[发明专利]基于空间占用概率特征的跨维度遥感数据目标识别方法

说明书

基于空间占用概率特征的跨维度遥感数据目标识别方法，属于遥感图像目标识别技术领域。本发明是为了解决目前没有一种有效的跨维度特征描述方法能够实现遥感数据中同一地物目标的二维图像数据与三维点云数据的关联问题。本发明首先训练二维图像的空间占用概率特征提取网络和三维点云的空间占用概率特征提取网络，然后对遥感数据中的二维图像数据和三维点云数据进行同类特征提取，即空间占用概率特征，最终基于空间占用概率特征实现遥感数据中同一地物目标的二维和三维数据之间的跨维度目标识别，即实现同一地物目标的二维图像数据与三维点云数据的关联。主要用于遥感数据的目标识别。

技术领域

本发明涉及遥感数据目标识别方法，属于遥感图像目标识别技术领域。

背景技术

长期以来，基于遥感图像的地物信息提取和识别技术在民生和国防领域有着广泛的应用需求。随着遥感领域的技术发展及应用需求提高，相较于传统可见光波段的相机所获取的二维图像数据，激光雷达等遥感扫描设备所获取的三维点云数据在立体空间中对遥感目标能够进行更加完善的三维描述，不管在民事还是军事领域都具有更重大的意义。因此，为充分利用激光雷达等设备及传统可见光波段的相机所获得的全部地物信息，需要将同一地物目标的二维图像数据与三维点云数据进行关联。由于二维图像和三维点云具有不同的维度特征，导致目前并没有有效的跨维度特征描述方法用于实现两者的关联，因此对上述跨维度遥感数据进行同类特征提取并依据该特征进行跨维度目标识别具有重要意义。

发明内容

本发明是为了解决目前没有一种有效的跨维度特征描述方法能够实现遥感数据中二维图像数据与三维点云数据的关联的问题。

基于空间占用概率特征的跨维度遥感数据目标识别方法，包括以下步骤：

S1：对二维图像遥感数据进行预处理：将二维图像遥感数据输入实例分割网络，并依据实例分割结果对遥感数据进行目标提取；

S2：对三维点云遥感数据进行预处理：将三维点云输入点云目标检测网络，依据目标检测结果对三维点云遥感数据进行目标分割；

S3：将S1处理后的图像输入二维图像的空间占用概率特征的深度学习网络，提取二维图像的空间占用概率F_test-2D；

S4：将S2处理后的三维点云输入三维点云的空间占用概率特征的深度学习网络；提取三维点云的空间占用概率F_test-3D；

S5：将S3和S4中得到的空间占用概率特征F_test-2D和F_test-3D输入分类器进行目标识别，实现二维图像数据与三维点云数据的关联。

进一步地，S1所述的实例分割网络采用PANET。

进一步地，S2所述的点云目标检测网络采用3D-BONET。

进一步地，S3所述的二维图像的空间占用概率特征的深度学习网络为OccupancyNetwork-2D网络，即Onet-2D，其训练过程包括以下步骤：

S301、构建二维图像数据集M_pre-2D，二维图像数据集M_pre-2D包括一个二维图像训练数据集M_tr-2D和一个二维图像测试数据集M_test-2D；

S302、训练Onet-2D：

将二维图像训练数据集M_tr-2D中的二维图像数据输入Onet-2D，Onet-2D首先采用带有超强通道注意力模块ECA的RESNET18残差网络对输入的二维图像数据进行特征提取，得到1*256的特征F₁；