CN116310756A - 遗迹识别方法、装置、电子设备及计算机存储介质 - Google Patents

遗迹识别方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN116310756A
CN116310756A CN202310223191.7A CN202310223191A CN116310756A CN 116310756 A CN116310756 A CN 116310756A CN 202310223191 A CN202310223191 A CN 202310223191A CN 116310756 A CN116310756 A CN 116310756A
Authority
CN
China
Prior art keywords
remains
data
point cloud
identification
training
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
CN202310223191.7A
Other languages
English (en)
Inventor
赵鹏程
胡庆武
王顺利
艾明耀
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202310223191.7A priority Critical patent/CN116310756A/zh
Publication of CN116310756A publication Critical patent/CN116310756A/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
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/38—Outdoor scenes
    • 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
    • G06T17/05—Geographic models
    • 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
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种遗迹识别方法、装置、电子设备及计算机存储介质。其方法包括：获取目标区域内的原始点云数据和影像数据，并对原始点云数据进行预处理，得到修正后的点云数据；基于修正后的点云数据提取遗迹特征信息，并基于遗迹特征信息和影像数据构建遗迹的DEM数据和DOM数据；利用DEM数据和DOM数据构建样本数据集；将训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，并基于验证集进行验证后得到训练完备的遗迹识别模型；将测试集输入训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果。本发明通过构建DEM数据，解决点云数据无序、无结构的问题；基于深度学习模型对目标区域的遗迹进行智能识别，提高了遗迹识别的识别精度。

Description

遗迹识别方法、装置、电子设备及计算机存储介质
技术领域
本发明涉及遥感考古技术领域，尤其涉及一种基于激光雷达点云的遗迹识别方法、装置、电子设备及计算机存储介质。
背景技术
近年来，随着城市化进程的加快，大量古城墙遗迹被不可逆地损害。古城墙作为历史文化的缩影和时代变迁的见证，具有较高的科学、文化以及经济价值。因此为了更快更好地保护古城墙遗迹，对其进行调查识别具有十分重要的意义。
传统的通过人工实地测量的方法，使用全站仪、全球导航卫星系统接收机等测量仪器获取古城墙表面离散的点、线等信息，难以完整地表达古城城墙立体空间信息，而且工作繁琐、效率低下。随着摄影测量与遥感技术的发展，通过机载相机、无人机等设备采集影像，然后基于三维重建方法生成实景三维模型，使得大规模的古城墙调查识别成为可能。但是该方法的三维重建过程需要大量的算力支持，并且生成的三维模型往往精度质量不高，需要进行漏洞填充、单体化等耗时的内业工作，难以适应目前古城墙调查保护的迫切需求。
近年来，激光雷达技术飞速发展，凭借其高精度、高效率、非接触的优势，已成为文化遗产保护的重要手段。为了提取三维点云中的古城墙遗迹信息，需要对激光点云的提取方法进行研究。早期激光点云的提取方法依赖于人工设计特征，主要基于支持向量机、随机森林和马尔可夫随机场等算法来实现提取任务。随着深度学习技术的发展，卷积神经网络被广泛地应用到计算机视觉任务中，并且逐渐在点云提取的方法中占据了主导地位。目前常用的有基于多视图、基于体素以及对点云直接处理的方法，很好地解决了因三维点云数据的无序性和无结构性导致的深度学习在点云领域应用的限制问题。但是，目前点云深度学习方法的算法复杂、效率较低，难以适应如今海量的点云数据；并且激光点云的标注方法复杂繁琐，导致模型的泛化能力较弱、精度有限。
发明内容
有鉴于此，有必要提供一种基于激光雷达点云的遗迹识别方法、装置、电子设备及计算机存储介质，用以解决古城墙遗迹识别精度有限的的问题。
为了解决上述问题，第一方面，本发明提供一种遗迹识别方法，包括：
获取目标区域内的原始点云数据和影像数据，并对所述原始点云数据进行预处理，得到修正后的点云数据；
基于所述修正后的点云数据提取遗迹特征信息，并基于所述遗迹特征信息和所述影像数据构建遗迹的DEM数据和DOM数据；
利用所述DEM数据和DOM数据构建样本数据集，其中，所述样本数据集包括训练集、验证集和测试集；
将所述训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，并基于所述验证集进行验证后得到训练完备的遗迹识别模型；
将所述测试集输入所述训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果。
进一步的，所述对所述原始点云数据进行预处理，包括：
对所述原始点云数据进行点云去噪、反射强度校正及位置偏差改正操作，其中，所述反射强度校正的处理公式包括：
Figure BDA0004117635020000031
Is为修正后的激光强度，I为原始激光强度，R和Rs分别为目标距离和标准距离，θ和θs分别为入射角和标准入射角，ηatm为大气衰减因子。
进一步的，所述基于所述修正后的点云数据提取遗迹特征信息，并基于所述遗迹特征信息和所述影像数据构建遗迹的DEM数据和DOM数据，包括：
在所述修正后的点云数据中提取遗迹特征信息，基于所述遗迹特征信息对所述修正后的点云数据进行分割处理，得到遗迹点云数据；
对所述遗迹点云数据的地形特征信息及空间位置进行采样，并采用预设点云插值算法构建遗迹的DEM数据；
基于空中三角测量方法计算所述影像数据的外方位元素，并基于所述DEM数据对所述影像数据进行数字微分纠正，得到遗迹的DOM数据。
进一步的，所述基于所述DEM数据和DOM数据构建样本数据集，包括：
将所述DEM数据作为空间参考，结合所述DOM数据和实际勘察结果矢量化绘制遗迹图层，并将矢量化绘制的遗迹图层栅格化，作为原始样本数据；
对所述原始样本数据进行增广和裁剪处理，生成样本数据，并按照预设分配比例将所述样本数据分为训练集、验证集和测试集。
进一步的，所述预先搭建的遗迹识别模型包括采用多尺度语义特征提取方法构建的遗迹识别模型；
所述将所述训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，包括：
对所述训练集进行迁移学习训练，建立遗迹与DEM数据的特征定量关系，直至损失函数趋于平稳，其中，所述损失函数包括基于面向离散分类问题的交叉熵损失函数。
进一步的，所述将所述测试集输入所述训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果，包括：
基于建立的遗迹与DEM的特征定量关系，采用向前传播方法在所述测试集中提取目标区域的初始遗迹识别结果；
基于遗迹的尺度信息和区域连通算法，对所述初始遗迹识别结果进行像素剔除，输出所述目标区域的遗迹识别结果。
进一步的，在输出目标区域的遗迹识别结果后，所述方法还包括：
基于古城墙提取准确度的评价指标对目标区域的遗迹识别结果进行验证。
第二方面，本发明还提供一种遗迹识别装置，包括：
数据预处理模块，用于获取目标区域内的原始点云数据和影像数据，并对所述原始点云数据进行预处理，得到修正后的点云数据；
数据构建模块，用于基于所述修正后的点云数据提取遗迹特征信息，并基于所述遗迹特征信息和所述影像数据构建遗迹的DEM数据和DOM数据；
样本数据集构建模块，用于利用所述DEM数据和DOM数据构建样本数据集，其中，所述样本数据集包括训练集、验证集和测试集；
模型训练模块，用于将所述训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，并基于所述验证集进行验证后得到训练完备的遗迹识别模型；
遗迹识别模块，用于将所述测试集输入所述训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果。
第三方面，本发明还提供一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述遗迹识别方法中的步骤。
第四方面，本发明还提供一种计算机存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述遗迹识别方法中的步骤。
采用上述实施例的有益效果是：
本发明利用机载激光雷达扫描技术和深度学习方法，对目标区域地表进行扫描拍摄，获取目标区域的三维激光点云数据和二维影像数据，然后对三维激光点云数据进行预处理，通过预处理后点云数据中的遗迹特征信息，与二维影像数据进行结合生成DEM数据，解决激光点云无序、无结构的问题，克服了激光雷达点云数据量有限、目标特征较弱等问题；然后基于深度学习方法，构建样本库、搭建训练模型，识别提取目标区域的遗迹空间分布信息，提高了遗迹识别的精度，满足当前遗迹调查保护的需求，高质量、高效率。
附图说明
图1为本发明提供的一种遗迹识别方法的一实施例的流程示意图；
图2为本发明一实施例提供的一种多尺度语义特征提取结构示意图；
图3为本发明一实施例提供的一种遗迹识别模型的训练结构示意图；
图4为本发明提供的遗迹识别装置的一实施例的结构示意图；
图5为本发明提供的电子设备的一实施例的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。此外，“多个”的含义是两个或两个以上，除非另有明确具体的限定。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种基于激光雷达点云的遗迹识别方法、装置、电子设备及计算机存储介质，利用机载激光雷达扫描技术和深度学习方法，以古城墙识别提取为目标，对古城墙地表进行扫描拍摄，获取三维激光点云和二维影像数据。然后，经过预处理、分割处理等步骤，生成DEM(Digital Elevation Model，数字高程模型)数据，解决激光点云无序、无结构的问题。最后基于深度学习方法，构建样本库、搭建训练模型，识别提取目标区域的古城墙遗迹空间分布信息，并对识别结果进行验证与评价，以满足当前古城墙遗迹调查保护的需求。
在实施例描述之前，对相关词语进行释义：
DEM(Digital Elevation Model，数字高程模型)数据，是通过有限的地形高程实现对地形曲面的数字化模拟或者说是地形表面形态的数字化表示。DEM数据常常采用绝对高程或海拔表示，规则网格DEM具有简单地数据存储结构，与遥感影像结构具有良好的结合性，并且可以更好地分析表面性能。
DOM(Digital Orthophoto Map，数字正射影图像)数据，是利用数字高程模型对扫描处理的数字化的航空相片、遥感影像，经逐个像元纠正，按图幅范围裁切生成的影像数据，其信息比较直观，具有良好的可判读性和可量测性。
以下分别对具体实施例进行详细说明：
请参阅图1，图1为本发明提供的一种遗迹识别方法的一实施例的流程示意图，本发明的一个具体实施例，公开了一种遗迹识别方法，包括：
步骤S101：获取目标区域内的原始点云数据和影像数据，并对所述原始点云数据进行预处理，得到修正后的点云数据；
步骤S102：基于所述修正后的点云数据提取遗迹特征信息，并基于所述遗迹特征信息和所述影像数据构建遗迹的DEM数据和DOM数据；
步骤S103：利用所述DEM数据和DOM数据构建样本数据集，其中，所述样本数据集包括训练集、验证集和测试集；
步骤S104：将所述训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，并基于所述验证集进行验证后得到训练完备的遗迹识别模型；
步骤S105：将所述测试集输入所述训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果。
其中，在获取目标区域内的原始点云数据和影像数据之前，需要对目标区域，即古城墙遗迹区域进行实地勘察，根据目标区域的范围、地形等设定航线、航高、航速等参数；对机载平台、激光雷达、光学相机等设备型号进行选型；对相机的参数进行标定。
在经过实地勘察、飞行计划制定、系统参数测定和校验等准备工作后，以搭载有激光扫描仪、全球导航卫星系统、惯性导航系统、光学传感器等设备的机载激光雷达系统为基础，对古城墙遗址进行扫描，获取目标区域的原始激光点云以及航空影像数据。
具体的，按照硬件技术参数与作业规范，对目标区域，即古城墙遗迹区进行数据采集，获取原始点云数据、全球导航卫星数据、惯性导航数据、光学影像数据等。其中，原始点云数据包括每个点的角度、距离、强度、回波等。
本发明利用机载激光雷达扫描技术和深度学习方法，对目标区域地表进行扫描拍摄，获取目标区域的三维激光点云数据和二维影像数据，然后对三维激光点云数据进行预处理，通过预处理后点云数据中的遗迹特征信息，与二维影像数据进行结合生成DEM数据，解决激光点云无序、无结构的问题，克服了激光雷达点云数据量有限、目标特征较弱等问题；然后基于深度学习方法，构建样本库、搭建训练模型，识别提取目标区域的遗迹空间分布信息，提高了遗迹识别的精度，满足当前遗迹调查保护的需求，高质量、高效率。
在本发明的一个实施例中，所述对所述原始点云数据进行预处理，包括：
对所述原始点云数据进行点云去噪、反射强度校正及位置偏差改正操作，其中，所述反射强度校正的处理公式包括：
Figure BDA0004117635020000081
Is为修正后的激光强度，I为原始激光强度，R和Rs分别为目标距离和标准距离，θ和θs分别为入射角和标准入射角，ηatm为大气衰减因子。
可以理解的是，原始激光点云数据的预处理，主要包括点云去噪、反射强度校正、位置偏差改正等处理。其中，点云去噪处理主要移除高程异常点、孤立点等噪声数据；反射强度校正处理主要对入射角、距离及大气等影像因素进行改正；位置偏差改正处理主要用于改正全球导航卫星系统和惯性导航系统产生的误差。
具体的，利用采集的全球导航卫星数据、惯性导航数据以及测距数据计算激光点的绝对坐标，然后对点云进行去噪、反射强度校正、位置偏差改正等处理，消除系统误差，提高点云精度。其中，点云去噪可通过点云附近的分布密度或者点云指定半径内的数量来区分噪声点、离群点；反射强度校正需要从入射角、距离及大气三个主要因素进行校正。
反射强度校正的处理公式包括：
Figure BDA0004117635020000091
I为原始激光强度，R和RS分别为目标距离和标准距离，θ和θs分别为入射角和标准入射角，ηatm为大气衰减因子。
在本发明的一个实施例中，所述基于所述修正后的点云数据提取遗迹特征信息，并基于所述遗迹特征信息和所述影像数据构建遗迹的DEM数据和DOM数据，包括：
在所述修正后的点云数据中提取遗迹特征信息，基于所述遗迹特征信息对所述修正后的点云数据进行分割处理，得到遗迹点云数据；
对所述遗迹点云数据的地形特征信息及空间位置进行采样，并采用预设点云插值算法构建遗迹的DEM数据；
基于空中三角测量方法计算所述影像数据的外方位元素，并基于所述DEM数据对所述影像数据进行数字微分纠正，得到遗迹的DOM数据。
可以理解的是，关于遗迹的DEM数据和DOM数据的生成，可以基于古城墙的弱特征信息，对预处理后的点云数据，即修正后的点云数据进行分割，以保留古城墙遗迹点云，然后生成遗迹的DEM数据和DOM数据。
首先通过选取合适的古城遗迹空间信息作为特征因子，对预处理后的激光点云数据进行分割，剔除遗迹表面的建筑物、植被等地物点云，获得遗迹表面地形的点云。具体的，根据点云密度及古城墙遗址的空间分布，把点云划分为合适的网格。考虑网格点云的高程分布、高程差异等剖面参数，计算点云网格的特征因子：
Figure BDA0004117635020000101
Figure BDA0004117635020000102
并以点云网格的特征因子值为参考进行模糊聚类，根据聚类结果进行标记分割，实现从整个点云场景中分割出古城墙遗迹。
其中，GSD为点云空间分辨率，取决于点云密度，i和j分别是网格的行和列，k是当前网格中点云的数量；
Figure BDA0004117635020000103
为网格内点云和网格中心的空间距离的平均值；α、β为用于每个网格特征计算的调整因子；fij为距离反权，/>
Figure BDA0004117635020000104
为网格内点云高程差异，且/>
Figure BDA0004117635020000105
Figure BDA0004117635020000106
和/>
Figure BDA0004117635020000107
分别为网格内点云高程的最大值和最小值；Zmax和Zmin为整个点云场景高程的最大值和最小值。
然后，使用从场景中分割出的古城墙遗迹点云数据，根据遗迹点云数据的地形特征信息及空间位置进行采样，采用适用的点云插值算法构建高精度的DEM，并以规则格网的形式表示。具体的，可以基于Delaunay三角剖分算法拟合构建数字高程模型DEM。在确定目标点的高程值时，根据目标点所在的三角形，依次完成对DEM进行线性内插处理。
举例而言，假定三角形顶点的坐标分别为(x1,y1,z1),(x2,y2,z2),(x3,y3,z3)，目标点高程的计算公式为：
Figure BDA0004117635020000108
其中，(x21,y21,z21),(x31,y31,z31)分别为对应点云坐标的差值。
最后，使用空中三角测量方法恢复影像数据的外方位元素，并基于DEM高程数据对影像数据进行数字微分纠正，即采用三次卷积法对影像数据进行正射校正，最后对影像数据的遮挡区域进行对检测与补偿，即镶嵌及匀色处理，得到古城墙遗迹区域的DOM数据。
在本发明的一个实施例中，所述基于所述DEM数据和DOM数据构建样本数据集，包括：
将所述DEM数据作为空间参考，结合所述DOM数据和实际勘察结果矢量化绘制遗迹图层，并将矢量化绘制的遗迹图层栅格化，作为原始样本数据；
对所述原始样本数据进行增广和裁剪处理，生成样本数据，并按照预设分配比例将所述样本数据分为训练集、验证集和测试集。
可以理解的是，在利用DEM数据和DOM数据构建古城墙遗迹的样本数据集，需要在实地勘察的基础上，结合专家知识、DOM数据人工判读古城墙遗迹的空间分布，并经过矢量化、栅格化、数据增强、裁剪等步骤完成数据集的构建。
首先，以DEM数据为空间参考，经过人工判读，矢量化绘制对应的古城墙遗迹图层，作为深度学习的样本数据。对其进行栅格化，方便深度学习模型读取。然后，充分考虑古城墙的特征，在样本中选择具有典型特征的区域作为训练数据，剩余部分作为测试数据。其中，训练数据与测试数据的比例为7：3，以20％的训练数据作为验证数据，在训练过程中用于调整模型的参数，初步评估模型的能力。最后，对训练数据进行旋转、平移等操作增加样本数据量。考虑到栅格数据的体量，对增广后的数据进行裁剪，以适用于显卡内存有限的场景。整理完成训练集、验证集、测试集的构建。
在本发明的一个实施例中，所述预先搭建的遗迹识别模型包括采用多尺度语义特征提取方法构建的遗迹识别模型；
所述将所述训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，包括：
对所述训练集进行迁移学习训练，建立遗迹与DEM数据的特征定量关系，直至损失函数趋于平稳，其中，所述损失函数包括基于面向离散分类问题的交叉熵损失函数。
可以理解的是，预先搭建的遗迹识别模型包括采用多尺度语义特征提取方法构建的遗迹识别模型，该模型适用于古城墙遗迹特征信息的提取。请参阅图2，图2为本发明一实施例提供的一种多尺度语义特征提取结构示意图。在此基础上，搭建面向大规模DEM以及古城墙遗迹弱特征信息的训练模型，请参阅图3，图3为本发明一实施例提供的一种遗迹识别模型的训练结构示意图，具体包含输入层、卷积层、池化层和全连接层，然后基于面向离散分类问题的交叉熵损失函数，使用训练集进行神经网络模型的训练，直至损失函数值平稳。然后使用验证集在训练过程中用于调整模型的参数，初步评估模型的能力，最终得到训练完备的遗迹识别模型。
在本发明的一个实施例中，所述将所述测试集输入所述训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果，包括：
基于建立的遗迹与DEM的特征定量关系，采用向前传播方法在所述测试集中提取目标区域的初始遗迹识别结果；
基于遗迹的尺度信息和区域连通算法，对所述初始遗迹识别结果进行像素剔除，输出所述目标区域的遗迹识别结果。
可以理解的是，通过利用训练好的模型，在测试集中提取初始古城墙遗迹，然后对初始古城墙遗迹进行矢量化、矢量简化，以剔除冗余和明显错误的数据，得到目标区域的遗迹识别结果。
具体的，通过已建立的遗迹与DEM的特征定量关系，进而采用深度学习模型的向前传播方法进行推理，对区域内近地表遗迹进行智能识别。由于DEM和点云绝对位置相对应，因此实现古城墙的遥感解译和定位。
最后，针对提取的古城墙结果存在“孔洞”和“噪点”的问题，利用古城墙的尺度信息和区域连通算法，经过两次遍历剔除像素较少的斑块，实现古城墙提取结果的后处理，提升解译识别精度。
在本发明的一个实施例中，在输出目标区域的遗迹识别结果后，上述方法还包括：
基于提取准确度的评价指标对遗迹识别结果进行验证。
可以理解的是，以考古专家解译和实地调查相结合，对古城墙遗迹智能识别结果进行验证，评价古城墙遗迹识别和定位的精度，为模型的推广应用提供支撑。
具体的，古城墙提取准确度的评价指标可以采用像素准确率PA、交并比IoU)。其中，像素准确率表示图像中正确提取的像素数与像素总数的比率，计算公式为：
Figure BDA0004117635020000131
交并比表示预测图集合和真实标注图集合的交集与这两个集合的并集的比率，计算公式为：/>
Figure BDA0004117635020000132
Figure BDA0004117635020000133
式中，k表示像素的类别数；pii表示实际类别为i、预测的类别也为i的像素的数目；ti表示类别为i的像素的总数；pji表示实际类别为i、预测的类别为j的像素的数目。
本发明利用机载激光雷达系统采集点云数据，经过预处理、分割等处理步骤生成DEM数据，然后基于深度学习方法提取目标区域的古城墙遗迹，最后对识别提取结果进行验证与评价。解决了古城墙遗迹特征较弱、空间分布分散不连续、并且与地形特征混杂，茂密植被覆盖等问题。并且顾及古城墙遗址尺度和分布特性，结合考古领域的知识，提高激光点云分割的有效性和可靠性，进而提高DEM数据描述古城墙空间信息的准确性。
为了更好实施本发明实施例中的遗迹识别方法，在遗迹识别方法基础之上，对应的，请参阅图4，图4为本发明提供的遗迹识别装置的一实施例的结构示意图，本发明实施例提供了一种遗迹识别装置400，包括：
数据预处理模块401，用于获取目标区域内的原始点云数据和影像数据，并对所述原始点云数据进行预处理，得到修正后的点云数据；
数据构建模块402，用于基于所述修正后的点云数据提取遗迹特征信息，并基于所述遗迹特征信息和所述影像数据构建遗迹的DEM数据和DOM数据；
样本数据集构建模块403，用于利用所述DEM数据和DOM数据构建样本数据集，其中，所述样本数据集包括训练集、验证集和测试集；
模型训练模块404，用于将所述训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，并基于所述验证集进行验证后得到训练完备的遗迹识别模型；
遗迹识别模块405，用于将所述测试集输入所述训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果。
这里需要说明的是：上述实施例提供的装置400可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
基于上述遗迹识别方法，本发明实施例还相应的提供一种电子设备，包括：处理器和存储器以及存储在存储器中并可在处理器上执行的计算机程序；处理器执行计算机程序时实现如上述各实施例的遗迹识别方法中的步骤。
图5中示出了适于用来实现本发明实施例的电子设备500的结构示意图。本发明实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
电子设备包括：存储器以及处理器，其中，这里的处理器可以称为下文的处理装置501，存储器可以包括下文中的只读存储器(ROM)502、随机访问存储器(RAM)503以及存储装置508中的至少一项，具体如下所示：
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM402被安装。在该计算机程序被处理装置501执行时，执行本发明实施例的方法中限定的上述功能。
基于上述遗迹识别方法，本发明实施例还相应的提供一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如上述各实施例的遗迹识别方法中的步骤。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种遗迹识别方法，其特征在于，包括：
获取目标区域内的原始点云数据和影像数据，并对所述原始点云数据进行预处理，得到修正后的点云数据；
基于所述修正后的点云数据提取遗迹特征信息，并基于所述遗迹特征信息和所述影像数据构建遗迹的DEM数据和DOM数据；
利用所述DEM数据和DOM数据构建样本数据集，其中，所述样本数据集包括训练集、验证集和测试集；
将所述训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，并基于所述验证集进行验证后得到训练完备的遗迹识别模型；
将所述测试集输入所述训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果。
2.根据权利要求1所述的遗迹识别方法，其特征在于，所述对所述原始点云数据进行预处理，包括：
对所述原始点云数据进行点云去噪、反射强度校正及位置偏差改正操作，其中，所述反射强度校正的处理公式包括：
Figure FDA0004117635000000011
Is为修正后的激光强度，I为原始激光强度，R和Rs分别为目标距离和标准距离，θ和θs分别为入射角和标准入射角，ηatm为大气衰减因子。
3.根据权利要求1所述的遗迹识别方法，其特征在于，所述基于所述修正后的点云数据提取遗迹特征信息，并基于所述遗迹特征信息和所述影像数据构建遗迹的DEM数据和DOM数据，包括：
在所述修正后的点云数据中提取遗迹特征信息，基于所述遗迹特征信息对所述修正后的点云数据进行分割处理，得到遗迹点云数据；
对所述遗迹点云数据的地形特征信息及空间位置进行采样，并采用预设点云插值算法构建遗迹的DEM数据；
基于空中三角测量方法计算所述影像数据的外方位元素，并基于所述DEM数据对所述影像数据进行数字微分纠正，得到遗迹的DOM数据。
4.根据权利要求1所述的遗迹识别方法，其特征在于，所述基于所述DEM数据和DOM数据构建样本数据集，包括：
将所述DEM数据作为空间参考，结合所述DOM数据和实际勘察结果矢量化绘制遗迹图层，并将矢量化绘制的遗迹图层栅格化，作为原始样本数据；
对所述原始样本数据进行增广和裁剪处理，生成样本数据，并按照预设分配比例将所述样本数据分为训练集、验证集和测试集。
5.根据权利要求1所述的遗迹识别方法，其特征在于，所述预先搭建的遗迹识别模型包括采用多尺度语义特征提取方法构建的遗迹识别模型；
所述将所述训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，包括：
对所述训练集进行迁移学习训练，建立遗迹与DEM数据的特征定量关系，直至损失函数趋于平稳，其中，所述损失函数包括基于面向离散分类问题的交叉熵损失函数。
6.根据权利要求1所述的遗迹识别方法，其特征在于，所述将所述测试集输入所述训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果，包括：
基于建立的遗迹与DEM的特征定量关系，采用向前传播方法在所述测试集中提取目标区域的初始遗迹识别结果；
基于遗迹的尺度信息和区域连通算法，对所述初始遗迹识别结果进行像素剔除，输出所述目标区域的遗迹识别结果。
7.根据权利要求1所述的遗迹识别方法，其特征在于，在输出目标区域的遗迹识别结果后，所述方法还包括：
基于提取准确度的评价指标对目标区域的遗迹识别结果进行验证。
8.一种遗迹识别装置，其特征在于，包括：
数据预处理模块，用于获取目标区域内的原始点云数据和影像数据，并对所述原始点云数据进行预处理，得到修正后的点云数据；
数据构建模块，用于基于所述修正后的点云数据提取遗迹特征信息，并基于所述遗迹特征信息和所述影像数据构建遗迹的DEM数据和DOM数据；
样本数据集构建模块，用于利用所述DEM数据和DOM数据构建样本数据集，其中，所述样本数据集包括训练集、验证集和测试集；
模型训练模块，用于将所述训练集输入预先搭建的遗迹识别模型中进行训练，直至损失函数趋于平稳，并基于所述验证集进行验证后得到训练完备的遗迹识别模型；
遗迹识别模块，用于将所述测试集输入所述训练完备的遗迹识别模型中，输出目标区域的遗迹识别结果。
9.一种电子设备，其特征在于，包括存储器和处理器，其中，所述存储器，用于存储程序；所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任一项所述遗迹识别方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至7中任一项所述遗迹识别方法中的步骤。
CN202310223191.7A 2023-03-08 2023-03-08 遗迹识别方法、装置、电子设备及计算机存储介质 Pending CN116310756A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310223191.7A CN116310756A (zh) 2023-03-08 2023-03-08 遗迹识别方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310223191.7A CN116310756A (zh) 2023-03-08 2023-03-08 遗迹识别方法、装置、电子设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN116310756A true CN116310756A (zh) 2023-06-23

Family

ID=86790033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310223191.7A Pending CN116310756A (zh) 2023-03-08 2023-03-08 遗迹识别方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN116310756A (zh)

Similar Documents

Publication Publication Date Title
Dorninger et al. 3D segmentation of unstructured point clouds for building modelling
EP2849117B1 (en) Methods, apparatuses and computer program products for automatic, non-parametric, non-iterative three dimensional geographic modeling
CN111383335B (zh) 一种众筹照片与二维地图结合的建筑物三维建模方法
CN114842364A (zh) 一种露天矿山边坡图像裂隙参数提取方法及装置
Ahmed et al. A GIS-based mathematical approach for generating 3D terrain model from high-resolution UAV imageries
Guan et al. Detecting visually salient scene areas and deriving their relative spatial relations from continuous street-view panoramas
Yoo et al. True orthoimage generation by mutual recovery of occlusion areas
CN116433865B (zh) 一种基于场景可重建性分析的空地协同采集路径规划方法
CN117572455A (zh) 基于数据融合的山区水库地形图测绘方法
CN116051777B (zh) 超高层建筑提取方法、设备和可读存储介质
CN117115063A (zh) 一种多源数据融合应用方法
CN114004740B (zh) 基于无人机激光雷达点云的建筑物墙线提取方法
CN110927765A (zh) 激光雷达与卫星导航融合的目标在线定位方法
CN115565072A (zh) 一种道路垃圾识别和定位方法、装置、电子设备及介质
CN115861816A (zh) 一种立体低涡识别方法、装置、存储介质及终端
CN116310756A (zh) 遗迹识别方法、装置、电子设备及计算机存储介质
JP3966419B2 (ja) 変化領域認識装置および変化認識システム
Zhu A pipeline of 3D scene reconstruction from point clouds
CN115115597A (zh) 一种目标检测方法、装置、设备及介质
Benjamin et al. Assessment of Structure from Motion (SfM) processing parameters on processing time, spatial accuracy, and geometric quality of unmanned aerial system derived mapping products
Cömert et al. Object based building extraction and building period estimation from unmanned aerial vehicle data
CN113486728A (zh) 基于特征融合的地表三维变化检测方法和装置
KR101114904B1 (ko) 도화원도와 항공 레이저 측량 데이터를 이용한 도시공간정보 구축 시스템 및 그 방법
KR101083902B1 (ko) 항공 레이저 측량 데이터의 필터링을 이용한 3차원 공간정보 구축 시스템
CN111460862A (zh) 基于神经网络的遥感图像地物提取方法及系统

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