CN112101278A - 基于k近邻特征提取和深度学习的宅基地点云分类方法 - Google Patents

基于k近邻特征提取和深度学习的宅基地点云分类方法 Download PDF

Info

Publication number
CN112101278A
CN112101278A CN202011019957.2A CN202011019957A CN112101278A CN 112101278 A CN112101278 A CN 112101278A CN 202011019957 A CN202011019957 A CN 202011019957A CN 112101278 A CN112101278 A CN 112101278A
Authority
CN
China
Prior art keywords
point
point cloud
points
layer
neighborhood
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.)
Pending
Application number
CN202011019957.2A
Other languages
English (en)
Inventor
王怀採
李修庆
李庆红
赵健康
赖鸣
徐静冉
崔超
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.)
Hunan Shengding Technology Development Co ltd
Original Assignee
Hunan Shengding Technology Development Co ltd
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 Hunan Shengding Technology Development Co ltd filed Critical Hunan Shengding Technology Development Co ltd
Priority to CN202011019957.2A priority Critical patent/CN112101278A/zh
Publication of CN112101278A publication Critical patent/CN112101278A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2133—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on naturality criteria, e.g. with non-negative factorisation or negative correlation
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Abstract

本发明公开了一种基于k近邻特征提取和深度学习的宅基地点云分类方法，包括：S1，采集数据集，数据集包括数量在预设值以上的宅基地点云，通过统计学方法进行点云去噪，并将数据集划分为训练集和测试集；S2，对点云进行分类，获得带标签的点云数据；S3，使用最远点采样对点云进行下采样，降低点云密度；S4，基于香浓熵原理计算点云的最优邻域范围，根据最优邻域范围，逐点计算局部特征，通过反距离插值上采样后构建整个点云的特征矩阵；S5，构建全卷积神经网络训练模型，并使用训练集的特征矩阵进行训练；S6，使用神经网络对测试集中的数据进行预测，对训练模型进行验证。本发明的方法可以提高宅基地确权效率。

Description

基于k近邻特征提取和深度学习的宅基地点云分类方法
技术邻域
本发明涉及计算机视觉技术邻域，尤其涉及一种基于k近邻特征提取和深度学习的宅基地点云分类方法。
背景技术
随着我国农村经济的不断发展，为维护农民合法权益，国家正加速推进农村宅基地和不动产确权登记工作。宅基地的传统测量方法通常采用GPS-RTK结合全站仪的实地测量方法。该方法不仅耗费大量的人力物理，而且测量效率低、成本高和周期长。近年来，激光雷达系统(LiDAR)作为新兴的获取高时空分辨率空间信息的观测手段，已广泛应用于地理信息获取，电力线巡检，森林监测，道路检测，无人驾驶以及城市三维建模等邻域。机载LiDAR技术结合高精度GPS-RTK定位技术和高精度的测距技术获取测量场景的三维信息，以点云的形式进行表征。传统的点云滤波和分类技术在大场景的应用下，往往精度较低，且计算效率低。导致该结果的原因包括：1)由于复杂环境下，大场景的点云往往存在大量的噪声点，传统的分类算法对噪声点较为敏感，容易出现误识别的情况；2)由于点云采样时存在点云密度分布不均，点云存在局部区域高冗余和局部区域信息缺失的问题，传统的分类算法不能同时在两种区域进行较好的特征提取，导致分类的准确度较低。
发明内容
为解决上述现有技术中存在的技术问题，本发明提供了一种基于k近邻特征提取和深度学习的宅基地点云分类算法。具体技术方案如下：
一种基于k近邻特征提取和深度学习的宅基地点云分类方法，所述方法包括：
S1，采集数据集，数据集包括数量在预设值以上的宅基地点云，通过统计学方法进行点云去噪，并将数据集划分为训练集和测试集；
S2，对点云进行分类，获得带标签的点云数据；
S3，使用最远点采样对点云进行下采样，降低点云密度；
S4，基于香浓熵原理计算点云的最优邻域范围，根据最优邻域范围，逐点计算局部特征，通过反距离插值上采样后构建整个点云的特征矩阵；
S5，构建全卷积神经网络训练模型，并使用训练集的特征矩阵进行训练；
S6，使用神经网络对测试集中的数据进行预测，对训练模型进行验证。
在一种可能的设计中，步骤S1进一步包括：
S101，利用无人机搭载激光雷达扫描待测量区域，通过点云解算获得las文件；
S102，在TerraSolid上将采集的点云进行分割，获得预设尺寸的点云块，按比例分出训练集和测试集；
S103，对每一块点云进行统计学滤波。
在一种可能的设计中，步骤S2进一步包括：
S201，提取低点，低点为比实际地面低的错误点；
S202，提取地面点；
S203，提取植被点和建筑物点；
S204，针对错误分类的点，进行人工修正。
在一种可能的设计中，步骤S3进一步包括：
假设一共有n个点，整个点集为N＝{X1,X2,...,Xn}目标是选取K个点；
S301，随机选取一个点Xi作为起始点，并写入点集B＝{Xi}；
S302，选取剩下的n-1个点计算和Xi点的距离,选择最远点Xj写入点集B＝{Xi,Xj}；
S303，选取剩下的n-2个点计算和点集B中每个点的距离，将最短的距离作为该点到点集的距离，这样得到n-2个点到点集的距离，选取距离最大的点Xk，写入点集B＝{Xi,Xj,Xk}；
S304，重复上述步骤逐一选取剩下的点，选择距离最远点写入点集B直至点集B中的点数等于k，结束迭代。
在一种可能的设计中，步骤S4进一步包括：
S401，利用快速最近邻算法逐点计算前k个最近邻点；
S402，利用基于最小化香浓熵算法对邻域大小进行优化求解；
S403，计算点云的局部特征，构建特征矩阵，局部特征包括三维特征和二维特征；
S404，选用基于k邻域的反距离插值算法对点云特征进行差值，计算公式如下：
Figure BDA0002700266350000021
Figure BDA0002700266350000022
Figure BDA0002700266350000023
其中，p为加权幂指数，d(x,xi)为该点和中心点的距离。
在一种可能的设计中，步骤S402进一步包括：
在[kmin,kmax]范围内以Δ＝5的间隔计算协方差矩阵；
设m为样本总数，即该邻域内点云总数，每个点以三维向量进行表示，则样本矩阵为：
Figure BDA0002700266350000031
求每一维度的样本均值，即该邻域的质心点：
Figure BDA0002700266350000032
计算该邻域的三维协方差矩阵：
Figure BDA0002700266350000033
其中wi为点pi的权重；
通过奇异值分解协方差矩阵，即V-1CV＝D，获得对角矩阵D，其包含三个非负特征值{λ1,λ2,λ3}，且V为正交矩阵，其由三个与特征值相对应且相互垂直的特征向量组成，对特征值排序，得λ1＞λ2＞λ3；
对特征值进行归一化，计算该邻域的香浓熵：
Eλ＝-e1ln(e1)-e2ln(e2)-e3ln(e3)
其中，
Figure BDA0002700266350000034
为归一化特征值，其累加和为1，对比不同邻域范围时的香浓熵，取香浓熵最小时的k作为最优邻域。
在一种可能的设计中，步骤S403进一步包括：
基于三维协方差矩阵特征如下表所示：
Figure BDA0002700266350000035
Figure BDA0002700266350000041
其中，{λ1,λ2,λ3}为三维协方差矩阵的特征值，{e1,e2,e3}为归一化特征值；
点云二维局部特征如下表所示：
Figure BDA0002700266350000042
表中(xk,yk)为某一点的最优邻域内离该点距离最大的邻点，k为该点的最优邻域值；点云三维几何结构特征如下表所示：
Figure BDA0002700266350000043
Figure BDA0002700266350000051
表中(xk,yk,zk)为某一点的最优邻域距离该点最远的邻点坐标，k为最优邻域范围，
Figure BDA0002700266350000052
为所有邻域点的平均高程，
Figure BDA0002700266350000053
为单位法向量，其由最小三维方差矩阵的特征值对应的特征向量归一化求得，
Figure BDA0002700266350000054
为z轴单位向量。
在一种可能的设计中，步骤S5进一步包括：
S501，建立多层感知机，多层感知机包括输入层、隐藏层和输出层，隐藏层中的神经元分别与输入层和输出层中的神经元完全连接；
S502，建立全局特征提取模块，全局特征提取模块通过maxpooling函数对点云的所有特征进行最大池化，聚合点的特征后获得全局特征；、
S503，建立语义分割模块，语义分割模块聚合全局特征和局部特征，通过多层感知机输出每个点云每个类别的概率，选定概率值最大的类别为点云的类别；
S504，定义损失函数。
在一种可能的设计中，步骤S501中，多层感知机按以下公式计算输出：
H＝φ(BN(XWh+bh))
O＝Hwo+bo
其中Wh和bh分别为隐藏层的权重系数和偏置项，Wo和bo分别为输出层的权重系数和偏置项，X表示该层隐藏层的输入，也是上一层隐藏层的输出特征或者为输入层的输入向量，H表示为该隐藏层的特征映射，O表示多层感知机输出层的特征映射，BN表示批标准化层，用于解决随着隐藏层的增加，输入量经过特征映射后的内部协变量偏移问题；
输入为d维向量x＝(x(1)...x(d))，其表达式为：
Figure BDA0002700266350000061
Figure BDA0002700266350000062
其中，E[x(k)]为输入量的均值，Var[x(k)]为输入量的方差，
Figure BDA0002700266350000063
β＝E[x(k)]；
φ表示激活函数，选取ReLU函数作为激活函数，表达式为：
Figure BDA0002700266350000064
在一种可能的设计中，多层感知机中，采用dropout机制在训练网络的时候依概率P保留每个神经元，计算公式如下：
Figure BDA0002700266350000065
Figure BDA0002700266350000066
Figure BDA0002700266350000067
Figure BDA0002700266350000068
其中Bernoulli(p)函数是生成概率r向量，通过屏蔽上一层的部分输出神经元，在进行该层的特征映射来实现dropout。
本发明技术方案的主要优点如下：
本发明的基于k近邻特征提取和深度学习的宅基地点云分类方法，增强了复杂环境下点云分类算法抗噪声能力，提高分类准确度，提高了不同点云密度区域的特征计算精度以及复杂场景下点云的分类精度，能够大幅提高宅基地的确权效率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一实施例提供的基于k近邻特征提取和深度学习的宅基地点云分类方法的流程图；
图2为本发明一实施例提供的基于k近邻特征提取和深度学习的宅基地点云分类方法的系统框图；
图3为本发明一实施例提供的dropout示意图；
图4为本发明一实施例提供的深度神经网络架构图；
图5为本发明一实施例提供的点云分块效果图；
图6为本发明一实施例提供的点云建筑分类示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本邻域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下结合附图，详细说明本发明实施例提供的技术方案。
如附图1和2所示，本发明实施例提供了一种基于k近邻特征提取和深度学习的宅基地点云分类方法，该方法包括：
S1，采集数据集，数据集包括数量在预设值以上的宅基地点云，通过统计学方法进行点云去噪，并将数据集划分为训练集和测试集；
S2，对点云进行分类，获得带标签的点云数据；
S3，使用最远点采样对点云进行下采样，降低点云密度；
S4，基于香浓熵原理计算点云的最优邻域范围，根据最优邻域范围，逐点计算局部特征，通过反距离插值上采样后构建整个点云的特征矩阵；
S5，构建全卷积神经网络训练模型，并使用训练集的特征矩阵进行训练；
S6，使用神经网络对测试集中的数据进行预测，对训练模型进行验证。
本发明实施例提供的基于k近邻特征提取和深度学习的宅基地点云分类方法，增强了复杂环境下点云分类算法抗噪声能力，提高分类准确度，提高了不同点云密度区域的特征计算精度以及复杂场景下点云的分类精度，能够大幅提高宅基地的确权效率。
具体地，以下对本发明实施例提供的基于k近邻特征提取和深度学习的宅基地点云分类方法的各步骤进行详细阐述：
其中，步骤S1进一步包括如下步骤：
S101，利用大疆无人机搭载激光雷达扫描待测量区域，通过点云解算获得las文件。
S102，在TerraSolid上将采集的点云进行分割，获得若干100m*100m区域大小的点云块，人工分出训练集和测试集，例如，训练集和测试集的比例可以为4:1。点云分块效果图可以参见附图5。
S103，对每一块点云进行统计学滤波。邻域平均距离的概率密度函数公式为：
Figure BDA0002700266350000081
其中xi为邻域内任一点的距离，μ为邻域平均距离，σ为邻域距离的标准差。平均距离在标准差范围即μ+n·σ之外的点，可被定义为离群点进行去除。
步骤S2进一步包括如下步骤：
S201，提取低点。该步骤主要是提取因为多路径反射而形成的比实际地面点低的错误点。其原理是给定一个点作为中心点，指定范围内的点与该点进行高程比较，若该点明显低于指定范围内的点，例如该点的高程比指定范围内的点的平均高程低50cm以上，那么该点被确定为低点。其中，上述“明显低于”的诸如上述50cm的具体数值可以由本领域技术人员根据实际情况进行设定。
S202，提取地面点。该步骤主要通过基于不规则三角网渐进加密的算法提取地面点。其主要包含两个阶段。1)给定最大建筑物的尺寸，并根据该尺寸划分点云，每个划分区域提取最低点作为地面种子点，并构建TIN模型。2)计算每个点和TIN模型之间的角度和距离，符合设定阈值范围内的的点设为地面点，并在此构建TIN模型反复迭代，直至地面点密度符合设定值。
S203，提取植被点和建筑物点。通过地面点对点云进行归一化，通过高程的划分进行植被点和建筑物点的分类。
S204，针对错误分类的点，需要人工进行修正。错误分类的点例如是建筑物点被误识别成高植被点。修正方法利用剖视图观察不同方向的点云结构，对错误分类的点进行框选更改其类别。最后得到带标签的点云数据，其中包含地面点，建筑物点，植被点，其他未分类点4个类别。
步骤S3进一步包括如下步骤：
假设一共有n个点，整个点集为N＝{X1,X2,...,Xn}目标是选取K个点：
S301，随机选取一个点Xi作为起始点，并写入点集B＝{Xi}。
S302，选取剩下的n-1个点计算和Xi点的距离,选择最远点Xj写入点集B＝{Xi,Xj}。
S303，选取剩下的n-2个点计算和点集B中每个点的距离，将最短的距离作为该点到点集的距离，这样得到n-2个点到点集的距离，选取距离最大的点Xk,写入点集B＝{Xi,Xj,Xk}。
S304，重复以上步骤，直至点集B中的点数等于K，结束迭代。
通过该步骤，获得包括K个点的点集B，降低点云密度。
步骤4进一步包括如下步骤：
S401，利用快速最近邻算法逐点计算前K个最近邻点。距离度量标准采用欧式距离，计算公式如下：
Figure BDA0002700266350000091
其中P为中心点，Pi为P的邻点。
S402，采用基于最小化香浓熵的方法对领域大小进行优化求解。在[kmin,kmax]范围内以Δ＝5的间隔计算协方差矩阵，具体求解过程如下：
1)设m为样本总数，即该邻域内点云总数，每个点以三维向量进行表示，则样本矩阵为：
Figure BDA0002700266350000092
2)可以求得每一维度的样本均值，即得该邻域的质心点：
Figure BDA0002700266350000093
3)计算该邻域的三维协方差矩阵
Figure BDA0002700266350000094
其中wi为点pi的权重，一般wi＝1。
4)由于协方差矩阵为半正定对称矩阵，可通过奇异值分解，即V-1CV＝D，获得对角矩阵D，其包含三个非负特征值{λ1,λ2,λ3}。且V为正交矩阵，其由三个与特征值相对应且相互垂直的特征向量组成。对特征值排序，得λ1＞λ2＞λ3。
5)对特征值进行归一化，计算该邻域的香浓熵：
Eλ＝-e1ln(e1)-e2ln(e2)-e3ln(e3) (6)
其中，
Figure BDA0002700266350000095
为归一化特征值，其累加和为1。对比不同邻域范围时的香浓熵，取香浓熵最小时的k作为最优邻域。
S403，计算点云的局部特征，构建特征矩阵。局部特征包含三维特征和二维特征。计算过程如下：
1)基于三维协方差矩阵特征类型及其计算公式如下表所示。
Figure BDA0002700266350000101
表中{λ1,λ2,λ3}为三维协方差矩阵的特征值，{e1,e2,e3}为归一化特征值。
2)点云二维局部特征的提取
将最优邻域中的所有三维点投影到XY平面内，计算每个点的二维结构张量，基于二维结构张量可计算并二维方差矩阵，通过矩阵奇异值分解后，得到二维方差矩阵的特征值{λ1,λ2}。并可获取特征值的和Σλ,2D、特征值比率Rλ,2D,二维平面的圆半径rk-NN,2D和点云的二维局部密度D2D。其中计算公式如下表所示。
Figure BDA0002700266350000102
Figure BDA0002700266350000111
表中(xk,yk)为某一点的最优邻域内离该点距离最大的邻点，k为该点的最优邻域值。
3)三维几何结构特征
分析数据集中每个点其最优邻域范围内所有邻点的三维几何结构。可计算三维邻域的三维球半径rk-NN,3D，点云的局部三维点密度D3D，高程范围δz，高程方差
Figure BDA0002700266350000112
和垂直度θ。计算公式如下表所示。
Figure BDA0002700266350000113
表中(xk,yk,zk)为某一点的最优邻域距离该点最远的邻点坐标，k为最优邻域范围，
Figure BDA0002700266350000114
为所有邻域点的平均高程，
Figure BDA0002700266350000115
为单位法向量，其可由最小三维方差矩阵的特征值对应的特征向量归一化求得，
Figure BDA0002700266350000116
为z轴单位向量。
S403，由于大场景的点云数量较大，通常在几千万甚至几亿的量级。步骤S3采用最远点采样对点云进行下采样后再进行特征提取，这样可以降低计算成本。为了获取全部原始点云的特征向量，可由降采样数据中通过插值进行上采样。选用基于k邻域的反距离插值算法对点云特征进行插值，其计算公式如下：
Figure BDA0002700266350000121
其中p为加权幂指数，此处选取p＝2。d(x,xi)为该点和中心点的距离。通过反距离插值上采样后，可获得整个点云的特征矩阵。
步骤S5进一步包括如下步骤：
构建深度神经网络，将基于特征值的特征和点云几何特征，局部密度等特征组成的N*18特征矩阵作为网络的输入，实现点云的自动分类。本专利设计的深度神经网络基于PointNet的网络架构，由多层感知机、全局特征提取模块和语义分割模块等组成。
S501，建立多层感知机
多层感知机由输入层，隐藏层和输出层组成。隐藏层中的神经元和输入层完全连接，输出层和隐藏层中的神经元也完全连接。多层感知机可按以下公式计算输出：
Figure BDA0002700266350000122
其中Wh和bh分别为隐藏层的权重系数和偏置项。Wo和bo分别为输出层的权重系数和偏置项。X表示该层隐藏层的输入，也是上一层隐藏层的输出特征或者为输入层的输入向量。H表示为该隐藏层的特征映射，O表示多层感知机输出层的特征映射。BN表示批标准化层，其主要解决随着隐藏层的增加，输入量经过特征映射后的内部协变量偏移问题。对于输入为d维向量x＝(x(1)...x(d)),其表达式为：
Figure BDA0002700266350000123
其中E[x(k)]为输入量的均值，Var[x(k)]为输入量的方差。
Figure BDA0002700266350000124
β＝E[x(k)]。
φ表示激活函数，一般我们选取ReLU函数作为激活函数，表达式为：
Figure BDA0002700266350000125
ReLU函数只保留输入的正数项，且能够极大地加速随机梯度下降法的收敛速度，由于其是线性函数，所以不存在梯度消失的问题。
S502，全局特征模块
由于特征矩阵由基于点云的局部邻域进行特征提取获得，无法表征点云的全局特征。点云由于具有排列不变形，不是结构化的数据存储方式，不能进行滑动卷积的操作。可以通过对称函数解决排列不变形，通过maxpooling函数对点云的所有特征进行最大池化，聚合点的特征后可获得全局特征。其中对称函数近似定义在一个点集上的一般函数：
f({x1,...,xm})≈g(h(x1),...,h(xn)) (11)
其中f:
Figure BDA0002700266350000131
h:
Figure BDA0002700266350000132
且g：
Figure BDA0002700266350000133
是对称函数。该模块用多层感知机网络来近似h，g由单个变量函数和最大池函数组成。
S503，语义分割模块
语义分割模块通过聚合全局特征和局部特征后，经过多层感知机后输出每个点云每个类别的概率，概率最大者为该点云的类别。其中在多层感知机中，为了避免出现过拟合的情况，采用了dropout机制，其核心思想是在训练网络的时候依概率P保留每个神经元。其计算公式如下：
Figure BDA0002700266350000134
其中Bernoulli(p)函数是生成概率r向量，通过屏蔽上一层的部分输出神经元，在进行该层的特征映射来实现dropout，其示意图如图3所示。
S504，定义损失函数
这是一个多分类问题，我们在这里选用交叉熵损失函数：
Figure BDA0002700266350000135
其中，
Figure BDA0002700266350000136
为第i个点的预测值，y(i)为第i个点的真实值，Θ为模型参数。通过最小化损失函数来获取最优模型参数。
在步骤S5中，构建的神经网络模型如附图4所示。
最终完成的点云建筑分类示意图如附图6所示。
综上，本发明实施例提供的基于k近邻特征提取和深度学习的宅基地点云分类方法的有益效果如下：
一、可以对大场景点云进行自动分类，采用近邻优化提高特征提取精度保证分类的准确度。
二、可以获取宅基地的三维结构，能够自动识别建筑范围，测量建筑面积。
三、能够大幅提高宅基地的确权效率。
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、物品或者设备所固有的要素。此外，本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。
最后应说明的是：以上实施例仅用于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，本邻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 (10)

1.一种基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，所述方法包括：
S1，采集数据集，数据集包括数量在预设值以上的宅基地点云，通过统计学方法进行点云去噪，并将数据集划分为训练集和测试集；
S2，对点云进行分类，获得带标签的点云数据；
S3，使用最远点采样对点云进行下采样，降低点云密度；
S4，基于香浓熵原理计算点云的最优邻域范围，根据最优邻域范围，逐点计算局部特征，通过反距离插值上采样后构建整个点云的特征矩阵；
S5，构建全卷积神经网络训练模型，并使用训练集的特征矩阵进行训练；
S6，使用神经网络对测试集中的数据进行预测，对训练模型进行验证。
2.根据权利要求1所述的基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，步骤S1进一步包括：
S101，利用无人机搭载激光雷达扫描待测量区域，通过点云解算获得las文件；
S102，在TerraSolid上将采集的点云进行分割，获得预设尺寸的点云块，按比例分出训练集和测试集；
S103，对每一块点云进行统计学滤波。
3.根据权利要求2所述的基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，步骤S2进一步包括：
S201，提取低点，低点为比实际地面低的错误点；
S202，提取地面点；
S203，提取植被点和建筑物点；
S204，针对错误分类的点，进行人工修正。
4.根据权利要求3所述的基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，步骤S3进一步包括：
假设一共有n个点，整个点集为N＝{X1,X2,...,Xn}目标是选取K个点；
S301，随机选取一个点Xi作为起始点，并写入点集B＝{Xi}；
S302，选取剩下的n-1个点计算和Xi点的距离,选择最远点Xj写入点集B＝{Xi,Xj}；
S303，选取剩下的n-2个点计算和点集B中每个点的距离，将最短的距离作为该点到点集的距离，这样得到n-2个点到点集的距离，选取距离最大的点Xk，写入点集B＝{Xi,Xj,Xk}；
S304，重复上述步骤逐一选取剩下的点，选择距离最远点写入点集B直至点集B中的点数等于k，结束迭代。
5.根据权利要求4所述的基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，步骤S4进一步包括：
S401，利用快速最近邻算法逐点计算前k个最近邻点；
S402，利用基于最小化香浓熵算法对邻域大小进行优化求解；
S403，计算点云的局部特征，构建特征矩阵，局部特征包括三维特征和二维特征；
S404，选用基于k邻域的反距离插值算法对点云特征进行差值，计算公式如下：
Figure FDA0002700266340000021
Figure FDA0002700266340000022
Figure FDA0002700266340000023
其中，p为加权幂指数，d(x,xi)为该点和中心点的距离。
6.根据权利要求5所述的基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，步骤S402进一步包括：
在[kmin,kmax]范围内以Δ＝5的间隔计算协方差矩阵；
设m为样本总数，即该邻域内点云总数，每个点以三维向量进行表示，则样本矩阵为：
Figure FDA0002700266340000024
求每一维度的样本均值，即该邻域的质心点：
Figure FDA0002700266340000025
计算该邻域的三维协方差矩阵：
Figure FDA0002700266340000031
其中wi为点pi的权重；
通过奇异值分解协方差矩阵，即V-1CV＝D，获得对角矩阵D，其包含三个非负特征值{λ1,λ2,λ3}，且V为正交矩阵，其由三个与特征值相对应且相互垂直的特征向量组成，对特征值排序，得λ1＞λ2＞λ3；
对特征值进行归一化，计算该邻域的香浓熵：
Eλ＝-e1ln(e1)-e2ln(e2)-e3ln(e3)
其中，
Figure FDA0002700266340000032
为归一化特征值，其累加和为1，对比不同邻域范围时的香浓熵，取香浓熵最小时的k作为最优邻域。
7.根据权利要求6所述的基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，其特征在于，步骤S403进一步包括：
基于三维协方差矩阵特征如下表所示：
Figure FDA0002700266340000033
Figure FDA0002700266340000041
其中，{λ1,λ2,λ3}为三维协方差矩阵的特征值，{e1,e2,e3}为归一化特征值；
点云二维局部特征如下表所示：
Figure FDA0002700266340000042
表中(xk,yk)为某一点的最优邻域内离该点距离最大的邻点，k为该点的最优邻域值；
点云三维几何结构特征如下表所示：
Figure FDA0002700266340000043
表中(xk,yk,zk)为某一点的最优邻域距离该点最远的邻点坐标，k为最优邻域范围，
Figure FDA0002700266340000044
为所有邻域点的平均高程，
Figure FDA0002700266340000051
为单位法向量，其由最小三维方差矩阵的特征值对应的特征向量归一化求得，
Figure FDA0002700266340000052
为z轴单位向量。
8.根据权利要求7所述的基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，步骤S5进一步包括：
S501，建立多层感知机，多层感知机包括输入层、隐藏层和输出层，隐藏层中的神经元分别与输入层和输出层中的神经元完全连接；
S502，建立全局特征提取模块，全局特征提取模块通过maxpooling函数对点云的所有特征进行最大池化，聚合点的特征后获得全局特征；
S503，建立语义分割模块，语义分割模块聚合全局特征和局部特征，通过多层感知机输出每个点云每个类别的概率，选定概率值最大的类别为点云的类别；
S504，定义损失函数。
9.根据权利要求8所述的基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，步骤S501中，多层感知机按以下公式计算输出：
H＝φ(BN(XWh+bh))
O＝Hwo+bo
其中Wh和bh分别为隐藏层的权重系数和偏置项，Wo和bo分别为输出层的权重系数和偏置项，X表示该层隐藏层的输入，也是上一层隐藏层的输出特征或者为输入层的输入向量，H表示为该隐藏层的特征映射，O表示多层感知机输出层的特征映射，BN表示批标准化层，用于解决随着隐藏层的增加，输入量经过特征映射后的内部协变量偏移问题；
输入为d维向量x＝(x(1)...x(d))，其表达式为：
Figure FDA0002700266340000053
Figure FDA0002700266340000054
其中，E[x(k)]为输入量的均值，Var[x(k)]为输入量的方差，
Figure FDA0002700266340000055
β＝E[x(k)]；
φ表示激活函数，选取ReLU函数作为激活函数，表达式为：
Figure FDA0002700266340000061
10.根据权利要求9所述的基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，多层感知机中，采用dropout机制在训练网络时依概率P保留每个神经元，计算公式如下：
Figure FDA0002700266340000062
Figure FDA0002700266340000063
Figure FDA0002700266340000064
Figure FDA0002700266340000065
其中Bernoulli(p)函数是生成概率r向量，通过屏蔽上一层的部分输出神经元，在进行该层的特征映射来实现dropout。
CN202011019957.2A 2020-09-25 2020-09-25 基于k近邻特征提取和深度学习的宅基地点云分类方法 Pending CN112101278A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011019957.2A CN112101278A (zh) 2020-09-25 2020-09-25 基于k近邻特征提取和深度学习的宅基地点云分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011019957.2A CN112101278A (zh) 2020-09-25 2020-09-25 基于k近邻特征提取和深度学习的宅基地点云分类方法

Publications (1)

Publication Number Publication Date
CN112101278A true CN112101278A (zh) 2020-12-18

Family

ID=73755541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011019957.2A Pending CN112101278A (zh) 2020-09-25 2020-09-25 基于k近邻特征提取和深度学习的宅基地点云分类方法

Country Status (1)

Country Link
CN (1) CN112101278A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633376A (zh) * 2020-12-24 2021-04-09 南京信息工程大学 基于深度学习的点云数据地物分类方法、系统与存储介质
CN112669230A (zh) * 2020-12-23 2021-04-16 天津博迈科海洋工程有限公司 基于卷积神经网络的点云数据去噪方法
CN112683221A (zh) * 2020-12-21 2021-04-20 深圳集智数字科技有限公司 一种建筑检测方法和相关装置
CN112907602A (zh) * 2021-01-28 2021-06-04 中北大学 一种基于改进k-近邻算法的三维场景点云分割方法
CN112990010A (zh) * 2021-03-15 2021-06-18 深圳大学 点云数据处理方法、装置、计算机设备和存储介质
CN112991473A (zh) * 2021-03-19 2021-06-18 华南理工大学 一种基于立方体模板的神经网络编码解码方法及系统
CN112991557A (zh) * 2021-04-25 2021-06-18 广东工业大学 应用于点云分析模型的局部中心最近点采样方法及装置
CN113011511A (zh) * 2021-03-29 2021-06-22 江苏思玛特科技有限公司 一种基于深度学习多光谱LiDAR数据分类的样本生成方法
CN113487713A (zh) * 2021-06-16 2021-10-08 中南民族大学 一种点云特征提取方法、装置及电子设备
CN113516663A (zh) * 2021-06-30 2021-10-19 同济大学 点云语义分割方法及装置、电子设备及存储介质
CN114091628A (zh) * 2022-01-20 2022-02-25 山东大学 基于双分支网络的三维点云上采样方法及系统
CN114359089A (zh) * 2021-12-29 2022-04-15 江苏苏彩信息技术有限公司 一种基于点云滤波网络的三维点云数据去噪方法
CN114627017A (zh) * 2022-03-17 2022-06-14 南京航空航天大学 一种基于多层次注意力感知的点云去噪方法
CN117291845A (zh) * 2023-11-27 2023-12-26 成都理工大学 一种点云地面滤波方法、系统、电子设备及存储介质

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112683221A (zh) * 2020-12-21 2021-04-20 深圳集智数字科技有限公司 一种建筑检测方法和相关装置
CN112683221B (zh) * 2020-12-21 2022-05-17 深圳集智数字科技有限公司 一种建筑检测方法和相关装置
CN112669230A (zh) * 2020-12-23 2021-04-16 天津博迈科海洋工程有限公司 基于卷积神经网络的点云数据去噪方法
CN112669230B (zh) * 2020-12-23 2022-07-08 天津博迈科海洋工程有限公司 基于卷积神经网络的点云数据去噪方法
CN112633376A (zh) * 2020-12-24 2021-04-09 南京信息工程大学 基于深度学习的点云数据地物分类方法、系统与存储介质
CN112907602A (zh) * 2021-01-28 2021-06-04 中北大学 一种基于改进k-近邻算法的三维场景点云分割方法
CN112990010A (zh) * 2021-03-15 2021-06-18 深圳大学 点云数据处理方法、装置、计算机设备和存储介质
CN112990010B (zh) * 2021-03-15 2023-08-18 深圳大学 点云数据处理方法、装置、计算机设备和存储介质
CN112991473A (zh) * 2021-03-19 2021-06-18 华南理工大学 一种基于立方体模板的神经网络编码解码方法及系统
CN112991473B (zh) * 2021-03-19 2023-07-18 华南理工大学 一种基于立方体模板的神经网络编码解码方法及系统
CN113011511A (zh) * 2021-03-29 2021-06-22 江苏思玛特科技有限公司 一种基于深度学习多光谱LiDAR数据分类的样本生成方法
CN113011511B (zh) * 2021-03-29 2024-01-19 江苏思玛特科技有限公司 基于深度学习多光谱LiDAR数据分类的样本生成方法
CN112991557A (zh) * 2021-04-25 2021-06-18 广东工业大学 应用于点云分析模型的局部中心最近点采样方法及装置
CN113487713A (zh) * 2021-06-16 2021-10-08 中南民族大学 一种点云特征提取方法、装置及电子设备
CN113516663A (zh) * 2021-06-30 2021-10-19 同济大学 点云语义分割方法及装置、电子设备及存储介质
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
CN114359089A (zh) * 2021-12-29 2022-04-15 江苏苏彩信息技术有限公司 一种基于点云滤波网络的三维点云数据去噪方法
CN114359089B (zh) * 2021-12-29 2022-09-27 江苏苏彩信息技术有限公司 一种基于点云滤波网络的三维点云数据去噪方法
CN114091628B (zh) * 2022-01-20 2022-04-22 山东大学 基于双分支网络的三维点云上采样方法及系统
CN114091628A (zh) * 2022-01-20 2022-02-25 山东大学 基于双分支网络的三维点云上采样方法及系统
CN114627017B (zh) * 2022-03-17 2022-12-13 南京航空航天大学 一种基于多层次注意力感知的点云去噪方法
CN114627017A (zh) * 2022-03-17 2022-06-14 南京航空航天大学 一种基于多层次注意力感知的点云去噪方法
CN117291845A (zh) * 2023-11-27 2023-12-26 成都理工大学 一种点云地面滤波方法、系统、电子设备及存储介质
CN117291845B (zh) * 2023-11-27 2024-03-19 成都理工大学 一种点云地面滤波方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN112101278A (zh) 基于k近邻特征提取和深度学习的宅基地点云分类方法
CN109685152B (zh) 一种基于dc-spp-yolo的图像目标检测方法
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN110135267B (zh) 一种大场景sar图像细微目标检测方法
CN111680542B (zh) 基于多尺度特征提取和Pointnet神经网络的钢卷点云识别与分类方法
CN110287932B (zh) 基于深度学习图像语义分割的道路阻断信息提取方法
CN109740588B (zh) 基于弱监督和深度响应重分配的x光图片违禁品定位方法
CN112101430B (zh) 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法
CN111091105A (zh) 基于新的边框回归损失函数的遥感图像目标检测方法
CN107633226B (zh) 一种人体动作跟踪特征处理方法
CN109919241B (zh) 基于概率模型和深度学习的高光谱未知类别目标检测方法
CN112883820B (zh) 基于激光雷达点云的道路目标3d检测方法及系统
CN111539422B (zh) 基于Faster RCNN的飞行目标协同识别方法
CN114200477A (zh) 一种激光三维成像雷达地面目标点云数据处理方法
CN101794437A (zh) 一种高光谱遥感影像异常探测方法
CN111950488A (zh) 一种改进的Faster-RCNN遥感图像目标检测方法
CN113484875A (zh) 一种基于混合高斯排序的激光雷达点云目标分级识别方法
CN115937659A (zh) 基于Mask-RCNN的室内复杂环境下多目标检测方法
CN114973019A (zh) 一种基于深度学习的地理空间信息变化检测分类方法及系统
CN114332921A (zh) 基于改进聚类算法的Faster R-CNN网络的行人检测方法
CN114170188A (zh) 一种俯视图像的目标计数方法、系统及存储介质
CN112560799B (zh) 基于自适应目标区域搜索和博弈的无人机智能车辆目标检测方法和应用
Al-Ghrairi et al. Classification of satellite images based on color features using remote sensing
CN111860359A (zh) 一种基于改进随机森林算法的点云分类方法
CN115393631A (zh) 基于贝叶斯层图卷积神经网络的高光谱图像分类方法

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