[发明专利]一种面向电力走廊场景的点云分割方法

说明书

本发明涉及一种面向电力走廊场景的点云分割方法，通过训练调整一个结构具有六个阶段的卷积神经网络，然后将无序的点云作为输入，传递进该已经过训练调整的卷积神经网络进行分割。本发明对电力走廊场景中物体角度、形状变化具有较强的改变适应能力；而且卷积神经网络不加人为预设的特征，通过学习的方法去分割物体，更加反应客观事实。使用卷积神经网络方法的工作是设计网络架构，比设计手工特征省时省力。另外，相比起使用体素的深度学习网络，使用的卷积神经网络直接使用点云输入，计算量和中间变量储存空间大大减少。最后，由于电力场景的数据集不多，用迁移学习的方法来增大数据集，利于提高模型的泛化能力。

技术领域

本发明涉及点云分割的技术领域，尤其涉及到一种面向电力走廊场景的点云分割方法。

背景技术

点云，是一系列包含了坐标信息以及其他可选信息(例如颜色信息)的无序的点。点云语义分割，就是对每个点都进行分类，给每个点分配一个标签。

已有方案：部分学者用手工特征去识别物体，例如利用点云的密度、雷达的反射强度来对杆塔和输电线进行分割(参考论文：《空间域分割的机载LiDAR数据输电线快速提取_刘正军》)。部分学者将点云转化成体素作为神经网络的输入，用深度学习的方法(参考论文：A deep representation for volumetric shapes)。

但是上述两种方案均存在不少的缺点：

手工特征缺点：

1.手工特征比较固定，难以适应物体外形的变化。

2.手工特征反映的是人的主观想法，可能与客观现实有差距。

3.手工特征需要花费大量的时间和人力去设计。

4.对于不同地方的电力走廊以及不同的设备扫描出来的点云文件，处理的参数都不同，都需要去调整参数，手工特征对不同点云的泛化能力差。

体素作为神经网络的输入的缺点：

由于转化之后，存在大量的值为零的空体素，导致计算量过于庞大，目前硬件的计算能力还不能满足这种算法。

发明内容

本发明的目的在于克服现有技术的不足，提供一种面向电力走廊场景的点云分割方法，使用卷积神经网络对点云进行分割，对物体外形和点云密度的变化适应能力强，泛化能力强，设计过程简单。同时，本发明方法直接消耗点云，计算量小，中间变量储存空间也小。

为实现上述目的，本发明所提供的技术方案，具体为：首先训练调整一个结构具有六个阶段的卷积神经网络，然后将电力场景的点云作为输入，传递进该已经过训练调整的卷积神经网络进行分割。

进一步地，所述训练调整一个结构具有六个阶段的卷积神经网络时，训练调整过程包括预训练和训练；其中，预训练时，采用两个森林的点云数据集对卷积神经网络进行预训练，增大训练数据集；训练时，冻结阶段1-3的权重，并将预训练时的fc1,fc2,阶段4-6的权重作为初始化权重，使用现有的电力走廊数据集对卷积神经网络进行训练。

进一步地，所述卷积神经网络中，其每个阶段的卷积层后面均跟随着若干个残差网络块；阶段3中，若干个残差网络块后面跟随着一个pool1层；阶段3和阶段4之间设有融合了不同阶段视觉信息的跳跃串联结构。

进一步地，所述卷积神经网络中，训练调整及分割时，均使用pool1层对无序的点云进行池化处理；池化过程具体为：列代表点的索引，行代表该点特征卷积后的特征值，对每一行取平均值作为输出结果。

与现有技术相比，本方案原理和优点如下：

1、相对于手工特征，通过卷积神经网络对物体进行识别分割，具有更好的潜力，对电力走廊场景中物体角度、形状变化具有较强的改变适应能力。