[发明专利]一种利用点云密度与旋转信息对稀疏点云进行分类与分割的方法

说明书

本发明公开一种利用点云密度与旋转信息对稀疏点云进行分类与分割的方法，包括如下步骤：预处理点云；对稀疏点云的坐标信息进行分析；对稀疏点云的空间和密度信息进行分析；结合点云空间坐标特征与密度及旋转特征进行点云分类与分割。本发明通过对点云的预处理方式以及对稀疏点云空间信息和旋转信息的挖掘与利用，从而提升点云分类与分割的工作模式，采用本算法对不同密度的点云(稀疏点云，密集点云)的分类和分割进行对比，效率提高十倍以上；用本方法对稀疏点云的分类和分割与传统机器学习方法(滤波)的分类和分割进行对比，精度提升7％，由87％提升至93％；与PoineNet算法和3DCNN算法相比，精度提高4％。

技术领域

本发明涉及点云的分类和分割技术领域。具体地说是一种利用点云密度与旋转信息对稀疏点云进行分类与分割的方法。

背景技术

激光雷达以其对地表信息实时、准确获取的空前优势，在测绘工程中得到了广泛的应用。点云是激光雷达传感器最直接的输出，是对传感器视觉所看到的所有物体的客观、详尽的表达。然而，详尽意味着大量的数据和长期的计算。大多数研究人员不需要详尽的数据，只需要关注感兴趣区域的点云。以矿区检测为例，复垦研究者关注矿区植被的生长状态，变形监测研究者关注开采过程中地表形态的变化。分类和分割任务是点云在地理信息工程应用中不可或缺的一部分。因此，如何高效、准确地识别和分割点云是激光雷达研究的一个关键问题。

近年来，深度学习是点云分类和分割最有效的方法之一。通过深度学习，将视觉输入(点云)划分为不同的语义可解释类别标签，使得每个点都有自己的特征标签属性。这样，研究人员就可以根据自己的需要高效地提取点云。然而，由于点云数据特殊的数据结构，很难获得高性能的分类和分割方法。

点云的深度卷积神经网络(CNNs)的发展在语义分割方面取得了重大进展。以前，由于点云具有不规则的数据结构，许多研究者不得不采用间接的方法来训练数据。例如将点云转换为常规的3D体素网格或将点云投影到2D视图。然而，使用这种方法会产生大量不必要的数据和计算内存。此外，高维、密集的卷积核会产生一些不可预测的误差，模糊数据的自然不变性。

对于大地测量来说，高分辨率激光雷达传感器获得的稀疏点云具有更小的数据量，更实用。由于在矿区进行点云等大地测量，需要长距离(100m)和大型高分辨率激光雷达仪器。而密集的点云具有分辨率高、规模大、数据量大的特点，对于计算机来说，深度学习中庞大的参数缓存和内存都是一个沉重的负担。因此，将密集点云进行采样稀释成稀疏点云是大地测量中高效利用高分辨率数据集的必然趋势。

数据中的属性使信息独立，但相互影响又称为空间结构相关性。空间局部相关是数据中不同相关特征的一般属性，是一种独立于数据表示的属性信息。它在各种类型的数据中无处不在，正是卷积算子有效地提取了这种相关性质，使CNN在各种任务中都能表现出优异的性能。但是，所有这些的前提是需要在常规域(如图像)中表示输入。对于点云，空间局部相关是指点对点之间的依赖关系，如点之间密度的变化、局部区域的范围或点之间的相对角度等。然而，对于稀疏点云，通过逐步稀释操作，空间局部相关性被掩盖。丰富数据内部结构的空间局部相关性对于稀疏点云的深度学习模型至关重要。这对大地测量中的稀疏点云是一个挑战。

1、与本发明相关的现有技术一—PoineNet算法

1.1、现有技术一的特征

Charles R.Qi,Hao Su等创新性地提出了深度学习模型-PointNet，它可以直接以点云作为输入。在PointNet中，利用Max-pooling的对称函数巧妙地解决了无序点集的问题，从而将点云直接应用到CNNs的卷积算子中。另外，在后来的PointNet++中对网络进行了改进，并通过在PointNet++中进行多尺度提取，解决了PointNet在精细尺度分割方面性能较差的问题。

1.2、现有技术一的缺点