CN117197661A - 一种利用激光雷达点云数据识别黄土落水洞的方法 - Google Patents
一种利用激光雷达点云数据识别黄土落水洞的方法 Download PDFInfo
- Publication number
- CN117197661A CN117197661A CN202311053278.0A CN202311053278A CN117197661A CN 117197661 A CN117197661 A CN 117197661A CN 202311053278 A CN202311053278 A CN 202311053278A CN 117197661 A CN117197661 A CN 117197661A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- laser radar
- loess
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 15
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000004162 soil erosion Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种利用激光雷达点云数据识别黄土落水洞的方法,涉及落水洞识别技术领域,包括如下步骤:采集待检测区域的激光雷达点云数据;对激光雷达点云数据预处理,标记出洞穴区域;构建改进PoinNet++模型,并将标记出洞穴区域的激光雷达点云数据输入改进PoinNet++模型进行识别,提取出粗略的黄土落水洞区域,利用区域生长算法精调粗略提取的黄土落水洞。本发明基于激光点云的技术可以自动学习具有区分性的特征,从而可以更准确地识别出落水洞,同时基于深度学习的发明技术可以在不同的环境下自适应地学习特征,从而可以更好地应对复杂的地形和环境变化,有更好的鲁棒性。
Description
技术领域
本发明涉及落水洞识别技术领域,特别涉及一种利用激光雷达点云数据识别黄土落水洞的方法。
背景技术
土壤管道侵蚀被认为是一个广泛而重要的过程,但地下土壤侵蚀的研究在宽度、广度和深度上远远不及地表土壤侵蚀的研究。中国的黄土洞穴根植于世界上最典型的黄土地层和黄土地貌之中,黄土高原也是世界上地质灾害最为频发、水土流失最为严重的区域之一,具有许多鲜明的、独特的地域特点和特色。黄土高原地区广泛分布着落水洞,这些洞穴具有危害性、隐蔽性、不可预测性和地表响应性等特点,给交通、农业、城市建设等事业带来了很大的隐患和不便。因此,黄土落水洞的检测和识别已经成为黄土高原地区交通、土地、水利、矿产、城建等部门非常关注的一项重要问题。
开展黄土洞穴敏感性评估与制图,可以更好地服务黄土洞穴地质灾害的防灾减灾。黄土洞穴在地下空间的分布和延伸极其复杂,不同洞穴在地下互相串连、连通,甚至在斜坡上和沟道中形成了复杂的地下洞穴系统。黄土洞穴系统的复杂性、隐蔽性和连通性决定了使用常规遥感和无人机摄影测量很难摸清楚它们在地下空间的三维形态结构。
现有的黄土落水洞检测的方法还存在一些问题和不足之处。具体来说,主要表现在以下几个方面:
人力工作量大,效率低。传统的落水洞检测方式常常依赖于人工驾车例行巡查和步行探查,需要消耗大量的人力物力,而且由于视线受限、人为主观因素等原因,效率和准确性都有待提高,数据质量难以保障。传统的黄土落水洞检测方式存在采样点密度低、地形复杂、范围广、采样不连续等数据不全面的难题,这些问题都对黄土落水洞的识别和定位造成了巨大的困难,造成分析精度和效果不一。传统的黄土落水洞检测方法还依赖于杨氏方差分析、支持向量机等基于统计方法和机器学习方法,分析精度和效果受到很多因素的影响,无法取得理想的效果,且传统的基于图像的黄土落水洞识别算法模型体积庞大,训练复杂程度高。
发明内容
本发明的目的在于针对上述现有技术的不足,提供一种利用激光雷达点云数据识别黄土落水洞的方法,以解决现有技术中落水洞的检测和识别效率低且会产生人工差错和漏检的问题。
本发明具体提供如下技术方案:一种利用激光雷达点云数据识别黄土落水洞的方法,包括以下步骤:
采集待检测区域的激光雷达点云数据;
对所述激光雷达点云数据预处理,标记出洞穴区域;
构建改进PoinNet++模型:在PoinNet++模型基础上加入Transformer特征提取模块;
将所述标记出洞穴区域的激光雷达点云数据输入改进PoinNet++模型进行识别,提取出初步的黄土落水洞区域;
使用区域生长算法将所有所述初步的黄土落水洞区域作为种子点,并对每个种子点定义一个邻域;
将每个种子点视作锚节点,并将每个种子点邻域内的k个种子点视作邻节点,对每个邻节点到锚节点的法向量判断,若法向量大于阈值就将该种子点加入到初步的黄土落水洞区域中;
对包含多个种子点的邻域通过设定规则合并成新的区域,通过所述新的区域获得最终的黄土落水洞区域;其中最终的黄土落水洞区域精细程度大于初步的黄土落水洞区域。
优选的,所述采集待检测区域的激光雷达点云数据,包括如下步骤:
利用低空机载激光雷达无人机获取地表点云数据;
利用手持激光雷达设备环绕洞穴顶部扫描获取内部点云;
对于空穴以及其他设备的测量盲区,采用激光雷达无人机飞入洞穴内部进行点云数据采集;
对所述地表点云数据、洞穴的内部点云数据以及测量盲区的点云数据进行合并,获得最终的激光雷达点云数据。
优选的,对所述地表点云数据、洞穴的内部点云数据以及测量盲区的点云数据进行合并,获得最终的激光雷达点云数据,包括如下步骤:
以测量精度最高的低空机载雷达无人机设备获取的点云数据作为配准基准数据;
利用迭代最近点精细配准算法,将手持激光雷达设备和激光雷达无人机获取的点云数据进行配准。
优选的,所述对所述激光雷达点云数据预处理,标记出洞穴区域,包括如下步骤:
采用点云滤波算法清除点云数据中的噪声;
对去噪后的点云数据进行分割,分别标注出落水洞区域和地面区域,然后合并点云数据;
并将所述点云数据量以7:1:2进行分割,划分为训练集、测试集与验证集。
优选的,所述构建PoinNet++模型,包括如下步骤:
在PointNet模型基础上增加层级式采样模块和层级式聚合模块来构建PoinNet++模型;
所述层级式采样模块用最远点采样算法逐级对点云进行均匀的下采样;
所述层级式聚合模块用最近邻算法或者球形查询的方式聚合寻找单个锚节点的邻域节点,低于阈值级别的采样结果被用作高于阈值级别的聚合输入。
优选的,所述将所述标记出洞穴区域的激光雷达点云数据输入PoinNet++模型进行识别,包括如下步骤:
将激光雷达点云数据作为输入,利用多层感知机对输入点云坐标数据进行升维;
将所述升维后的激光雷达点云数据输入层级式采样模块,通过最远点采样算法逐级对点云进行均匀的N倍下采样减少点云数量;
将减少点云数量的激光雷达点云数据输入所述层级式聚合模块中,使用K近邻算法或者球形查询的方式聚合寻找每个点周围的k个邻居节点,并使用Transformer特征提取模块对k个邻居节点进行全局特征和局部特征提取;
使用上采样插值的方式逐步将全局特征和局部特征提取后的点云数量增加到原始大小,利用k个邻居节点更新特征。
优选的,所述使用Transformer特征提取模块对k个邻居节点进行全局特征和局部特征提取,包括步骤:
依次在三个维度(x,y,z)上对点云Ψ进行排序,获得子点云XF;
全局特征提取模块GT通过线性变换把子点云XF转换为Q,K,V∈RG×MD,生成全局注意力矩阵;
其中,Q,K,V分别表示查询、键和值向量,RG×MD为三维实数空间,γ为映射函数,σ为位置编码函数,⊙为同或符号,L为子点云之间的距离,RG×MD为三维实数空间,dk是为了把Softmax函数限制在一个梯度区域内的常数;
将全局注意力矩阵attnG与V相乘获得全局特征;
使用局部特征提取模块LT计算锚节点与其k个邻居节点的距离d,生成局部注意力矩阵αi;
αi=1-softmax(LN(d))
其中,LN表示层归一化;
将局部注意力矩阵以权重的形式赋予给锚节点的邻居节点fi,获得局部特征F;
其中,fi为对应点的特征值。
优选的,所述依次在三个维度(x,y,z)上对点云Ψ进行排序,获得子点云XF,包括如下步骤:
将第一个维度排序,获得索引Indexx;
利用索引Indexx得到排序后的坐标Ψi和对应特征
将坐标Ψi和对应特征分为G组子点云,每一组包含N/G个点;
将第二维度和第三维度以相同方式获得G组子点云;
在获得三种维度的G组子点云XF后,计算获得子点云XF之间的距离L;
其中,r是每个子点云的形心,其定义如下:
其中,g∈{1,...,G},k∈{1,2,3},M为参数数量,i,j∈g。
优选的,所述利用k个邻居节点更新特征,具体表达式为:
其中,d(x,xi)为两点间的距离,fi为对应点的特征值。
优选的,在将所述标记出洞穴区域的激光雷达点云数据输入PoinNet++模型之前,需对PoinNet++模型进行训练,包括步骤:
随机从预处理后的点云中采集16000个点用于训练;
采用随机翻转、绕Z轴随机旋转、随机缩放的方式对点云进行数据增强;
当验证集的损失最小时保存此刻的PoinNet++模型权重作为最优权重。
与现有技术相比,本发明具有如下显著优点:
本发明通过激光雷达扫描仪获取点云,利用深度学习算法改进的PointNet++提取点云特征,实现黄土落水洞的初步识别,并利用区域生长算法实现黄土落水洞的精细分割。本发明基于激光点云的技术可以自动学习具有区分性的特征,从而可以更准确地识别出落水洞,具有采样点密度高,对于地形复杂的黄土地面可以连续的进行数据采集,精确提高黄土落水洞的识别和定位;同时本发明可以在不同的环境下自适应地学习特征,从而可以更好地应对复杂的地形和环境变化,提高黄土落水洞的精细化获取,有更好的鲁棒性。
附图说明
图1为本发明提供的一种利用激光雷达点云数据自动识别黄土落水洞方法流程图;
图2为本发明提供的使用的改进PointNet++模型结构示意图。
具体实施方式
下面结合本发明中的附图,对本发明实施例的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本发明的目的在于提供一种基于改进PointNet++的落水洞识别算法,进一步提高洞穴检测精度,用于黄土洞穴三维结构、水文地质结构探测与建模。
为了便于理解和说明,如附图1所示,本发明提供了一种利用激光雷达点云数据识别黄土落水洞的方法,包括以下步骤:
步骤S1:确定黄土高原落水洞风险区域,利用激光雷达设备采集待检测区域的激光雷达点云数据。
采用机载激光雷达无人机、手持激光雷达设备和防碰撞小型激光雷达无人机分别在低空、地表和洞内进行地形点云数据采集。具体来说:
利用低空机载激光雷达无人机获取大范围地表点云数据;利用手持激光雷达设备环绕洞穴顶部扫描获取内部点云;对于人难以到达的狭小空穴以及其他设备的测量盲区,采用小型激光雷达无人机飞入洞穴内部进行点云数据采集。
对大范围地表点云数据、洞穴的内部点云数据以及测量盲区的点云数据进行合并,获得最终的激光雷达点云数据。
由于测量坐标系统和测量误差的影响,不同激光雷达设备获取激光点云缺少统一的基准。如果简单地进行点云合并可能会导致点云分层、交叉、旋转等问题。为了解决这个难题,本专利在CloudCompare软件中,以测量精度最高的低空机载雷达无人机设备获取的点云数据作为配准基准数据,利用内置的迭代最近点(ICP,Iterative Closest Point)精细配准算法,将手持激光雷达设备和防碰撞小型激光雷达无人机获取的点云数据分别与之配准。
对大范围地表点云数据、洞穴的内部点云数据以及测量盲区的点云数据进行合并,获得最终的激光雷达点云数据,包括如下步骤:
以测量精度最高的低空机载雷达无人机设备获取的点云数据作为配准基准数据。
利用迭代最近点精细配准算法,将手持激光雷达设备和防碰撞小型激光雷达无人机获取的点云数据进行配准。
步骤S2:对激光雷达点云数据(清洗)预处理,标记出洞穴区域。
采用点云滤波算法清除点云数据中的噪声;原始采集到的稠密点云数据暂用大量的计算资源,我们对点云进行、抽稀、过滤等操作,得到去除噪音后的地形点云。
使用CloudCompare软件对去噪后的点云数据进行分割,分别标注出落水洞区域和地面区域,然后合并点云数据。
并将点云数据量以7:1:2进行分割,划分为训练集、测试集与验证集。
步骤S3:构建PoinNet++模型,在PoinNet++模型基础上引入Transformer特征提取模块。
PointNet模块是一个基础模块,用于点云的特征提取。它使用多层感知机(Multilayer Perceptron,MLP)网络,对点云中的每个点提取特征并计算其全局特征向量。这些全局特征向量被汇总,以形成点云的表示,这个表示可以被用于分类和语义分割等任务。
PoinNet++模型是一个增强型的基于PointNet的点云分层聚类模型,通过逐步聚合不同尺寸和分辨率的点集的特征来生成更丰富的特征表示。在PointNet模型基础上增加层级式采样模块和层级式聚合模块来构建PoinNet++模型。层级式采样模块用最远点采样算法逐级对点云进行均匀的下采样;层级式聚合模块用最近邻算法或者球形查询的方式聚合寻找单个锚节点的邻域节点,较低级别(低于阈值)的采样结果被用作较高级别(高于阈值)的聚合输入。将在采样结果任何类别内的点聚合为向量,以减少特征数。最终,PointNet++模块提供了一个更丰富的点云特征表示用于语义分割和物体检测等任务。
步骤S4:将标记出洞穴区域的激光雷达点云数据输入PoinNet++模型进行识别,提取出初步(粗略)的黄土落水洞区域。
改进PointNet++将以16000个激光雷达点云数据作为输入,利用多层感知机对输入点云坐标数据进行升维。
将升维后的激光雷达点云数据输入层级式采样模块,通过最远点采样算法逐级对点云进行均匀的N=4倍下采样减少点云数量;经过一次下采样后点云数量变为4000,两次变为1000,依次类推,最少64个点。
将减少点云数量的激光雷达点云数据输入层级式聚合模块中,聚合模块使用K近邻算法或者球形查询的方式聚合寻找每个点周围的k个邻居节点,用多层感知机特征变换后使用最大池化聚合局部特征。使用Transformer特征提取模块对k个邻居节点进行全局特征和局部特征提取。
使用上采样插值的方式逐步将全局特征和局部特征提取后的点云数量增加到原始大小,利用k个邻居节点更新特征。
其中d(x,xi)为两点间的距离,fi为对应点的特征值。
采用在基于PointNet++的基础上设计的基于Transformer的特征提取模块,该特征提取块分为全局特征提取模块GT和局部特征提取模块LT。使用Transformer特征提取模块对k个邻居节点进行全局特征和局部特征提取,包括步骤:
依次在三个维度(x,y,z)上对点云Ψ进行排序,获得子点云XF。点云Ψ={P(1),P(2),…,P(B)},其中P(j)∈RN×3和表示第j个点云及其对应的特征。RG×MD为三维实数空间,原始点云中点数量为N,子点云的数量为G。
全局特征提取模块GT通过线性变换把子点云XF转换为Q,K,V∈RG×MD,生成全局注意力矩阵。
其中,Q,K,V分别表示查询、键和值向量,RG×MD为三维实数空间,γ为映射函数,σ为位置编码函数,⊙为同或符号,L为子点云之间的距离,dk是为了把Softmax函数限制在一个梯度较大的区域内的常数;将全局注意力矩阵attnG与V相乘获得全局特征。
尽管全局注意力也有一定的提取局部信息的能力,但为了获得更精细的局部信息,使用局部特征提取模块LT计算锚节点与其k个邻居节点的距离d,生成局部注意力矩阵:
αi=1-softmax(LN(d))
其中,LN表示层归一化。
将局部注意力矩阵以权重的形式赋予给锚节点的邻居节点fi,获得局部特征:
依次在三个维度(x,y,z)上对点云Ψ进行排序,获得子点云XF,包括如下步骤:
将第一个维度排序,获得索引Indexx。
利用索引Indexx得到排序后的坐标Ψi和对应特征
将坐标Ψi和对应特征分为G组子点云,每一组包含N/G个点。
将第二维度和第三维度以相同方式获得G组子点云;在获得三种维度的G组子点云XF后,计算获得子点云XF之间的距离L。
其中,r是每个子点云的形心,其定义如下:
其中,g∈{1,...,G},k∈{1,2,3},M为参数数量,i,j∈g。
在将标记出洞穴区域的激光雷达点云数据输入PoinNet++模型之前,需对PoinNet++模型进行训练,包括步骤:
随机从预处理后的点云中采集16000个点用于训练;采用随机翻转、绕Z轴随机旋转、随机缩放的方式对点云进行数据增强,增强模型的鲁棒性和表达能力。
当验证集的损失最小时保存此刻的PoinNet++模型权重作为最优权重。
将无人机获取的数据点云配准预处理后输入到载入了最优模型权重的PointNet++中,初步识别出落水洞区域。
步骤S5:使用区域生长算法将所有初步的黄土落水洞区域作为种子点,并对每个种子点定义一个邻域,即距离该种子点一定距离内的所有点,邻域的大小根据点云密度和分辨率等因素来决定。
步骤S6:判断邻域内点是否符合条件:将每个种子点视作锚节点,并将每个种子点邻域内的k个点视作邻节点,设定一个阈值,对每个邻节点到锚节点的法向量判断,若法向量大于阈值就将该点加入到初步的黄土落水洞区域中。
步骤S7:合并区域:如果邻域内有多个种子点,对包含多个种子点的邻域通过设定规则合并成(一个大)新的区域,通过新的区域获得最终(精细)的黄土落水洞区域。比如可以选择最近的种子点作为合并的依据,或者根据区域的面积、密度等因素来决定合并的顺序。
以上内容是结合具体优选实施方式对本发明做进一步详细说明,对于本发明所属技术领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种利用激光雷达点云数据识别黄土落水洞的方法,其特征在于,包括以下步骤:
采集待检测区域的激光雷达点云数据;
对所述激光雷达点云数据预处理,标记出洞穴区域;
构建PoinNet++模型,对PoinNet++模型设置Transformer特征提取模块;
将所述标记出洞穴区域的激光雷达点云数据输入PoinNet++模型进行识别,提取出初步的黄土落水洞区域;
使用区域生长算法将所有所述初步的黄土落水洞区域作为种子点,并对每个所述种子点定义一个邻域;
将每个种子点视作锚节点,将每个种子点邻域内的k个种子点视作邻节点,并对每个邻节点到锚节点的法向量判断,若法向量大于阈值就将该种子点加入到初步的黄土落水洞区域中;
对包含多个种子点的邻域通过设定规则合并成新的区域,通过所述新的区域获得最终的黄土落水洞区域;其中最终的黄土落水洞区域精细程度大于初步的黄土落水洞区域。
2.如权利要求1所述的一种利用激光雷达点云数据识别黄土落水洞的方法,其特征在于,所述采集待检测区域的激光雷达点云数据,包括如下步骤:
利用低空机载激光雷达无人机获取地表点云数据;
利用手持激光雷达设备环绕洞穴顶部扫描获取内部点云;
对于空穴以及其他设备的测量盲区,采用激光雷达无人机飞入洞穴内部进行点云数据采集;
对所述地表点云数据、洞穴的内部点云数据以及测量盲区的点云数据进行合并,获得最终的激光雷达点云数据。
3.如权利要求2所述的一种利用激光雷达点云数据识别黄土落水洞的方法,其特征在于,对所述地表点云数据、洞穴的内部点云数据以及测量盲区的点云数据进行合并,获得最终的激光雷达点云数据,包括如下步骤:
以测量精度最高的低空机载雷达无人机设备获取的点云数据作为配准基准数据;
利用迭代最近点精细配准算法,将手持激光雷达设备和激光雷达无人机获取的点云数据进行配准。
4.如权利要求1所述的一种利用激光雷达点云数据识别黄土落水洞的方法,其特征在于,所述对所述激光雷达点云数据预处理,标记出洞穴区域,包括如下步骤:
采用点云滤波算法清除点云数据中的噪声;
对去噪后的点云数据进行分割,分别标注出落水洞区域和地面区域,然后合并点云数据;
并将所述点云数据量以7:1:2进行分割,划分为训练集、测试集与验证集。
5.如权利要求4所述的一种利用激光雷达点云数据识别黄土落水洞的方法,其特征在于,构建所述PoinNet++模型,包括如下步骤:
在PointNet模型基础上增加层级式采样模块和层级式聚合模块来构建PoinNet++模型;
所述层级式采样模块用最远点采样算法逐级对点云进行均匀的下采样;
所述层级式聚合模块用最近邻算法或者球形查询的方式聚合寻找单个锚节点的邻域节点,低于阈值级别的采样结果被用作高于阈值级别的聚合输入。
6.如权利要求5所述的一种利用激光雷达点云数据识别黄土落水洞的方法,其特征在于,所述将所述标记出洞穴区域的激光雷达点云数据输入改进的PoinNet++模型进行识别,包括如下步骤:
将激光雷达点云数据作为输入,利用多层感知机对输入点云坐标数据进行升维;
将所述升维后的激光雷达点云数据输入层级式采样模块,通过最远点采样算法逐级对点云进行均匀的N倍下采样减少点云数量;
将减少点云数量的激光雷达点云数据输入所述层级式聚合模块中,使用K近邻算法或者球形查询的方式聚合寻找每个点周围的k个邻居节点,并使用Transformer特征提取模块对k个邻居节点进行全局特征和局部特征提取;
使用上采样插值的方式逐步将全局特征和局部特征提取后的点云数量增加到原始大小,利用k个邻居节点更新特征。
7.如权利要求6所述的一种利用激光雷达点云数据识别黄土落水洞的方法,其特征在于,所述使用Transformer特征提取模块对k个邻居节点进行全局特征和局部特征提取,包括步骤:
依次在三个维度(x,y,z)上对点云Ψ进行排序,获得子点云XF;
全局特征提取模块GT通过线性变换把子点云XF转换为Q,K,V∈RG×MD,生成全局注意力矩阵;
其中,Q,K,V分别表示查询、键和值向量,RG×MD为三维实数空间,γ为映射函数,σ为位置编码函数,⊙为同或符号,L为子点云之间的距离,dk是为了把Softmax函数限制在一个适合梯度收敛的区域内的常数;
将全局注意力矩阵attnG与V相乘获得全局特征;
使用局部特征提取模块LT计算锚节点与其k个邻居节点的距离d,生成局部注意力矩阵αi;
αi=1-softmax(LN(d))
其中,LN表示层归一化;
将局部注意力矩阵以权重的形式赋予给锚节点的邻居节点fi,获得局部特征F;
其中,fi为对应点的特征值。
8.如权利要求7所述的一种利用激光雷达点云数据识别黄土落水洞的方法,其特征在于,所述依次在三个维度(x,y,z)上对点云Ψ进行排序,获得子点云XF,包括如下步骤:
将第一个维度排序,获得索引Indexx;
利用索引Indexx得到排序后的坐标Ψi和对应特征
将坐标Ψi和对应特征分为G组子点云,每一组包含N/G个点;
将第二维度和第三维度以相同方式获得G组子点云;
在获得三种维度的G组子点云XF后,计算获得子点云XF之间的距离Li,j;
其中,r是每个子点云的形心,其定义如下:
其中,g∈{1,...,G},k∈{1,2,3},M为参数数量,i,j∈g。
9.如权利要求6所述的一种利用激光雷达点云数据识别黄土落水洞的方法,其特征在于,所述利用k个邻居节点更新特征,具体表达式为:
其中d(x,xi)为两点间的距离,fi为对应点的特征值。
10.如权利要求1所述的一种利用激光雷达点云数据识别黄土落水洞的方法,其特征在于,在将所述标记出洞穴区域的激光雷达点云数据输入改进PoinNet++模型之前,需对改进PoinNet++模型进行训练,包括步骤:
随机从预处理后的点云中采集16000个点用于训练;
采用随机翻转、绕Z轴随机旋转、随机缩放的方式对点云进行数据增强;
当验证集的损失最小时保存此刻的PoinNet++模型权重作为最优权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311053278.0A CN117197661A (zh) | 2023-08-21 | 2023-08-21 | 一种利用激光雷达点云数据识别黄土落水洞的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311053278.0A CN117197661A (zh) | 2023-08-21 | 2023-08-21 | 一种利用激光雷达点云数据识别黄土落水洞的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117197661A true CN117197661A (zh) | 2023-12-08 |
Family
ID=88986099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311053278.0A Pending CN117197661A (zh) | 2023-08-21 | 2023-08-21 | 一种利用激光雷达点云数据识别黄土落水洞的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197661A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117849760A (zh) * | 2024-03-07 | 2024-04-09 | 云南云金地科技有限公司 | 一种激光雷达点云数据处理方法 |
-
2023
- 2023-08-21 CN CN202311053278.0A patent/CN117197661A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117849760A (zh) * | 2024-03-07 | 2024-04-09 | 云南云金地科技有限公司 | 一种激光雷达点云数据处理方法 |
CN117849760B (zh) * | 2024-03-07 | 2024-05-14 | 云南云金地科技有限公司 | 一种激光雷达点云数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091105B (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
Cai et al. | Landslide detection using densely connected convolutional networks and environmental conditions | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
Zhang et al. | Uncertainty in geographical information | |
CN108197583B (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
CN109145171B (zh) | 一种多尺度地图数据更新方法 | |
CN103268358B (zh) | 多源控制点影像数据库构建及更新方法 | |
CN107330422A (zh) | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 | |
CN112070756B (zh) | 一种基于无人机倾斜摄影的路面立体病害测量方法 | |
CN106845559A (zh) | 顾及poi数据空间异质性的地表覆盖验证方法及系统 | |
CN117197661A (zh) | 一种利用激光雷达点云数据识别黄土落水洞的方法 | |
Wu et al. | Automatic building rooftop extraction using a digital surface model derived from aerial stereo images | |
Li et al. | Integrating multiple textural features for remote sensing image change detection | |
CN116310853A (zh) | 一种基于多源数据的中小城市边缘区提取方法 | |
Albrecht et al. | Autogeolabel: Automated label generation for geospatial machine learning | |
An et al. | Object-oriented urban dynamic monitoring—A case study of Haidian district of Beijing | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
Yao et al. | Automatic extraction of road markings from mobile laser-point cloud using intensity data | |
CN114743059B (zh) | 一种综合地形地貌特征的海底地理实体自动分类方法 | |
Azzaoui et al. | Detection of crescent sand dunes contours in satellite images using an active shape model with a cascade classifier | |
Boer | Using pattern recognition to search LIDAR data for archeological sites | |
CN112284287B (zh) | 一种基于结构表面灰度特征的立体视觉三维位移测量方法 | |
Ma et al. | Road Curbs Extraction from Mobile Laser Scanning Point Clouds with Multidimensional Rotation‐Invariant Version of the Local Binary Pattern Features | |
CN115588134B (zh) | 一种基于滑坡特征要素和空间结构的滑坡识别方法及系统 | |
Xing et al. | Design idea of discrimination and inversion of landslide disaster based on multi-level and multi-scale |
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 |