CN113936103A - 激光点云图模型的构建方法及设备 - Google Patents

激光点云图模型的构建方法及设备 Download PDF

Info

Publication number
CN113936103A
CN113936103A CN202111519696.5A CN202111519696A CN113936103A CN 113936103 A CN113936103 A CN 113936103A CN 202111519696 A CN202111519696 A CN 202111519696A CN 113936103 A CN113936103 A CN 113936103A
Authority
CN
China
Prior art keywords
points
point
point cloud
distance
laser point
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
CN202111519696.5A
Other languages
English (en)
Inventor
陈欢欢
卢奕
黄不了
汪勇
朱云慧
黄恩兴
江贻芳
高健
于娜
李建平
王力
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 CN202111519696.5A priority Critical patent/CN113936103A/zh
Publication of CN113936103A publication Critical patent/CN113936103A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提供了一种激光点云图模型的构建方法及设备，所述方法包括：为激光点云中每个点选取邻接点；建立每个点与其邻接点之间的连边；根据任意两个点之间的距离确定两点间连边的权重，得到激光点云图模型。本发明将传统的激光点云建模为一个图模型，以利用图模型为点云中的每个点提供额外的信息，帮助其分割，避免不同类别的相近点对彼此识别分割的干扰，为点云分割提供支持，有助于实现更好的点云分割效果。

Description

激光点云图模型的构建方法及设备
技术领域
本发明涉及激光点云处理技术领域，尤其涉及一种激光点云图模型的构建方法及设备。
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，多回波特性等特点，是现在最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。
由于在使用 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。在现有的激光点云分割方法中，大都依赖于点与点之间的物理位置关系，但是这种物理位置关系很容易被干扰。例如，虽然有些建筑物激光点与其临近的植被激光点距离很近，但是他们所属类别，所具有的特性都不尽相同，直接将两者联系起来会干扰分割的效果。
可见，如何解决现有云分割技术中不同类别的相近点对彼此识别分割的干扰对精准的云分割具有重要意义。
发明内容
本发明提出了一种激光点云图模型的构建方法及设备，能够解决现有云分割技术中不同类别的相近点对彼此识别分割的干扰问题。
本发明的一个方面，提供了一种激光点云图模型的构建方法，所述方法包括：
为激光点云中每个点选取邻接点；
建立每个点与其邻接点之间的连边；
根据任意两个点之间的距离确定两点间连边的权重，得到激光点云图模型。
进一步地，为激光点云中每个点选取邻接点，包括：
为激光点云中每个点筛选对应的目标点集，目标点集中包括激光点云中与当前点之间的距离小于预设距离阈值的点；
将目标点集中的点作为对应点的邻接点。
进一步地，所述根据任意两个点之间的距离确定两点间连边的权重，包括：
计算激光点云中任意两个点之间的距离；
根据任意两个点之间的距离采用高斯核计算对应两点间连边的权重，公式如下：
Figure 21084DEST_PATH_IMAGE001
，
其中，exp操作符表示自然幂数e的次幂操作，
Figure 141487DEST_PATH_IMAGE002
为点
Figure 249120DEST_PATH_IMAGE003
和点
Figure 988537DEST_PATH_IMAGE004
之间的距离。
进一步地，所述计算激光点云中任意两个点之间的距离，包括：
为激光点云中的每个点赋予特征参数；
计算任意两个点的特征参数差值；
根据任意两个点的特征参数差值采用预设的映射矩阵计算所述两个点之间的距离，计算公式如下：
Figure 6172DEST_PATH_IMAGE005
其中，
Figure 156530DEST_PATH_IMAGE006
表示点
Figure 767771DEST_PATH_IMAGE003
和点
Figure 435513DEST_PATH_IMAGE004
在新的度量空间所计算得到的距离，
Figure 432288DEST_PATH_IMAGE007
表示点
Figure 894493DEST_PATH_IMAGE003
和点
Figure 990101DEST_PATH_IMAGE004
在原来的特征空间中的特征参数差值，
Figure 55009DEST_PATH_IMAGE008
表示映射矩阵W的转置。
进一步地，所述特征参数包括点在空间中的x、y、z坐标信息，r、g、b颜色信息，以及反射强度信息。
进一步地，所述方法还包括：
构建映射矩阵，所述映射矩阵的尺度根据每个点的特征参数的个数确定；
构建损失函数，以通过学习增加不同类别点之间的距离，减少相同类别点之间的距离，损失函数如下：
Figure 47235DEST_PATH_IMAGE009
，
其中，n表示激光点云中点的个数，
Figure 821288DEST_PATH_IMAGE010
表示点
Figure 531755DEST_PATH_IMAGE003
和点
Figure 134774DEST_PATH_IMAGE004
类别是否相同，相同则为
Figure 247087DEST_PATH_IMAGE011
1，否则
Figure 926461DEST_PATH_IMAGE012
1。
进一步地，所述根据任意两个点之间的距离确定两点间连边的权重还包括：
对任意两点间连边的权重进行正则化。
进一步地，所述对任意两点间连边的权重进行正则化包括：
采用softmax函数对任意两点间连边的权重进行正则化，公式如下：
Figure 124224DEST_PATH_IMAGE014
其中，
Figure 796514DEST_PATH_IMAGE015
表示正则化之后点
Figure 373120DEST_PATH_IMAGE016
和点
Figure 613608DEST_PATH_IMAGE017
之间连边的权重，
Figure 157722DEST_PATH_IMAGE018
表示正则化之前点
Figure 243490DEST_PATH_IMAGE016
和点
Figure 937252DEST_PATH_IMAGE017
之间连边的权重，t表示与点
Figure 348642DEST_PATH_IMAGE016
相连的点的个数。
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，该计算机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激光点云图模型的构建设备，包括存储器、处理器及存储在存储器上并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如上所述方法的步骤。
本发明实施例提供的激光点云图模型的构建方法及设备，为激光点云中每个点选取邻接点，根据各个点与其邻接点之间的距离确定两点间连边的权重，得到激光点云图模型。本发明将传统的激光点云建模为一个图模型，以利用图模型为点云中的每个点提供额外的信息，帮助其分割，避免不同类别的相近点对彼此识别分割的干扰，为点云分割提供支持，有助于实现更好的点云分割效果。
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为本发明实施例提供的一种激光点云图模型的构建方法的流程示意图；
图2为本发明实施例提供的一种激光点云图模型的构建方法中步骤S03的具体流程示意图。
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。
图1示意性示出了本发明实施例的激光点云图模型的构建方法的流程图。参照图1，本发明实施例提出的激光点云图模型的构建方法具体包括步骤S01~ S03，如下所示：
S01、为激光点云中每个点选取邻接点。
S02、建立每个点与其邻接点之间的连边。
S03、根据任意两个点之间的距离确定两点间连边的权重，得到激光点云图模型。
本实施例中，将激光点云中任意两点的距离作为激光点云中各个点之间的关联特征。具体的，本发明提出一种新的激光点云距离度量方式，通过将点云中的数据抽取出来，为每个激光点赋予其属性值，之后基于预先学习一个映射矩阵W，通过利用W将原来的激光点云属性映射到一个新的度量空间中，并在这个新的度量空间计算点与点之间新的距离，在新的度量空间中计算出点与点之间新的距离后，将该距离作为每个点之间关联特征为激光点云建模为一个图模型，可以利用每个点之间关联特征，从而为点云中的每个点提供额外的信息，帮助其分割。
本发明实施例提供了一种新的距离度量方式，将每个激光点与其关联密切的激光点连接起来，避免了不同类别的相近点对彼此识别的干扰。
在本发明实施例中，为激光点云中每个点选取邻接点具体包括：为激光点云中每个点筛选对应的目标点集，目标点集中包括激光点云中与当前点之间的距离小于预设距离阈值的点；将目标点集中的点作为对应点的邻接点。
虽然点云中的每两个点之间都可以计算距离，但是图模型要求边的数量应当尽量精简，才能体现最重要的点之间的关系。因此，本实施例中采用最近邻算法，筛选每个点预期距离最近的K个点作为他的邻接点并保留其中间的边，其余的边省略。具体的，K的取值范围可以为30-60。
在本发明实施例中，由于距离越短通常反映两个点之间关系越紧密，即权重应当越大，因此本实施例中引入高斯核计算边权重。具体的，如图2所示，步骤S03中的根据任意两个点之间的距离确定两点间连边的权重，包括如下步骤：
S031、计算激光点云中任意两个点之间的距离。
本实施例中，计算激光点云中任意两个点之间的距离，包括附图中未示出的如下步骤：
S0311、为激光点云中的每个点赋予特征参数。进一步地，特征参数包括点在空间中的x、y、z坐标信息，r、g、b颜色信息，以及反射强度信息。
本实施例中，为激光点云中的每个点赋予七维特征参数，即其空间中的坐标（x，y，z）、颜色信息（r，g，b）、反射强度（i）。例如，一个点云中的点位于北纬18，东经124，海拔高度180m，颜色为红色（255,0,0），反射强度为1，则其特征参数以矩阵形式表示为（18，124，180，255，0，0，1）。
S0312、计算任意两个点的特征参数差值。
S0313、根据任意两个点的特征参数差值采用预设的映射矩阵计算所述两个点之间的距离，计算公式如下：
Figure 380051DEST_PATH_IMAGE019
其中，
Figure 879297DEST_PATH_IMAGE006
表示点
Figure 820708DEST_PATH_IMAGE003
和点
Figure 527633DEST_PATH_IMAGE004
在新的度量空间所计算得到的距离，
Figure 656126DEST_PATH_IMAGE007
表示点
Figure 224642DEST_PATH_IMAGE003
和点
Figure 754980DEST_PATH_IMAGE004
在原来的特征空间中的特征参数差值，
Figure 367227DEST_PATH_IMAGE008
表示映射矩阵W的转置。
例如，两个点的属性值分别为（18，125，180，255，0，0，2），（18，124，180，255，0，0，2），则其
Figure 123962DEST_PATH_IMAGE020
=（18-18，125-124，180-180，0-0，0-0，2-2）=（0，1，0，0，0，0，0），
Figure 620802DEST_PATH_IMAGE021
假设为16，则
Figure 536806DEST_PATH_IMAGE022
本实施例中，首先设置这个映射矩阵的尺度，之后根据公式计算点与点之间新的距离，最后学习映射矩阵的赋值。
具体的，为便于计算，映射矩阵的尺度（h,w）优选设置为点云中的特征个数。如上述实施例中点云特征值为7维，则映射矩阵的尺度被设为（7,7）。
为了将每个激光点与其关联密切的激光点连接起来，通过构建映射矩阵，在学习映射矩阵时构建损失函数，以通过学习增加不同类别点之间的距离，减少相同类别点之间的距离，损失函数如下：
Figure 54375DEST_PATH_IMAGE009
，
其中，n表示激光点云中点的个数，
Figure 295476DEST_PATH_IMAGE010
表示点
Figure 330428DEST_PATH_IMAGE003
和点
Figure 225571DEST_PATH_IMAGE004
类别是否相同，相同则为
Figure 789408DEST_PATH_IMAGE011
1，否则
Figure 520735DEST_PATH_IMAGE012
1。假设三个点两两相连，其中两个点类别相同，第三个点与他们类别不同，相同点间距离MD=3，不相同的点间距离为MD=1，MD=5，则loss=3-1-5=-3。
S032、根据任意两个点之间的距离采用高斯核计算对应两点间连边的权重，公式如下：
Figure 359378DEST_PATH_IMAGE001
，
其中，exp操作符表示自然幂数e的次幂操作，
Figure 577869DEST_PATH_IMAGE002
为点
Figure 719132DEST_PATH_IMAGE003
和点
Figure 796809DEST_PATH_IMAGE004
在新的度量空间所计算得到的距离。例如当
Figure 563777DEST_PATH_IMAGE023
时，
Figure 777721DEST_PATH_IMAGE024
S033、对任意两点间连边的权重进行正则化。
由于计算得到的边权重数值范围没有限制，通常会给后续计算带来不便，因此本发明实施例引入softmax操作符进行两点间连边的权重正则化，公式如下：
Figure 89884DEST_PATH_IMAGE025
其中，
Figure 513912DEST_PATH_IMAGE015
表示正则化之后点
Figure 694358DEST_PATH_IMAGE016
和点
Figure 900824DEST_PATH_IMAGE017
之间的边权重，
Figure 508523DEST_PATH_IMAGE018
表示正则化之前点
Figure 685426DEST_PATH_IMAGE016
和点
Figure 403984DEST_PATH_IMAGE017
之间连边的权重，t表示与点
Figure 467886DEST_PATH_IMAGE016
相连的点的个数。例如点
Figure 246486DEST_PATH_IMAGE016
有两条边相连，其权重分别为1、3，则正则化后其权重分别为0.25、0.75。
本发明实施例提供的激光点云图模型的构建方法及设备，为激光点云中每个点选取邻接点，根据各个点与其邻接点之间的距离确定两点间连边的权重，得到激光点云图模型。本发明将传统的激光点云建模为一个图模型，以利用图模型为点云中的每个点提供额外的信息，帮助其分割，避免不同类别的相近点对彼此识别分割的干扰，为点云分割提供支持，有助于实现更好的点云分割效果。
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。
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，该计算机程序被处理器执行时实现如上所述激光点云图模型的构建方法的步骤。
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-OnlyMemory）、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。
本实施例在具体实现过程中，可以参考前述实施例，具有相应的技术效果。
此外，本发明实施例还提供一种激光点云图模型的构建设备，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激光点云图模型的构建方法实施例中的步骤，例如图1所示的S01~S03。
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激光点云图模型的构建设备中的执行过程。
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，本申请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 (10)

1.一种激光点云图模型的构建方法，其特征在于，所述方法包括：
为激光点云中每个点选取邻接点；
建立每个点与其邻接点之间的连边；
根据任意两个点之间的距离确定两点间连边的权重，得到激光点云图模型。
2.根据权利要求1所述的方法，其特征在于，为激光点云中每个点选取邻接点，包括：
为激光点云中每个点筛选对应的目标点集，目标点集中包括激光点云中与当前点之间的距离小于预设距离阈值的点；
将目标点集中的点作为对应点的邻接点。
3.根据权利要求1所述的方法，其特征在于，所述根据任意两个点之间的距离确定两点间连边的权重，包括：
计算激光点云中任意两个点之间的距离；
根据任意两个点之间的距离采用高斯核计算对应两点间连边的权重，公式如下：
Figure 454875DEST_PATH_IMAGE001
，
其中，exp操作符表示自然幂数e的次幂操作，
Figure 977123DEST_PATH_IMAGE002
为点
Figure 423760DEST_PATH_IMAGE003
和点
Figure 107683DEST_PATH_IMAGE004
之间的距离。
4.根据权利要求3所述的方法，其特征在于，所述计算激光点云中任意两个点之间的距离，包括：
为激光点云中的每个点赋予特征参数；
计算任意两个点的特征参数差值；
根据任意两个点的特征参数差值采用预设的映射矩阵计算所述两个点之间的距离，计算公式如下：
Figure 993599DEST_PATH_IMAGE005
其中，
Figure 319538DEST_PATH_IMAGE006
表示点
Figure 358032DEST_PATH_IMAGE003
和点
Figure 478435DEST_PATH_IMAGE004
之间的距离，
Figure 851648DEST_PATH_IMAGE007
表示点
Figure 591065DEST_PATH_IMAGE003
和点
Figure 608699DEST_PATH_IMAGE004
在原来的特征空间中的特征参数差值，
Figure 290216DEST_PATH_IMAGE008
表示映射矩阵W的转置。
5.根据权利要求4所述的方法，其特征在于，所述特征参数包括点在空间中的x、y、z坐标信息，r、g、b颜色信息，以及反射强度信息。
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
构建映射矩阵，所述映射矩阵的尺度根据每个点的特征参数的个数确定；
构建损失函数，以通过学习增加不同类别点之间的距离，减少相同类别点之间的距离，损失函数如下：
Figure 26091DEST_PATH_IMAGE009
，
其中，n表示激光点云中点的个数，
Figure 569199DEST_PATH_IMAGE010
表示点
Figure 441340DEST_PATH_IMAGE003
和点
Figure 293759DEST_PATH_IMAGE004
类别是否相同，相同则为
Figure 516929DEST_PATH_IMAGE011
1，否则
Figure 329640DEST_PATH_IMAGE012
1。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述根据任意两个点之间的距离确定两点间连边的权重还包括：
对任意两点间连边的权重进行正则化。
8.根据权利要求7所述的方法，其特征在于，所述对任意两点间连边的权重进行正则化包括：
采用softmax函数对任意两点间连边的权重进行正则化，公式如下：
Figure 587446DEST_PATH_IMAGE014
其中，
Figure 345187DEST_PATH_IMAGE015
表示正则化之后点
Figure 790074DEST_PATH_IMAGE016
和点
Figure 674985DEST_PATH_IMAGE017
之间连边的权重，
Figure 787297DEST_PATH_IMAGE018
表示正则化之前点
Figure 715939DEST_PATH_IMAGE016
和点
Figure 913702DEST_PATH_IMAGE017
之间连边的权重，t表示与点
Figure 336725DEST_PATH_IMAGE016
相连的点的个数。
9.一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，该计算机程序被处理器执行时实现如权利要求1-8任一项所述激光点云图模型的构建方法的步骤。
10.一种激光点云图模型的构建设备，包括存储器、处理器及存储在存储器上并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计算机程序时实现如权利要求1-8任一项所述激光点云图模型的构建方法的步骤。
CN202111519696.5A 2021-12-14 2021-12-14 激光点云图模型的构建方法及设备 Pending CN113936103A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111519696.5A CN113936103A (zh) 2021-12-14 2021-12-14 激光点云图模型的构建方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111519696.5A CN113936103A (zh) 2021-12-14 2021-12-14 激光点云图模型的构建方法及设备

Publications (1)

Publication Number Publication Date
CN113936103A true CN113936103A (zh) 2022-01-14

Family

ID=79288851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111519696.5A Pending CN113936103A (zh) 2021-12-14 2021-12-14 激光点云图模型的构建方法及设备

Country Status (1)

Country Link
CN (1) CN113936103A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455927A (zh) * 2023-12-21 2024-01-26 万灵帮桥医疗器械(广州)有限责任公司 光斑阵列分割与光斑偏移量计算方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8548969B2 (en) * 2010-06-02 2013-10-01 Cbs Interactive Inc. System and method for clustering content according to similarity
CN104636496A (zh) * 2015-03-04 2015-05-20 重庆理工大学 基于高斯分布和距离相似度的混合聚类的推荐方法
CN105632502A (zh) * 2015-12-10 2016-06-01 江西师范大学 一种基于加权成对约束度量学习算法的说话人识别方法
CN111353516A (zh) * 2018-12-21 2020-06-30 华为技术有限公司 一种用于在线学习的样本分类方法及模型更新方法
CN112561960A (zh) * 2020-12-10 2021-03-26 中国科学院深圳先进技术研究院 一种基于轨迹相似性度量学习的多目标跟踪重定位方法
CN112819959A (zh) * 2021-01-22 2021-05-18 哈尔滨工业大学 高光谱图像和激光雷达数据本征高光谱点云生成方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8548969B2 (en) * 2010-06-02 2013-10-01 Cbs Interactive Inc. System and method for clustering content according to similarity
CN104636496A (zh) * 2015-03-04 2015-05-20 重庆理工大学 基于高斯分布和距离相似度的混合聚类的推荐方法
CN105632502A (zh) * 2015-12-10 2016-06-01 江西师范大学 一种基于加权成对约束度量学习算法的说话人识别方法
CN111353516A (zh) * 2018-12-21 2020-06-30 华为技术有限公司 一种用于在线学习的样本分类方法及模型更新方法
CN112561960A (zh) * 2020-12-10 2021-03-26 中国科学院深圳先进技术研究院 一种基于轨迹相似性度量学习的多目标跟踪重定位方法
CN112819959A (zh) * 2021-01-22 2021-05-18 哈尔滨工业大学 高光谱图像和激光雷达数据本征高光谱点云生成方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIAXIANG TANG ET.AL: "JOINT GRAPH AND FEATURE LEARNING IN GRAPH CONVOLUTIONAL NEURAL NETWORKS", 《ARXIV：1909.04931V1[CS.LG]》 *
SIHENG CHEN ET.AL: "Fast Resampling of Three-Dimensional Point Clouds via Graphs", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 *
罗剑 等: "加权成对约束度量学习在说话人识别中的应用", 《计算机工程与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455927A (zh) * 2023-12-21 2024-01-26 万灵帮桥医疗器械(广州)有限责任公司 光斑阵列分割与光斑偏移量计算方法、装置、设备及存储介质
CN117455927B (zh) * 2023-12-21 2024-03-15 万灵帮桥医疗器械(广州)有限责任公司 光斑阵列分割与光斑偏移量计算方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110232329B (zh) 基于深度学习的点云分类方法、装置、存储介质及设备
CN109272016B (zh) 目标检测方法、装置、终端设备和计算机可读存储介质
CN103218817B (zh) 植物器官点云的分割方法和系统
US12014258B2 (en) Method and device for optimizing simulation data, and computer-readable storage medium
CN108764358A (zh) 一种太赫兹图像识别方法、装置、设备及可读存储介质
CN111652250A (zh) 基于多边形的遥感影像建筑物提取方法、装置及存储介质
CN110096979B (zh) 模型的构建方法、人群密度估计方法、装置、设备和介质
CN110969200A (zh) 基于一致性负样本的图像目标检测模型训练方法及装置
CN111915657A (zh) 一种点云配准方法、装置、电子设备及存储介质
CN114745532A (zh) 混合色温场景白平衡处理方法、装置、存储介质及终端
CN111931782A (zh) 语义分割方法、系统、介质及装置
CN108596032B (zh) 一种视频中打架行为检测方法、装置、设备及介质
CN113936103A (zh) 激光点云图模型的构建方法及设备
CN111275616B (zh) 低空航拍图像拼接方法和装置
CN116091574A (zh) 一种基于平面约束与位置约束的3d目标检测方法及系统
CN113808142B (zh) 一种地面标识的识别方法、装置、电子设备
CN113112488B (zh) 一种道路中心线提取方法、装置、存储介质及终端设备
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
CN112733624B (zh) 室内密集场景的人流密度检测方法、系统存储介质及终端
CN112149745B (zh) 确定难例样本的方法、装置、设备及存储介质
CN113449702A (zh) 遥感图像的目标检测方法、装置、存储介质及电子设备
CN114638996A (zh) 基于对抗学习的模型训练方法、装置、设备和存储介质
CN113920149B (zh) 基于激光点云图模型的云分割方法及设备
JP7098830B2 (ja) 画像を処理し、親和性グラフを用いたインスタンスセグメンテーションを行うための方法とシステム
CN113868939A (zh) 一种风功率的概率密度评估方法、装置、设备及介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220114