CN117291845B - 一种点云地面滤波方法、系统、电子设备及存储介质 - Google Patents
一种点云地面滤波方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117291845B CN117291845B CN202311585468.7A CN202311585468A CN117291845B CN 117291845 B CN117291845 B CN 117291845B CN 202311585468 A CN202311585468 A CN 202311585468A CN 117291845 B CN117291845 B CN 117291845B
- Authority
- CN
- China
- Prior art keywords
- training
- point
- point cloud
- network model
- slice
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001914 filtration Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 147
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/70—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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种点云地面滤波方法、系统、电子设备及存储介质,属于点云数据处理技术领域。该方法包括:对样本点云进行等间距垂直切片及等量采样,获得多个训练样本单元;基于多个训练样本单元训练FGFNet网络模型;基于训练好的FGFNet网络模型预测待测点云中每个点为地面点的平均概率。本发明通过对点云进行垂直切片,从切片中获取点数相等的样本,使得包含相同点数的样本单元可以表达更大的地形跨度,可以更好的处理包含大型构建筑物的地形,并通过FGFNet网络模型自主地从点云中学习特征并完成地面点提取,能适应包含多种地形特征区域的地面滤波工作,避免了滤波过程中由于参数设定而造成的主观偏差。
Description
技术领域
本发明涉及点云数据处理技术领域,特别是涉及一种点云地面滤波方法、系统、电子设备及存储介质。
背景技术
点云地面滤波是将点云中的地面点和非地面点区分开来的操作。现有的地面滤波方法主要分为传统算法和深度学习算法。
传统算法:该类算法通常会要求用户提供一些参数。这些参数的设定,可能影响滤波的时间效率并造成滤波结果的主观偏差,对滤波结果的影响是巨大的。给定了参数,就相当于对待滤波区域的地形特征做出了假设;然而不同区域之间的地形特征可能相差很大。这使得想要得到良好的滤波效果,用户通常需要多次尝试修改参数;甚至,同一地区也可能有着多种地形特征,这使得无论如何调参,都无法在这些区域取得满意的效果。
深度学习算法:受限于计算机显存的大小,目前大多数3D深度神经网络在实现最佳综合性能的同时,只能处理小尺寸的输入,这会导致对大型构建筑物的误分类。
发明内容
本发明的目的是提供一种点云地面滤波方法、系统、电子设备及存储介质,以避免现有的深度学习方法只能处理小尺寸的输入而导致的对大型构建筑物的误分类的技术缺陷。
为实现上述目的,本发明提供了如下方案:
本发明提供一种点云地面滤波方法,所述方法包括如下步骤:
对样本点云进行等间距垂直切片,获得多个训练切片点云;
分别对每个训练切片点云进行等量采样,获得多个训练样本单元;
基于多个训练样本单元训练FGFNet网络模型,获得训练好的FGFNet网络模型;
基于训练好的FGFNet网络模型预测待测点云中每个点为地面点的平均概率。
可选的,所述训练切片点云包括平行于XOZ平面的训练切片点云和平行于YOZ平面的训练切片点云,所述对样本点云进行等间距垂直切片,获得多个训练切片点云,具体包括:
以垂直于y轴的面为切面,对样本点云进行等间距垂直切片,获得多个平行于XOZ平面的训练切片点云;
以垂直于x轴的面为切面,对样本点云进行等间距垂直切片,获得多个平行于YOZ平面的训练切片点云。
可选的,分别对每个训练切片点云进行等量采样,获得多个训练样本单元,具体包括:
获取训练切片点云中的第1个至第n个点,组成所述训练切片点云的第1个训练样本单元;
获取训练切片点云中的第x1个至第x2个点,组成所述训练切片点云的第k个训练样本单元;其中,,/>,k=2,3…,且/>,/>为训练切片点云中点的数量,n为训练样本单元中点的数量;
获取训练切片点云中的第个至第/>个点,组成所述训练切片点云的最后1个训练样本单元。
可选的,所述训练切片点云包括平行于XOZ平面的训练切片点云和平行于YOZ平面的训练切片点云,分别对每个训练切片点云进行等量采样,获得多个训练样本单元,之前还包括:
按照x轴坐标的大小对平行于XOZ平面的训练切片点云中的点进行排序;
按照y轴坐标的大小对平行于YOZ平面的训练切片点云中的点进行排序。
可选的,基于多个训练样本单元训练FGFNet网络模型,获得训练好的FGFNet网络模型,具体包括:
基于多个训练样本单元,构建训练集和验证集;
初始化学习速率、训练次数m和计数值L;
基于所述学习速率,采用训练集对FGFNet网络模型进行训练,获得第m次训练后的FGFNet网络模型;
基于所述验证集验证第m次训练后的FGFNet网络模型的损失函数值是否小于第m-1次训练后的FGFNet网络模型的损失函数值,获得第一判断结果;
若所述第一判断结果表示否,则令计数值L增加1,并判断计数值L是否小于计数阈值,获得第二判断结果;否则,执行训练次数判断过程;
若所述第二判断结果表示否,则确定第m次训练后的FGFNet网络模型为初步优化后的FGFNet网络模型,降低所述学习速率,并执行训练次数判断过程;否则,直接执行训练次数判断过程;
所述训练次数判断过程包括:
判断训练次数m的数值是否小于训练次数阈值,获得第三判断结果;
若所述第三判断结果表示是,则令m的数值增加1,返回基于所述学习速率,采用训练集对FGFNet网络模型进行训练,获得第m次训练后的FGFNet网络模型的步骤;
若所述第三判断结果表示否,则选取损失函数值小的初步优化后的FGFNet网络模型为训练好的FGFNet网络模型。
可选的,基于训练好的FGFNet网络模型预测待测点云中每个点为地面点的平均概率,具体包括:
对待测点云进行等间距垂直切片,获得多个待测切片点云;
分别对每个待测切片点云进行等量采样,获得多个待测样本单元;
分别将每个所述待测样本单元输入至训练好的FGFNet网络模型,获得每个待测样本单元中每个点为地面点的概率;
基于每个待测样本单元中每个点为地面点的概率,计算待测点云中每个点为地面点的平均概率。
可选的,基于每个待测样本单元中每个点为地面点的概率,计算待测点云中每个点为地面点的平均概率的公式为:
;
其中,为待测点云中第g个点为地面点的平均概率,/>为待测点云中第g个点被重复预测的次数,/>为第j次预测得到的待测点云中第g个点为地面点的概率。
一种点云地面滤波系统,所述系统应用于上述的方法,所述系统包括:
垂直切片模块,用于对样本点云进行等间距垂直切片,获得多个训练切片点云;
等量采样模块,用于分别对每个训练切片点云进行等量采样,获得多个训练样本单元;
模型训练模型,用于基于多个训练样本单元训练FGFNet网络模型,获得训练好的FGFNet网络模型;
平均概率预测模块,用于基于训练好的FGFNet网络模型预测待测点云中每个点为地面点的平均概率。
一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述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的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现上述的方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明实施例提供一种点云地面滤波方法、系统、电子设备及存储介质,所述方法包括如下步骤:对样本点云进行等间距垂直切片,获得多个训练切片点云;分别对每个训练切片点云进行等量采样,获得多个训练样本单元;基于多个训练样本单元训练FGFNet网络模型,获得训练好的FGFNet网络模型;基于训练好的FGFNet网络模型预测待测点云中每个点为地面点的平均概率。本发明通过对点云进行垂直切片,从切片中获取点数相等的样本,使得包含相同点数的样本单元可以表达更大的地形跨度,可以更好的处理包含大型构建筑物的地形,并通过FGFNet网络模型自主地从点云中学习特征并完成地面点提取,能适应包含多种地形特征区域的地面滤波工作,避免了滤波过程中由于参数设定而造成的主观偏差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种点云地面滤波方法的流程图;
图2为本发明实施例提供的对点云进行垂直切片的原理示意图;
图3为本发明实施例提供的切片点云示意图;
图4为本发明实施例提供的FGFNet网络模型的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
本发明的目的是提供一种点云地面滤波方法、系统、电子设备及存储介质,以避免现有的深度学习方法只能处理小尺寸的输入而导致的对大型构建筑物的误分类的技术缺陷。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例提供一种点云地面滤波方法,如图1所示,所述方法包括如下步骤:
步骤101,对样本点云进行等间距垂直切片,获得多个训练切片点云。
步骤102,分别对每个训练切片点云进行等量采样,获得多个训练样本单元。
步骤103,基于多个训练样本单元训练FGFNet网络模型,获得训练好的FGFNet网络模型。
步骤104,基于训练好的FGFNet网络模型预测待测点云中每个点为地面点的平均概率。
示例性的,本发明实施例中的训练切片点云包括平行于XOZ平面的训练切片点云和平行于YOZ平面的训练切片点云,对应的,步骤101和步骤102的具体实现方式为:
步骤1:对点云中的每个点赋予不重复的编号。进行编号的目的是为了给每个点一个标签,此编号用于统计每个点属于地面点的平均概率。因此,该步骤并不需要考虑点与点之间的空间位置关系,可以直接按点云的初始顺序进行编号,只需要保证每个点的序号唯一即可。
步骤2:如图2所示,垂直于y轴,以固定宽度,对样本点云进行垂直切片,得到若干训练切片点云,如图3所示。设原始点云为集合/>,则通过垂直切片后,集合PC被转换成了若干个子集合/>,。
步骤3:对所有训练切片点云中的点按照坐标从小到大的顺序进行排序。即:对于排序后切片中点的横坐标/>满足/>,/>。
步骤4:从排序的切片中按照每个训练样本单元n个点的原则构建训练样本单元,并对每个训练样本单元内的所有点坐标进行中心化处理。若某个训练切片点云内共有个点,则该切片内第1个训练样本单元包含第1~n点。为了让每个训练样本单元边缘处的点也享受足够的上下文信息,前后两个相邻训练样本单元保持50%的重叠率。即:第k(k=2,3…,且/>)个训练样本单元包含第/>点,且最后一个训练样本单元包含第/>点。
步骤5:步骤2至步骤4的采样仅能提取平行于XOZ平面的地形信息,得到的训练切片点云是平行于XOZ平面的训练切片点云。为了获取平行于YOZ方向(与前一方向垂直)的地形信息,将原始点云进行X、Y坐标的对换,并重复步骤2至步骤4的采样操作。显然,点云中的每个点会被多次(≥2)采样。
示例性的,本发明实施例中的步骤103的具体实现方式为:
步骤6:使用从带有标签的训练点云中采样(步骤2至步骤5)获得的训练样本单元训练FGFNet网络模型,网络结构如图4所示,图4中Transformer Block表示转换模块,Linear表示线性化,Sigmoid表示多层感知机,Output表示输出,Input表示输入,Dot-product Attention表示点注意力,Concatenate表示连接,Normalization表示标准化,Add表示相加,Transpose表示转置,Softmax表示激活函数。训练的批量大小设为64,损失函数为二元交叉熵,优化器使用RMSprop(初始学习速率为0.001)。在整个训练过程中,验证集的损失会被监控,当验证损失在连续10个训练轮次都不再下降时,学习速率会被降低为当前值1/2;并且,每当验证损失下降到新的最低值时,当前模型会被自动保存为最佳模型。当完成设置的所有训练轮次后,验证损失最低的模型会被视为最终模型。
本发明实施例中步骤104的具体实现方式为:
步骤7:使用相同采样方案(步骤1-步骤5)从待测点云中获得的待测样本单元可以直接输入训练好的FGFNet网络模型。对于每个输入的待测样本单元,训练好的FGFNet网络模型可以自动根据训练好的权重参数进行逐层张量计算,完成推理预测,输出每个点属于地面点的概率。
步骤8:FGFNet会输出待测样本单元中每个点属于地面点或非地面点的概率值,而原始点云每个点会被多次采样,因此每个点会得到多个预测的概率值。计算每个点属于地面点的平均概率作为每个点属于地面点的唯一概率值。,式中,/>为待测点云中第g个点为地面点的平均概率,/>为待测点云中第g个点被重复预测的次数,/>为第j次预测得到的待测点云中第g个点为地面点的概率。若/>大于0.5,则将该点归类于地面点;反之则将其归类于非地面点。
本发明实施例还提供一种点云地面滤波系统,所述系统应用于上述的方法,所述系统包括:
垂直切片模块,用于对样本点云进行等间距垂直切片,获得多个训练切片点云。
等量采样模块,用于分别对每个训练切片点云进行等量采样,获得多个训练样本单元。
模型训练模型,用于基于多个训练样本单元训练FGFNet网络模型,获得训练好的FGFNet网络模型。
平均概率预测模块,用于基于训练好的FGFNet网络模型预测待测点云中每个点为地面点的平均概率。
本发明实施例还提供一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述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的方法。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现上述的方法。
综上,实施本发明的实施例,具有如下的有益效果:
本发明实施例通过步骤2和步骤3,使无序、无结构的点云数据可以在点云切片中按照每个点所处的水平位置进行组织,为后续的处理提供有序的输入,更方便点云特征的提取。
本发明实施例通过步骤2和步骤4,使包含相同点数的样本单元可以表达更大的地形跨度,使得新方法可以更好的处理包含大型构建筑物的地形。
提出的新方法以数据为驱动,通过步骤6中的FGFNet网络模型自主地从点云中学习特征并完成地面点提取。该方法能适应包含多种地形特征区域的地面滤波工作,避免了滤波过程中由于参数设定而造成的主观偏差。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种点云地面滤波方法,其特征在于,所述方法包括如下步骤:
对样本点云进行等间距垂直切片,获得多个训练切片点云;
分别对每个训练切片点云进行等量采样,获得多个训练样本单元;
基于多个训练样本单元训练FGFNet网络模型,获得训练好的FGFNet网络模型;
基于训练好的FGFNet网络模型预测待测点云中每个点为地面点的平均概率;
所述训练切片点云包括平行于XOZ平面的训练切片点云和平行于YOZ平面的训练切片点云,所述对样本点云进行等间距垂直切片,获得多个训练切片点云,具体包括:
以垂直于y轴的面为切面,对样本点云进行等间距垂直切片,获得多个平行于XOZ平面的训练切片点云;
以垂直于x轴的面为切面,对样本点云进行等间距垂直切片,获得多个平行于YOZ平面的训练切片点云;
分别对每个训练切片点云进行等量采样,获得多个训练样本单元,具体包括:
按照x轴坐标的大小对平行于XOZ平面的训练切片点云中的点进行排序;
按照y轴坐标的大小对平行于YOZ平面的训练切片点云中的点进行排序;
获取训练切片点云中的第1个至第n个点,组成所述训练切片点云的第1个训练样本单元;
获取训练切片点云中的第x1个至第x2个点,组成所述训练切片点云的第k个训练样本单元;其中,,/>,k=2,3…,且/>,/>为训练切片点云中点的数量,n为训练样本单元中点的数量;
获取训练切片点云中的第个至第/>个点,组成所述训练切片点云的最后1个训练样本单元。
2.根据权利要求1所述的点云地面滤波方法,其特征在于,基于多个训练样本单元训练FGFNet网络模型,获得训练好的FGFNet网络模型,具体包括:
基于多个训练样本单元,构建训练集和验证集;
初始化学习速率、训练次数m和计数值L;
基于所述学习速率,采用训练集对FGFNet网络模型进行训练,获得第m次训练后的FGFNet网络模型;
基于所述验证集验证第m次训练后的FGFNet网络模型的损失函数值是否小于第m-1次训练后的FGFNet网络模型的损失函数值,获得第一判断结果;
若所述第一判断结果表示否,则令计数值L增加1,并判断计数值L是否小于计数阈值,获得第二判断结果;否则,执行训练次数判断过程;
若所述第二判断结果表示否,则确定第m次训练后的FGFNet网络模型为初步优化后的FGFNet网络模型,降低所述学习速率,并执行训练次数判断过程;否则,直接执行训练次数判断过程;
所述训练次数判断过程包括:
判断训练次数m的数值是否小于训练次数阈值,获得第三判断结果;
若所述第三判断结果表示是,则令m的数值增加1,返回基于所述学习速率,采用训练集对FGFNet网络模型进行训练,获得第m次训练后的FGFNet网络模型的步骤;
若所述第三判断结果表示否,则选取损失函数值小的初步优化后的FGFNet网络模型为训练好的FGFNet网络模型。
3.根据权利要求1所述的点云地面滤波方法,其特征在于,基于训练好的FGFNet网络模型预测待测点云中每个点为地面点的平均概率,具体包括:
对待测点云进行等间距垂直切片,获得多个待测切片点云;
分别对每个待测切片点云进行等量采样,获得多个待测样本单元;
分别将每个所述待测样本单元输入至训练好的FGFNet网络模型,获得每个待测样本单元中每个点为地面点的概率;
基于每个待测样本单元中每个点为地面点的概率,计算待测点云中每个点为地面点的平均概率。
4.根据权利要求3所述的点云地面滤波方法,其特征在于,基于每个待测样本单元中每个点为地面点的概率,计算待测点云中每个点为地面点的平均概率的公式为:
;
其中,为待测点云中第g个点为地面点的平均概率,/>为待测点云中第g个点被重复预测的次数,/>为第j次预测得到的待测点云中第g个点为地面点的概率。
5.一种点云地面滤波系统,其特征在于,所述系统应用于权利要求1-4任一项所述的方法,所述系统包括:
垂直切片模块,用于对样本点云进行等间距垂直切片,获得多个训练切片点云;
等量采样模块,用于分别对每个训练切片点云进行等量采样,获得多个训练样本单元;
模型训练模型,用于基于多个训练样本单元训练FGFNet网络模型,获得训练好的FGFNet网络模型;
平均概率预测模块,用于基于训练好的FGFNet网络模型预测待测点云中每个点为地面点的平均概率。
6.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述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权利要求1至4中任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被执行时实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311585468.7A CN117291845B (zh) | 2023-11-27 | 2023-11-27 | 一种点云地面滤波方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311585468.7A CN117291845B (zh) | 2023-11-27 | 2023-11-27 | 一种点云地面滤波方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117291845A CN117291845A (zh) | 2023-12-26 |
CN117291845B true CN117291845B (zh) | 2024-03-19 |
Family
ID=89248398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311585468.7A Active CN117291845B (zh) | 2023-11-27 | 2023-11-27 | 一种点云地面滤波方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117291845B (zh) |
Citations (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011103732A1 (zh) * | 2010-02-24 | 2011-09-01 | 中兴通讯股份有限公司 | 数字用户线端口信息收集方法及系统 |
WO2019089382A1 (en) * | 2017-10-31 | 2019-05-09 | Vid Scale, Inc. | 360-degree video coding using face-based geometry padding |
CN110830303A (zh) * | 2019-11-13 | 2020-02-21 | 大连大学 | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 |
WO2020069049A1 (en) * | 2018-09-25 | 2020-04-02 | Matterport, Inc. | Employing three-dimensional data predicted from two-dimensional images using neural networks for 3d modeling applications |
CN111598914A (zh) * | 2020-05-12 | 2020-08-28 | 湖南大学 | 一种基于不确定性引导的自适应图像分割方法 |
WO2020180014A2 (ko) * | 2019-03-05 | 2020-09-10 | 네이버랩스 주식회사 | 심층 강화 학습에 기반한 자율주행 에이전트의 학습 방법 및 시스템 |
CN111723780A (zh) * | 2020-07-22 | 2020-09-29 | 浙江大学 | 基于高分辨率遥感图像的跨域数据的定向迁移方法及系统 |
CN112101278A (zh) * | 2020-09-25 | 2020-12-18 | 湖南盛鼎科技发展有限责任公司 | 基于k近邻特征提取和深度学习的宅基地点云分类方法 |
CN112287939A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技(深圳)有限公司 | 三维点云语义分割方法、装置、设备及介质 |
CN112365511A (zh) * | 2020-11-14 | 2021-02-12 | 重庆邮电大学 | 基于重叠区域检索与对齐的点云分割方法 |
CN112561944A (zh) * | 2020-11-27 | 2021-03-26 | 中央财经大学 | 一种基于车载激光点云的车道线提取方法 |
WO2021056914A1 (zh) * | 2019-09-25 | 2021-04-01 | 苏州浪潮智能科技有限公司 | 一种目标检测模型的自动建模方法及装置 |
CN112837295A (zh) * | 2021-02-01 | 2021-05-25 | 北京工业大学 | 一种基于生成对抗网络的橡胶手套缺陷检测方法 |
CN113610916A (zh) * | 2021-06-17 | 2021-11-05 | 同济大学 | 基于点云数据的不规则物体体积测定方法及系统 |
WO2021238262A1 (zh) * | 2020-05-29 | 2021-12-02 | 浪潮(北京)电子信息产业有限公司 | 一种车辆识别方法、装置、设备及存储介质 |
CN114022489A (zh) * | 2021-09-30 | 2022-02-08 | 北京市农林科学院信息技术研究中心 | 家畜点云双向断层区域分割方法及装置 |
WO2022078197A1 (zh) * | 2020-10-16 | 2022-04-21 | 北京字节跳动网络技术有限公司 | 点云分割方法、装置、设备和存储介质 |
CN114548277A (zh) * | 2022-02-22 | 2022-05-27 | 电子科技大学 | 基于点云数据的地面点拟合、作物高度提取的方法及系统 |
CN114897912A (zh) * | 2022-04-24 | 2022-08-12 | 广东工业大学 | 一种基于增强循环切片网络的三维点云分割方法及系统 |
CN115115941A (zh) * | 2021-11-09 | 2022-09-27 | 腾晖科技建筑智能(深圳)有限公司 | 基于模板匹配的激光雷达点云地图杆状目标提取方法 |
CN115331064A (zh) * | 2022-09-05 | 2022-11-11 | 中国计量大学 | 面向体尺测量的养殖场场景点云分类方法及装置 |
CN115410119A (zh) * | 2022-08-12 | 2022-11-29 | 山东大学 | 一种基于训练样本自适应生成的剧烈运动检测方法及系统 |
CN115731275A (zh) * | 2022-12-21 | 2023-03-03 | 安徽大学 | 基于注意力机制的非刚性三维点云配准方法及系统 |
CN115757855A (zh) * | 2022-11-23 | 2023-03-07 | 浙江工业大学 | 一种基于图结构匹配的图像检索方法 |
CN115841574A (zh) * | 2022-12-19 | 2023-03-24 | 中国科学技术大学 | 域适应的激光雷达点云语义分割方法、设备及存储介质 |
CN116137059A (zh) * | 2023-04-17 | 2023-05-19 | 宁波大学科学技术学院 | 基于多层次特征提取网络模型的三维点云质量评价方法 |
CN116258857A (zh) * | 2023-03-13 | 2023-06-13 | 扎赉诺尔煤业有限责任公司 | 一种面向室外树木激光点云分割与提取方法 |
CN116681653A (zh) * | 2023-05-16 | 2023-09-01 | 中国铁道科学研究院集团有限公司标准计量研究所 | 一种三维点云提取方法及提取系统 |
CN116845884A (zh) * | 2023-07-28 | 2023-10-03 | 国网安徽省电力有限公司电力科学研究院 | 基于联邦学习的电力负荷预测方法及系统 |
CN116863432A (zh) * | 2023-09-04 | 2023-10-10 | 之江实验室 | 基于深度学习的弱监督激光可行驶区域预测方法和系统 |
CN116977970A (zh) * | 2023-08-14 | 2023-10-31 | 重庆邮电大学 | 一种基于激光雷达与毫米波雷达融合的道路可行驶区域检测方法 |
CN117058517A (zh) * | 2023-07-31 | 2023-11-14 | 广东电网有限责任公司广州供电局 | 一种基于YOLOv5优化模型的安全帽检测方法、装置和介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724478B (zh) * | 2020-05-19 | 2021-05-18 | 华南理工大学 | 一种基于深度学习的点云上采样方法 |
-
2023
- 2023-11-27 CN CN202311585468.7A patent/CN117291845B/zh active Active
Patent Citations (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011103732A1 (zh) * | 2010-02-24 | 2011-09-01 | 中兴通讯股份有限公司 | 数字用户线端口信息收集方法及系统 |
WO2019089382A1 (en) * | 2017-10-31 | 2019-05-09 | Vid Scale, Inc. | 360-degree video coding using face-based geometry padding |
WO2020069049A1 (en) * | 2018-09-25 | 2020-04-02 | Matterport, Inc. | Employing three-dimensional data predicted from two-dimensional images using neural networks for 3d modeling applications |
WO2020180014A2 (ko) * | 2019-03-05 | 2020-09-10 | 네이버랩스 주식회사 | 심층 강화 학습에 기반한 자율주행 에이전트의 학습 방법 및 시스템 |
WO2021056914A1 (zh) * | 2019-09-25 | 2021-04-01 | 苏州浪潮智能科技有限公司 | 一种目标检测模型的自动建模方法及装置 |
CN110830303A (zh) * | 2019-11-13 | 2020-02-21 | 大连大学 | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 |
CN111598914A (zh) * | 2020-05-12 | 2020-08-28 | 湖南大学 | 一种基于不确定性引导的自适应图像分割方法 |
WO2021238262A1 (zh) * | 2020-05-29 | 2021-12-02 | 浪潮(北京)电子信息产业有限公司 | 一种车辆识别方法、装置、设备及存储介质 |
CN111723780A (zh) * | 2020-07-22 | 2020-09-29 | 浙江大学 | 基于高分辨率遥感图像的跨域数据的定向迁移方法及系统 |
CN112101278A (zh) * | 2020-09-25 | 2020-12-18 | 湖南盛鼎科技发展有限责任公司 | 基于k近邻特征提取和深度学习的宅基地点云分类方法 |
WO2022078197A1 (zh) * | 2020-10-16 | 2022-04-21 | 北京字节跳动网络技术有限公司 | 点云分割方法、装置、设备和存储介质 |
CN112287939A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技(深圳)有限公司 | 三维点云语义分割方法、装置、设备及介质 |
CN112365511A (zh) * | 2020-11-14 | 2021-02-12 | 重庆邮电大学 | 基于重叠区域检索与对齐的点云分割方法 |
CN112561944A (zh) * | 2020-11-27 | 2021-03-26 | 中央财经大学 | 一种基于车载激光点云的车道线提取方法 |
CN112837295A (zh) * | 2021-02-01 | 2021-05-25 | 北京工业大学 | 一种基于生成对抗网络的橡胶手套缺陷检测方法 |
CN113610916A (zh) * | 2021-06-17 | 2021-11-05 | 同济大学 | 基于点云数据的不规则物体体积测定方法及系统 |
CN114022489A (zh) * | 2021-09-30 | 2022-02-08 | 北京市农林科学院信息技术研究中心 | 家畜点云双向断层区域分割方法及装置 |
CN115115941A (zh) * | 2021-11-09 | 2022-09-27 | 腾晖科技建筑智能(深圳)有限公司 | 基于模板匹配的激光雷达点云地图杆状目标提取方法 |
CN114548277A (zh) * | 2022-02-22 | 2022-05-27 | 电子科技大学 | 基于点云数据的地面点拟合、作物高度提取的方法及系统 |
CN114897912A (zh) * | 2022-04-24 | 2022-08-12 | 广东工业大学 | 一种基于增强循环切片网络的三维点云分割方法及系统 |
CN115410119A (zh) * | 2022-08-12 | 2022-11-29 | 山东大学 | 一种基于训练样本自适应生成的剧烈运动检测方法及系统 |
CN115331064A (zh) * | 2022-09-05 | 2022-11-11 | 中国计量大学 | 面向体尺测量的养殖场场景点云分类方法及装置 |
CN115757855A (zh) * | 2022-11-23 | 2023-03-07 | 浙江工业大学 | 一种基于图结构匹配的图像检索方法 |
CN115841574A (zh) * | 2022-12-19 | 2023-03-24 | 中国科学技术大学 | 域适应的激光雷达点云语义分割方法、设备及存储介质 |
CN115731275A (zh) * | 2022-12-21 | 2023-03-03 | 安徽大学 | 基于注意力机制的非刚性三维点云配准方法及系统 |
CN116258857A (zh) * | 2023-03-13 | 2023-06-13 | 扎赉诺尔煤业有限责任公司 | 一种面向室外树木激光点云分割与提取方法 |
CN116137059A (zh) * | 2023-04-17 | 2023-05-19 | 宁波大学科学技术学院 | 基于多层次特征提取网络模型的三维点云质量评价方法 |
CN116681653A (zh) * | 2023-05-16 | 2023-09-01 | 中国铁道科学研究院集团有限公司标准计量研究所 | 一种三维点云提取方法及提取系统 |
CN116845884A (zh) * | 2023-07-28 | 2023-10-03 | 国网安徽省电力有限公司电力科学研究院 | 基于联邦学习的电力负荷预测方法及系统 |
CN117058517A (zh) * | 2023-07-31 | 2023-11-14 | 广东电网有限责任公司广州供电局 | 一种基于YOLOv5优化模型的安全帽检测方法、装置和介质 |
CN116977970A (zh) * | 2023-08-14 | 2023-10-31 | 重庆邮电大学 | 一种基于激光雷达与毫米波雷达融合的道路可行驶区域检测方法 |
CN116863432A (zh) * | 2023-09-04 | 2023-10-10 | 之江实验室 | 基于深度学习的弱监督激光可行驶区域预测方法和系统 |
Non-Patent Citations (6)
Title |
---|
"Point cloud classification based on transformer";Xiangfeng Wu等;《Computers and Electrical Engineering》;第104卷(第A期);第223-231页 * |
"Quantifying Multi-Scale Performance of Geometric Features for Efficient Extraction of Insulators from Point Clouds";Jie Tang等;《remote Sensing》;第15卷;第1-19页 * |
"transformers in 3D Point Clouds:A Survey";Dening Lu等;《arxiv》;第1-12页 * |
"基于地面激光点云的树木胸径快速量测方法";刘静云;《智能计算机与应用》;第12卷(第3期);第152-157页 * |
"基于深度学习的机载LiDAR点云滤波方法";李海枫等;《成都理工大学学报(自然科学版)》;第50卷(第3期);第376-384页 * |
"结合UAV-LiDAR和Sentinel-2的森林蓄积量估测";雷宇宙等;《森林工程》;第39卷(第6期);第46-54页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117291845A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN108229550B (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN113094980B (zh) | 一种基于iga-dnn的焊膏印刷质量预测方法及系统 | |
CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及系统 | |
CN108205703B (zh) | 多输入多输出矩阵平均值池化向量化实现方法 | |
CN111625399A (zh) | 一种计量数据恢复方法及系统 | |
CN113642486A (zh) | 一种具有机载前端识别模型的无人机配网巡检方法 | |
CN113343587A (zh) | 用于电力工控网络的流量异常检测方法 | |
CN112598062A (zh) | 一种图像识别方法和装置 | |
CN115147341A (zh) | 一种基于生物视觉启发的织物表面缺陷分类深度网络方法 | |
CN110956304A (zh) | 一种基于ga-rbm的分布式光伏发电量短期预测方法 | |
CN117291845B (zh) | 一种点云地面滤波方法、系统、电子设备及存储介质 | |
CN117156442A (zh) | 基于5g网络的云数据安全保护方法及系统 | |
CN112508363A (zh) | 基于深度学习的电力信息系统状态分析方法及装置 | |
CN116415714A (zh) | 风电功率预测方法、装置、电子设备及可读存储介质 | |
CN115906959A (zh) | 基于de-bp算法的神经网络模型的参数训练方法 | |
CN111126645A (zh) | 一种基于数据挖掘技术和改进支持向量机的风电预测算法 | |
CN114510871A (zh) | 基于思维进化和lstm的云服务器性能衰退预测方法 | |
CN110728292A (zh) | 一种多任务联合优化下的自适应特征选择算法 | |
CN117350549B (zh) | 计及出力相关性的配电网电压风险识别方法、装置及设备 | |
CN116541273B (zh) | 基于图注意力的二进制代码相似性检测方法及系统 | |
CN113869181B (zh) | 一种选择池化核结构的无人机目标检测方法 | |
CN117033705B (zh) | 面向客户侧能源互联的数据增值服务方法 | |
CN111914923B (zh) | 一种基于聚类特征提取的目标分布式识别方法 | |
CN112907565A (zh) | 基于改进YOLOv3的风机叶片缺陷识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |