二回波类型的点，查询分层结构模型中与之直接相连或跨层相连的上层点，最大可跨层数由参数指定，参数范围为1-8。
2、序列状特征生成：将这些上层点按层级分开，并对每一层的点的高阶特征进行最大池化，每一个上层都生成一个最大池化的结果，将这些结果按层级排列，得到该第二回波类型的点的一个序列状特征
3、RNN分类：利用RNN方法对该序列状分层特征进行特征提取，得到一个新的高阶特征
4、高阶特征调优：将新的高阶特征拼接到原高阶特征后面，补充额外的信息，实现高阶特征调优。
5、分类得到点云分割结果：使用选择的分类器对调优后的高阶特征进行分类得到点云分割后的结果，分类器可选为双层全连接层。
本发明提出的分层结构模型自动建模方法，能够对多回波点的分层结构进行建模，采用分层结构模型中上层结构中的点的高阶特征参数，对相应的下层结构中具有相邻关系的点的高阶特征参数进行优化，并基于各点的优化后的高阶特征参数进行深度学习，将传统的几何参数与深度学习方法相结合，进而弥补了传统方法效果不佳和深度学习速度较慢的缺点，快速有效地实现对海量点云数据的准确分割。
本发明提供的基于分层多回波的点云分割方法，针对多回波点云的特征，快速有效的将植被、建筑、桥梁、地表等点云分割，成功的应用于平原、丘陵、山区等多种地形条件不同环境下的点云分割。
本发明提供的基于分层多回波的点云分割方法，对于没有颜色的部分多回波点，本发明可以避免这种信息不完整对点云分割带来的不利影响。
下面通过一个具体实施例对本发明技术方案进行详细描述。
本实施例中，读取50m*50m区域的共计8000+个多回波点云并生成彩色点云数据，之后分析该区域多回波点分布形式得到该区域多回波点云的分层结构。根据点云位置信息，读取对应位置影像数据。对分块内的点云逐点遍历，将对应位置的影像RGB值赋予点，对于没有对应影像颜色的点以缺省值代替，最终形成含有彩色信息的点云数据，如图5所示，该区域多回波点数据大多位于稀疏遮挡区域，且呈现簇团状分布，多回波点云内部存在明显的分层结构。稀疏遮挡区域下方的多回波点云由于受到遮挡，无法获取颜色信息。
将点云中点都设置为分层结构模型中的节点，每一个点云中的点对应于分层结构模型中的一个节点，最终我们获得了一个有8000+个节点的分层结构模型。
针对分层结构模型中的每一个节点，我们查询分布在该节点3m半径内的所有其他节点作为该节点的相邻节点，每一对相邻节点之间由一条边相连，生成了16000+条边。
在本实例中将8000+个节点分为回波类型为0的点4000+个，回波类型为1的点2000+个，回波类型为2的点2000+个。将所有回波类型为0或1的第一回波类型的点作为第一层：我们将所有4000+个回波类型为0的点和2000+个回波类型为1的点的所属的层级都设置为1，获得了分层结构模型中的第一层，共计6000+个节点。由第一层的点按照近邻关系传播得到第二层的点：查询2000+个回波类型为2的第一回波类型的点中所有与第一层6000+个点相邻的点，获得了1000+个节点且它们都没有所属的层级，将他们的层级设置为2。迭代循环2.3.3步骤，迭代这一过程获取第3层、第4层等层级的点，直到每个点被分配到图中指定层，实例中我们生成了5层点，每一层点数目的分布为6000+，1000+，500+，300+，200+。
本实例中为了简洁，选择2个相邻点以及该两点之间的一条边的特征计算过程予以介绍，其他点和边的计算以此类推。这两个点分别是地表点a和植被点b，该两点之间有一条边e。
实例中地表点a的参数为：
λ1＝1.6905，λ2＝1.2546，λ3＝0.2284
Figure BDA0002069889530000191
Figure BDA0002069889530000192
Figure BDA0002069889530000193
由公式计算得到：
L＝0.2578，P＝0.6070，S＝0.1351，V＝0.1451
实例中植被点b的参数为：
λ1＝1.5294，λ2＝1.4368，λ3＝0.3948
Figure BDA0002069889530000194
Figure BDA0002069889530000195
Figure BDA0002069889530000196
由公式计算得到：
L＝0.0605，P＝0.6812，S＝0.2582，V＝0.0870
这两个点的参数后面将作为分类算法的输入。
实例中地表点a的雷达观测值为：
x＝0.27，y＝0.45，z＝0.03，elevation＝0.034，intensity＝0.120，
r＝0，g＝0，b＝0
实例中植被点b的雷达观测值为：
x＝0.35，y＝0.45，z＝0.12，elevation＝0.121，intensity＝0.221，
r＝0.33，g＝0.87，b＝0.12
这两个点的参数后面将作为分类算法的输入。
实例中边的参数可以由公式计算得到：
E(x)＝0.08，E(y)＝0，E(z)＝0.09，E(elevation)＝0.087，E(intensity)＝0.101，
E(L)＝-0.1973，E(P)＝-0.0742，E(S)＝0.1231，E(V)＝-0.0581
筛选所有与第二回波类型的点直接相连的第一回波类型的点，以及他们之间的边。本实例中植被点b是第一回波类型的点，地表点a是第二回波类型的点，植被点b和边e满足要求。
本实例中植被点b的12维特征为：
x＝0.35，y＝0.45，z＝0.12，elevation＝0.121，intensity＝0.221，
r＝0.33，g＝0.87，b＝0.12，L＝0.0605，P＝0.6812，S＝0.2582，V＝0.0870
作为Pointnet++算法的输入，获得Pointnet++网络中全连接层前的最后一层的32维高阶特征。
学习图中边的参数，生成滤波权重：边e的9维特征为：
E(x)＝0.08，E(y)＝0，E(z)＝0.09，E(elevation)＝0.087，E(intensity)＝0.101，
E(L)＝-0.1973，E(P)＝-0.0742，E(S)＝0.1231，E(V)＝-0.0581
将边e的9维特征作为输入，使用一个预设参数为[9,64,128,256,1024]的多层感知机算法，得到该边的一组1024维高阶特征。再将边e的1024维高阶特征顺序重组为一个32*32的滤波权重方阵。
将点植被b点的32维高阶特征与边e生成的32*32滤波权重方阵矩阵相乘，得到地表点a的32维高阶特征。
本实例中为了简洁，选择一个第二回波类型的点c特征调优过程予以介绍，其他第二回波类型点的计算以此类推.
上层点范围确定：针对每一个第二回波类型的点，查询分层结构模型中与之直接相连或跨层相连的上层点，最大可跨层数设定为3。点c上层点结构如图6所示，图6中所有点的高阶特征都已经获取。
序列状特征生成：将这些上层点按层级分开，并对每一层的点的高阶特征进行最大池化，第一层的3个点的3个32维特征最大池化后生成一个32维的特征，第二层的2个点的2个32维特征最大池化后生成一个32维的特征，第三层的2个点的2个32维特征最大池化后生成一个32维的特征，将这些结果按层级排列，得到点c的一个3*32的序列状特征
利用RNN方法对该序列状分层特征进行特征提取，得到一个新的32维的高阶特征
将新的32维的高阶特征拼接到点c原32维的高阶特征后面，生成一个新的64维特征，补充额外的信息，实现高阶特征调优。
使用双层全连接层对调优后的高阶特征进行深度学习分类，得到点c的类别为地表点。
对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
图7示意性示出了本发明一个实施例的基于分层多回波的点云分割装置的结构示意图。参照图7，本发明实施例的基于分层多回波的点云分割装置具体包括模型构建模块201、特征提取模块202、计算模块203、特征优化模块204以及分割处理模块205，其中：
模型构建模块201，用于根据多回波点云数据的分布形式构建对应的分层结构模型；
特征提取模块202，用于提取所述分层结构模型每一层结构中各个点的节点特征参数；
计算模块203，用于根据所述分层结构模型每一层结构中各个点的节点特征参数以及各个点所属的层结构之间的相邻关系，计算每一层结构中各个点的高阶特征参数；
特征优化模块204，用于基于分层结构模型中上层结构中的点的高阶特征参数，对相应的下层结构中具有相邻关系的点的高阶特征参数进行优化；
分割处理模块205，用于采用预设的深度学习分类模型对各个点的优化后的高阶特征参数进行分类学习，基于分类学习结果实现多回波点云数据的点云分割。
本发明实施例中，所述模型构建模块201，包括第一获取单元和配置单元，其中：
第一获取单元，用于获取多回波点云数据中每一点的回拨类型；
配置单元，用于将回波类型为第一回波类型的点划分为第一层结构，所述第一回波类型的点为第一次回波数据中的点；根据预设的邻区划分参数获取所述第一层结构中各个点的邻区，将所述第一层结构中各个点的邻区中的未划分的点划分为第二层结构；根据预设的邻区划分参数获取所述第二层结构中各个点的邻区，将所述第二层结构中各个点的邻区中的未划分的点划分为第三层结构；依次执行上述层结构划分操作，直到所述多回波点云数据中每一点均划分到对应层结构。
本发明实施例中，所述计算模块203，包括第一计算单元、第二计算单元和第三计算单元，其中：
第一计算单元，用于根据所述分层结构模型中各个点的节点特征参数，计算各个点与满足预设的邻区划分参数的相邻点的节点特征参数的特征比较结果；
第二计算单元，用于根据所述分层结构模型的第一层结构中各个点的节点特征参数，计算第一层结构中各个点的高阶特征参数；
第三计算单元，用于根据所述第一层结构中各个点的高阶特征参数以及所述第一层结构中各个点与相邻点之间的特征比较结果，计算各个相邻点的高阶特征参数；
依次执行上述计算单元的操作，直到得到所述多回波点云数据中每一点的高阶特征参数。
进一步地，所述第三计算单元，具体用于采用多层感知机算法根据所述第一层结构中各个点与相邻点之间的特征比较结果生成对应的相邻点的滤波权重方阵；将所述第一层结构中各个点的高阶特征参数分别与对应的相邻点的滤波权重方阵相乘，得到对应的相邻点的高阶特征参数。
本发明实施例中，所述特征优化模块204，包括第二获取单元、特征提取单元和优化单元，其中：
第二获取单元，用于获取与当前层结构中各个待优化点具有相邻关系的属于当前层结构的上层结构中的点，所述相邻关系包括直接相邻或跨层相邻；
特征提取单元，用于分别将不同层结构中的与当前层结构中待优化点具有相邻关系的点的高阶特征参数进行最大池化，得到基于层结构排列的序列特征；
优化单元，用于对所述序列特征进行特征提取，得到待优化点的优化特征，并根据所述优化特征对所述待优化点的高阶特征参数进行优化。
本发明实施例中，所述装置还包括配置模块，用于在所述模型构建模块201根据多回波点云数据的分布形式构建对应的分层结构模型之前，根据所述多回波点云数据对应的影像数据的色彩分布分别对所述多回波点云数据中各个点进行颜色赋值。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
本发明实施例提供的基于分层多回波的点云分割方法、装置，通过根据多回波点云数据的分布形式构建对应的分层结构模型，在提取分层结构模型每一层结构中各点的高阶特征参数之后，采用分层结构模型中上层结构中的点的高阶特征参数，对相应的下层结构中具有相邻关系的点的高阶特征参数进行优化，并基于各点的优化后的高阶特征参数进行深度学习，进而快速有效地实现对海量点云数据的准确分割。
此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法的步骤。
本实施例中，所述基于分层多回波的点云分割装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明实施例提供的电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各个基于分层多回波的点云分割方法实施例中的步骤，例如图1所示步骤。或者，所述处理器执行所述计算机程序时实现上述各基于分层多回波的点云分割装置实施例中各模块/单元的功能，例如图7所示的模型构建模块201、特征提取模块202、计算模块203、特征优化模块204以及分割处理模块205。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于分层多回波的点云分割装置中的执行过程。例如，所述计算机程序可以被分割成模型构建模块201、特征提取模块202、计算模块203、特征优化模块204以及分割处理模块205。
所述电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，本实施例中的电子设备可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述电子设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (13)

1.一种基于分层多回波的点云分割方法，其特征在于，所述方法包括：
根据多回波点云数据的分布形式构建对应的分层结构模型；
提取所述分层结构模型每一层结构中各个点的节点特征参数；
根据所述分层结构模型每一层结构中各个点的节点特征参数以及各个点所属的层结构之间的相邻关系，计算每一层结构中各个点的高阶特征参数；
获取与当前层结构中各个待优化点具有相邻关系的属于当前层结构的上层结构中的点，所述相邻关系包括直接相邻或跨层相邻；
分别将不同层结构中的与当前层结构中待优化点具有相邻关系的点的高阶特征参数进行最大池化，得到基于层结构排列的序列特征；
对所述序列特征进行特征提取，得到待优化点的优化特征，并根据所述优化特征对所述待优化点的高阶特征参数进行优化；
采用预设的深度学习分类模型对各个点的优化后的高阶特征参数进行分类学习，基于分类学习结果实现多回波点云数据的点云分割。
2.根据权利要求1所述的方法，其特征在于，所述根据多回波点云数据的分布形式构建对应的分层结构模型，包括：
获取多回波点云数据中每一点的回波类型；
将回波类型为第一回波类型的点划分为第一层结构，所述第一回波类型的点为第一次回波数据中的点；
根据预设的邻区划分参数获取所述第一层结构中各个点的邻区，将所述第一层结构中各个点的邻区中的未划分的点划分为第二层结构；
根据预设的邻区划分参数获取所述第二层结构中各个点的邻区，将所述第二层结构中各个点的邻区中的未划分的点划分为第三层结构；
依次执行上述层结构划分操作，直到所述多回波点云数据中每一点均划分到对应层结构。
3.根据权利要求1所述的方法，其特征在于，所述根据所述分层结构模型每一层结构中各个点的节点特征参数以及各个点所属的层结构之间的相邻关系，计算每一层结构中各个点的高阶特征参数，包括：
根据所述分层结构模型中各个点的节点特征参数，计算各个点与满足预设的邻区划分参数的相邻点的节点特征参数的特征比较结果；
根据所述分层结构模型的第一层结构中各个点的节点特征参数，计算第一层结构中各个点的高阶特征参数；
根据所述第一层结构中各个点的高阶特征参数以及所述第一层结构中各个点与相邻点之间的特征比较结果，计算各个相邻点的高阶特征参数；
依次执行上述根据上层结构中各个点的高阶特征参数计算相邻点的高阶特征参数的操作，直到得到所述多回波点云数据中每一点的高阶特征参数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一层结构中各个点的高阶特征参数以及所述第一层结构中各个点与相邻点之间的特征比较结果，计算各个相邻点的高阶特征参数，包括：
采用多层感知机算法根据所述第一层结构中各个点与相邻点之间的特征比较结果生成对应的相邻点的滤波权重方阵；
将所述第一层结构中各个点的高阶特征参数分别与对应的相邻点的滤波权重方阵相乘，得到对应的相邻点的高阶特征参数。
5.根据权利要求1所述的方法，其特征在于，在所述根据多回波点云数据的分布形式构建对应的分层结构模型之前，所述方法还包括：
根据所述多回波点云数据对应的影像数据的色彩分布分别对所述多回波点云数据中各个点进行颜色赋值。
6.根据权利要求1所述的方法，其特征在于，所述节点特征参数包括空间位置特征、几何特征、高程特征、颜色特征和反射强度；
其中，空间位置特征具体包括空间x、y和z坐标特征；
几何特征具体包括线条性、平面性、发散性和垂直性特征；
颜色特征具体包括r、g和b参数特征。
7.一种基于分层多回波的点云分割装置，其特征在于，包括：
模型构建模块，用于根据多回波点云数据的分布形式构建对应的分层结构模型；
特征提取模块，用于提取所述分层结构模型每一层结构中各个点的节点特征参数；
计算模块，用于根据所述分层结构模型每一层结构中各个点的节点特征参数以及各个点所属的层结构之间的相邻关系，计算每一层结构中各个点的高阶特征参数；
特征优化模块，用于基于分层结构模型中上层结构中的点的高阶特征参数，对相应的下层结构中具有相邻关系的点的高阶特征参数进行优化；
所述特征优化模块，包括：第二获取单元，用于获取与当前层结构中各个待优化点具有相邻关系的属于当前层结构的上层结构中的点，所述相邻关系包括直接相邻或跨层相邻；
特征提取单元，用于分别将不同层结构中的与当前层结构中待优化点具有相邻关系的点的高阶特征参数进行最大池化，得到基于层结构排列的序列特征；
优化单元，用于对所述序列特征进行特征提取，得到待优化点的优化特征，并根据所述优化特征对所述待优化点的高阶特征参数进行优化
分割处理模块，用于采用预设的深度学习分类模型对各个点的优化后的高阶特征参数进行分类学习，基于分类学习结果实现多回波点云数据的点云分割。
8.根据权利要求7所述的装置，其特征在于，所述模型构建模块，包括：
第一获取单元，用于获取多回波点云数据中每一点的回波类型；
配置单元，用于将回波类型为第一回波类型的点划分为第一层结构，所述第一回波类型的点为第一次回波数据中的点；根据预设的邻区划分参数获取所述第一层结构中各个点的邻区，将所述第一层结构中各个点的邻区中的未划分的点划分为第二层结构；根据预设的邻区划分参数获取所述第二层结构中各个点的邻区，将所述第二层结构中各个点的邻区中的未划分的点划分为第三层结构；依次执行上述层结构划分操作，直到所述多回波点云数据中每一点均划分到对应层结构。
9.根据权利要求7所述的装置，其特征在于，所述计算模块，包括：
第一计算单元，用于根据所述分层结构模型中各个点的节点特征参数，计算各个点与满足预设的邻区划分参数的相邻点的节点特征参数的特征比较结果；
第二计算单元，用于根据所述分层结构模型的第一层结构中各个点的节点特征参数，计算第一层结构中各个点的高阶特征参数；
第三计算单元，用于根据所述第一层结构中各个点的高阶特征参数以及所述第一层结构中各个点与相邻点之间的特征比较结果，计算各个相邻点的高阶特征参数；
依次执行上述计算单元的操作，直到得到所述多回波点云数据中每一点的高阶特征参数。
10.根据权利要求9所述的装置，其特征在于，所述第三计算单元，具体用于采用多层感知机算法根据所述第一层结构中各个点与相邻点之间的特征比较结果生成对应的相邻点的滤波权重方阵；将所述第一层结构中各个点的高阶特征参数分别与对应的相邻点的滤波权重方阵相乘，得到对应的相邻点的高阶特征参数。
11.根据权利要求7所述的装置，其特征在于，所述装置还包括：
配置模块，用于在模型构建模块所述根据多回波点云数据的分布形式构建对应的分层结构模型之前，根据所述多回波点云数据对应的影像数据的色彩分布分别对所述多回波点云数据中各个点进行颜色赋值。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述方法的步骤。
CN201910433828.9A 2019-05-23 2019-05-23 基于分层多回波的点云分割方法、装置、存储介质及设备 Active CN110222742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910433828.9A CN110222742B (zh) 2019-05-23 2019-05-23 基于分层多回波的点云分割方法、装置、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910433828.9A CN110222742B (zh) 2019-05-23 2019-05-23 基于分层多回波的点云分割方法、装置、存储介质及设备

Publications (2)

Publication Number Publication Date
CN110222742A CN110222742A (zh) 2019-09-10
CN110222742B true CN110222742B (zh) 2022-12-02

Family

ID=67818191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910433828.9A Active CN110222742B (zh) 2019-05-23 2019-05-23 基于分层多回波的点云分割方法、装置、存储介质及设备

Country Status (1)

Country Link
CN (1) CN110222742B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807412B (zh) * 2019-10-30 2022-09-23 驭势科技（北京）有限公司 一种车辆激光定位的方法、车载设备和存储介质
CN113516663B (zh) * 2021-06-30 2022-09-27 同济大学 点云语义分割方法及装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488770A (zh) * 2015-12-11 2016-04-13 中国测绘科学研究院 一种面向对象的机载激光雷达点云滤波方法
CN106780509A (zh) * 2016-12-01 2017-05-31 山东交通学院 融合多维特征的建筑物点云层次聚类分割方法
CN106952242A (zh) * 2016-01-06 2017-07-14 北京林业大学 一种基于体素的渐进不规则三角网点云滤波方法
CN107341843A (zh) * 2017-07-13 2017-11-10 云南数云信息科技有限公司 基于真实色彩的海量点云动态显示方法和系统
CN108230329A (zh) * 2017-12-18 2018-06-29 孙颖 基于多尺度卷积神经网络的语义分割方法
CN108765568A (zh) * 2018-06-04 2018-11-06 河海大学 一种基于激光雷达点云的多层次建筑物快速三维重建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102238693B1 (ko) * 2014-06-20 2021-04-09 삼성전자주식회사 포인트 클라우드에서 특징 영역을 추출하는 방법 및 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488770A (zh) * 2015-12-11 2016-04-13 中国测绘科学研究院 一种面向对象的机载激光雷达点云滤波方法
CN106952242A (zh) * 2016-01-06 2017-07-14 北京林业大学 一种基于体素的渐进不规则三角网点云滤波方法
CN106780509A (zh) * 2016-12-01 2017-05-31 山东交通学院 融合多维特征的建筑物点云层次聚类分割方法
CN107341843A (zh) * 2017-07-13 2017-11-10 云南数云信息科技有限公司 基于真实色彩的海量点云动态显示方法和系统
CN108230329A (zh) * 2017-12-18 2018-06-29 孙颖 基于多尺度卷积神经网络的语义分割方法
CN108765568A (zh) * 2018-06-04 2018-11-06 河海大学 一种基于激光雷达点云的多层次建筑物快速三维重建方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Patch-based label fusion segmentation of brainstem structures with dual-contrast MRI for Parkinson’s disease;Yiming Xiao等;《International Journal of Computer Assisted Radiology and Surgery》;20140924;1029–1041 *
Segmentation and Multi-Scale Convolutional Neural Network-Based Classification of Airborne Laser Scanner Data;Yang Z等;《Sensors》;20181007;第18卷(第10期);1-17 *
基于多特征优化的海面目标识别技术;但波等;《舰船电子工程》;20180331;第38卷(第3期);36-40+61 *
基于机载LiDAR点云滤波的矿区DEM构建方法;吴芳等;《国土资源遥感》;20151231(第01期);66-71 *
基于机载LiDAR的森林单木识别研究;王濮;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20190215(第2期);I136-1204 *
基于融合分层条件随机场的道路分割模型;杨飞等;《机器人》;20180819(第06期);37-50 *

Also Published As

Publication number Publication date
CN110222742A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN109829399B (zh) 一种基于深度学习的车载道路场景点云自动分类方法
Gibbs et al. Approaches to three-dimensional reconstruction of plant shoot topology and geometry
Rizeei et al. Oil palm counting and age estimation from WorldView-3 imagery and LiDAR data using an integrated OBIA height model and regression analysis
CN110232329B (zh) 基于深度学习的点云分类方法、装置、存储介质及设备
CN105551028A (zh) 一种基于遥感影像的地理空间数据动态更新的方法及系统
Packalen et al. Predicting the spatial pattern of trees by airborne laser scanning
Zeybek Classification of UAV point clouds by random forest machine learning algorithm
CN110222742B (zh) 基于分层多回波的点云分割方法、装置、存储介质及设备
Li et al. A comparison of deep learning methods for airborne lidar point clouds classification
CN112597870B (zh) 一种土地覆盖分类模型的构建方法
CN108399424A (zh) 一种点云分类方法、智能终端及存储介质
CN111340723A (zh) 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法
Hui et al. Wood and leaf separation from terrestrial LiDAR point clouds based on mode points evolution
Zhu et al. 3D reconstruction of plant leaves for high-throughput phenotyping
CN114037891A (zh) 基于u型注意力控制网络的高分辨率遥感影像建筑物提取方法及装置
Naeini et al. Improving the dynamic clustering of hyperspectral data based on the integration of swarm optimization and decision analysis
Guo et al. Automatic segmentation for plant leaves via multiview stereo reconstruction
Zeybek Inlier point preservation in outlier points removed from the ALS point cloud
Wang et al. Multispectral point cloud superpoint segmentation
Kumar et al. A two-stage algorithm for ground filtering of airborne laser scanning data
CN116994071A (zh) 一种基于自适应光谱残差的多光谱激光雷达点云分类方法
Moradi et al. Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network
Lin et al. Noise point detection from airborne lidar point cloud based on spatial hierarchical directional relationship
CN114626459A (zh) 使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法及系统
CN113936103A (zh) 激光点云图模型的构建方法及设备

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