[发明专利]一种基于深度学习多光谱LiDAR数据分类的样本生成方法

说明书

本发明公开了一种基于深度学习多光谱LiDAR数据分类的样本生成方法，包括以下步骤：S1、基于最邻近搜索将多个波段的独立点云数据进行融合，得到含有多光谱信息的单一点云数据；S2、为这单一点云数据标注类别标签、划分训练集和验证集；S3、对单一点云数据进行归一化处理；S4、在归一化处理的点云数据中利用最远点采样方法和k近邻方法提取单个样本数据；整合所有单个样本数据；本发明通过最远点采样法选取种子点、k近邻方法选取近邻点，生成的样本数据既符合深度学习方法的输入要求，又能确保对数据对应区域的完全覆盖。

技术领域

本发明涉及测绘和地理信息技术领域，尤其涉及一种基于深度学习多光谱LiDAR数据分类的样本生成方法。

背景技术

随着激光雷达技术的发展，多光谱LiDAR系统不仅能够快速获取大范围测区地形表面采样点的空间坐标，而且同时可以采集到多个波段的地物光谱信息，其获取的数据是对地形表面最直接地描述和表达，为地物覆盖分类、地形测绘、变形监测和目标识别提供了新的数据源。近年来深度学习热潮，基于三维点云数据的深度学习算法也取得了一系列突破性的进展，然而，大场景多光谱LiDAR三维点云数据具有非规则化、密度不均匀以及离散性的特性，这使得直接将原始点云数据输入到深度学习模型进行端到端的分类存在一定的困难。

为了能够让基于点的深度学习方法适用于各种类型、各种场景的点云数据，通常将大场景的点云数据处理生成为点数一致的训练(测试)样本数据。目前基于深度学习LiDAR点云数据分类的样本生成方法主要有三类：1)基于FPS采样的样本生成方法。一般对点云CAD独立模型直接利用FPS进行降采样处理，从而获得具有固定数量的点集作为样本数据。该方法通常是对单个类别的降采样，很难运用到大场景的LiDAR点云数据。2)基于切块后采样的样本生成方法。将点云数据切分为若干个可重叠的三维方块，对每个三维放块随机采样固定数据量的点作为样本数据。该方法容易破坏地物的整体结构，深度学习网络模型难以有效的学习到正确的几何结构。3)基于种子点切块的样本生成方法。从数据中随机选取种子点，并以该点为中心通过切块降采样完成样本生成。该方法生成的样本数据过于冗余，过分依赖高效的计算机处理系统。

一方面，对于二维影像数据已经有了而大量深入的研究，并且有着长足的发展。但是目前研究数据正在从二维影像向三维点云的迅速发展，三维点云数据必然成为当代社会进行三维研究的必要数据。相比于二维图像，三维点云包含了更加丰富的几何、形状和结构信息，为场景理解提供了更多可能，越来越受到人们的高度重视，将在地形测绘、自动驾驶、机器人、VR/AR等领域大量应用。另一方面，深度学习作为人工智能的主流技术，已经成功地应用于解决各种二维视觉问题。然而，由于用深度神经网络处理点云所面临的独特挑战，点云的深度学习仍处于起步阶段，如何将大规模、高维性和非结构化的多光谱LiDAR三维点云数据放入深度学习模型中进行分类还在探索阶段。

发明内容

发明目的：为了克服现有技术的不足，本发明的目的是提供一种基于深度学习多光谱LiDAR数据分类的样本生成方法。

技术方案：本发明提出一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，该方法包括如下步骤：

S1、以任意一个波段的LiDAR点云为基准数据，对基准数据中的每个激光点，采用最邻近搜索方法分别在其它波段数据中获得最邻近激光点的波段信息，生成一个包含多光谱信息的单一融合点云数据，完成多波段数据融合；

S2、依照LiDAR扫描地区的真实地物分布，通过人工解译为融合后的点云中的每一个点标注类别标签，并将融合后的点云数据划分为训练点云和测试点云；

S3、使用一种各项同行归一化方法将数据归一化到(-1～1)；

S4、基于S3归一化后的训练点云和测试点云，利用最远点采样方法FPS和k近邻方法KNN分别从中提取点云样本数据，最后形成直接用于网络训练的训练样本和直接用于测试的测试样本。