一种基于深度学习的点云数据分类方法及系统

摘要

本发明公开了一种基于深度学习的点云数据分类方法及系统，方法包括：获取待处理的点云数据中采样点的采样信息；根据采样点分类算法将全部采样点分类成若干采样点集合；根据所述采样信息获取不同的采样点集合之间的关联关系；将关联关系输入至预设的分类模型中，得到每个采样点集合对应的分类标签；根据采样点集合对应的分类标签，得到采样点集合内每个采样点的分类标签。本发明将传统对采样点进行分类的过程转化为对采样点集合的分类过程，提升了分类效率；构建了采样点集合之间的关联关系，并确定每个采样点集合的分类标签，提高了采样点的分类准确率；使用分类算法对采样点集合进行划分，提高了采样点的分类准确率。

说明书

技术领域

本发明属于点云数据处理技术领域，具体涉及一种基于深度学习的点云数据分类方法及系统。

背景技术

国际上，激光雷达设备测绘技术在电力设计、电力巡线等方面已使用普遍。最初只是利用LiDAR来精确确定地面上目标点的高度,获得在飞行器路径正下方的地面目标数据。到20世纪80-90年代，德国斯图加特大学将激光雷达测量技术与POS系统集成一体形成的空载激光雷达测量系统，由于其能穿透植被叶冠，探测细小目标，可快速获取数据等特点，激光雷达技术开始迅速发展，LiDAR技术应用的相关环节都已基本成型。如今LiDAR硬件设备已经成熟和稳定，并且性能越来越优化；针对LiDAR数据的专业、高效处理软件已经研发成功并逐步投入使用，基础数据处理软件基本成熟。随着差分GPS技术、数据传输技术、计算机技术和图形图像处理技术的发展，LiDAR技术已成为直接获取地表模型的有效手段。结合影像及信息融合技术，LiDAR系统不仅局限于获取数字高程模型等传统的应用领域，在美国、加拿大、俄罗斯等国已经将LiDAR系统应用在送电工程中，已经在送电工程中取得了较大的经济效益。

随着激光扫描技术的进步，基于点云数据的分类研究开始逐渐增多。但是现有技术中对每个点的邻域特征进行分析的方式，只考虑到了局部信息，从而影响对点分类的精确度。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于深度学习的点云数据分类方法及系统，能够准确快速的对点云数据的每个采样点进行分类。

本发明提供一种基于深度学习的点云数据分类方法，包括：

步骤S1，获取待处理的点云数据中采样点的采样信息；

步骤S2，根据采样点分类算法将全部采样点分类成若干采样点集合；

步骤S3，根据所述采样信息获取不同的采样点集合之间的关联关系；

步骤S4，将所述关联关系输入至预设的分类模型中，得到每个采样点集合对应的分类标签；

步骤S5，根据采样点集合对应的分类标签，得到采样点集合内每个采样点的分类标签。

进一步地，所述采样点分类算法包括基于脚点高程和强度信息的K均值分类算法、基于高程纹理的各向异性的分类算法、基于尺度空间和小波变换的分类算法以及基于数学形态法的分类算法中的任意一种。

进一步地，所述分类模型为点网络模型和门控循环神经网络；所述步骤S4具体包括步骤：

将所述关联关系输入至点网络模型中，得到每个采样点集合对应的高维特征；

将每个采样点集合对应的高维特征输入至门控循环神经网络中，得到所述采样点集合对应的分类标签。

进一步地，所述步骤S1具体包括步骤：

获取每个采样点的若干邻域点；

获取所述若干邻域点的对应空间信息；

将所述若干邻域点的对应空间信息输入至特征提取器中进行特征提取，得到每个采样点的采样信息。

进一步地，所述步骤S3具体包括：

根据每个采样点的采样信息获取采样点之间的相邻关系，以及确定每个采样点对应的属性信息；

根据所述相邻关系和每个采样点的属性信息获取不同的采样点集合之间的关联关系。

一种基于深度学习的点云数据分类系统，包括：

采样信息获取单元，用于获取待处理的点云数据中采样点的采样信息；

采样点分类单元，用于根据采样点分类算法将全部采样点分类成若干采样点集合；

关联单元，用于根据所述采样信息获取不同的采样点集合之间的关联关系；

分类标签确定单元，用于将所述关联关系输入至预设的分类模型中，得到每个采样点集合对应的分类标签，以及根据采样点集合对应的分类标签，得到采样点集合内每个采样点的分类标签。

进一步地，所述采样点分类算法包括基于脚点高程和强度信息的K均值分类算法、基于高程纹理的各向异性的分类算法、基于尺度空间和小波变换的分类算法以及基于数学形态法的分类算法中的任意一种。

进一步地，所述分类模型为点网络模型和门控循环神经网络；

所述分类标签确定单元包括：

高维特征获取单元，用于将所述关联关系输入至点网络模型中，得到每个采样点集合对应的高维特征；

采样点集合分类标签确定单元，用于将每个采样点集合对应的高维特征输入至门控循环神经网络中，得到所述采样点集合对应的分类标签。

进一步地，所述采样信息获取单元包括：

邻域点获取单元，用于获取每个采样点的若干邻域点；

空间信息获取单元，用于获取所述若干邻域点的对应空间信息；

特征提取单元，用于将所述若干邻域点的对应空间信息输入至特征提取器中进行特征提取，得到每个采样点的采样信息。

进一步地，所述关联单元包括：

属性信息确定单元，用于根据每个采样点的采样信息获取采样点之间的相邻关系，以及确定每个采样点对应的属性信息；

采样点集合关联单元，用于根据所述相邻关系和每个采样点的属性信息获取不同的采样点集合之间的关联关系。

实施本发明实施例，具有如下有益效果：本发明首先获取待处理的点云数据采样点的采样信息，其次根据采样点分类算法将待处理的点云数据中的每个采样点分类成若干个采样点集合，其次获取用于表征采样点集合之间关联性的集合关联关系，然后将该关联关系输入至分类模型中对采样点集合进行分类，最后在对每个采样点进行分类。本发明将传统对数以亿计的采样点进行分类的过程转化为对采样点集合的分类过程，在设计上降低了点云数据自动分类的计算量，能够提升分类的效率；本发明在采样点集合的分类过程中，构建了表征采样点集合之间关联性的集合关联关系，进而在通过分类模型确定每个采样点集合的分类标签，顾及了物体层级(采样点集合)的关联关系，使得原本在局部有歧义的物体能够在宏观层面得到正确的分类，提高了点云数据中采样点的分类准确率；使用到了分类算法对采样点集合进行更为准确的划分，变相的提高了点云数据中采样点的分类准确率。

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，下面将对实施例或现有技术描述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为本发明实施例一的一种基于深度学习的点云数据分类方法的流程示意图；

具体实施方式

以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。

请参照图1所示，本发明实施例一提供一种基于深度学习的点云数据分类方法，包括步骤S1-步骤S5。

S1，获取待处理的点云数据中采样点的采样信息。

具体地，点云数据可以通过激光扫描器件对实际物体进行扫描之后得到，其包含着若干个采样点，采样点通常以亿为数量单位，每个采样点均具有对应的采样信息(为矢量信息)，采样信息包括但不仅限于每个激光脚点的高程信息、三维坐标信息、颜色和强度信息等。

作为一种可选的实施方式，获取待处理的点云数据中采样点的采样信息，可包括步骤：

S101，获取每个采样点的若干邻域点；

S102，获取所述若干邻域点的对应空间信息；

S103，将所述若干邻域点的对应空间信息输入至特征提取器中进行特征提取，得到每个采样点的采样信息。

当激光扫描器件进行扫描时，会保留采样点的采样数据。特征提取器包括依次连接的STN(Spatial Transformer Network，空间转换网络)、第一MLP(Multi-LayerPerceptron，多层感知器)、池化层和第二MLP。STN用于提高输出结果的准确性，STN输出的中间结果输入第一MLP；第一MLP实现复杂函数逼近，从而提取中间结果的本质特征；第一MLP的输出结果进入池化层，由池化层进行池化处理；池化层的输出结果进入第二MLP，用于提取当前采样点和邻域的相对特征，得到采样信息。

步骤S2，根据采样点分类算法将全部采样点分类成若干采样点集合。

在获取点云采样点的采样信息之后，需要通过采样点分类算法将全部的采样点划分成若干个采样点集合，减少处理对象，降低计算难度。采样点分类算法可以是基于脚点高程和强度信息的K均值分类算法、基于高程纹理的各向异性的分类算法、基于尺度空间和小波变换的分类算法或者基于数学形态法的分类算法等等，具体分别如下：

(1)基于脚点高程和强度信息的K均值分类算法。目前的很多激光雷达测量系统(如机载LiDAR的无人机测量系统)能够提供数据脚点的高程信息，还可为点云数据中地物(例如建筑物、车辆、植物等等)的分类的提供准确的数据保障。在硬件达标的情况下，为此可以使用目前在城区激光点云数据的分类提取建筑物脚点中被广泛利用的基于脚点高程和强度信息的K均值分类算法将采样点分类成若干个采样点集合。该采样点分类算法是基于一个固定大小的局部领域窗口进行聚类的，尤其适合于地面点稀疏的密集植被覆盖区域，其能够处理密集植被覆盖的陡坡和高山区域等。不存在选择领域窗口大小的难题。此外K均值聚类法还可通过更改聚类特征空间(高程特征、强度特征)或者更多维的特征属性，对多种场景下的点云数据进行更精确的分类。

(2)基于高程纹理的各向异性的分类算法。点云数据提供了每个激光脚点的高程信息，不同的物体或同一物体不同部分在某个局部范围内的高程变化形成的高程起伏，是识别不同种地物的重要特征。这些高程起伏就是所谓的高程纹理，其反映出不同地物表面或同一地物不同部位处的重要采样信息。本实施例利用高程纹理的各向异性的不同特性分类出不同的采样点集合，例如房屋等人工地物或树木等自然地物的高程纹理的表现特征是不一样的，因此可以进行分类。作为另一种实施方式，上述使用高程起伏定义高程纹理，这里还可以基于原始高程数据、高程差或地形坡度等方式定义高程纹理，例如基于高程差的高程纹理将点云数据分类成若干个采样点集合的原理通常是将像素周围一定窗口范围内高程的最大值和最小值进行差值，而后在根据差值结果进行判断，如果是草地、树木等自然地物，其差值必定是相差悬殊，如果是草地、树木等自然地物，其差值必定是相差悬殊；如果是马路、建筑物等人工地物，那么其差值一般接近于零。

(3)基于尺度空间和小波变换的分类算法。由于地物在水平方向上各自尺度空间往往不同，不同的人工地物或Iran地物在同一水平高度的各向尺度空间差异很大，因此可利用地物各自横向空间尺度的差异来实现不同地物点云数据的分类。本实施例使用基于尺度空间和小波变换的分类算法用于点云数据采样点的分类。其原理是基于外形和尺寸特征，一般情况下城区人造地物艾外形和尺寸相差甚远，区分起来比较容易；而森林区域的林木等自然地物在外形和尺寸方面相差不大，很难进行区分。因此，该基于尺度空间的小波变换分类算法非常实用于地区内人造地物的分类提取，但不实用于森林的自然地物分类。在实用性上不如上述基于脚点高程和强度信息的K均值分类算法。

(4)基于数学形态法的分类算法；其原理主要是基于“结构元”窗口分析的基本运算，包括但不仅限于腐蚀运算、膨胀运算、开运算以及闭运算。以开运算为例，开运算能有效的剔除窗口里突出的地形，可方便地从地面点中分离出建筑物和植被等地物点信息，其主要是通过选定某一定大小的“结构元窗口”对其内点进行过滤，默认窗口内最低点以及高于该点的一定范围内的点为地面点，并通过自回归运算对这些点进行检验和优化。数学形态法的分类算法的优势在于计算耗时短，提取地物信息容易；缺陷是需要一个先验的地形知识，难于完整地保留地面点信息，对陡坡和突变边缘的检测能力很差。同样在实用性上不如上述基于脚点高程和强度信息的K均值分类算法。

本发明将对采样点的分类转化为对采样点集合的分类，可以提高分类效率，降低分类计算的难度。

步骤S3，根据所述采样信息获取不同的采样点集合之间的关联关系。

由于采样点集合之间不是完成独立的，因此需要进一步确定最佳的分类方案，每个采样点的采样信息可以表征采样点集合之间的关联关系，通过对提取出的集合关联关系对采样点集合之间进行分析处理，用于提升后续分类的准确性。

在一个实施例中，步骤S3具体具体包括步骤：

S301，根据每个采样点的采样信息获取采样点之间的相邻关系，以及确定每个采样点对应的属性信息；

S302，根据所述相邻关系和每个采样点的属性信息获取不同的采样点集合之间的关联关系。

具体地，将每个采样点集合作为一个Vertex(节点)，在相邻的两个点之间加Edge(边)，并且每个Vertex保存有采样点集合的属性信息，根据采样点集合之间的相邻关系和每个采样点集合的属性信息生成所述采样点集合关联关系。该集合关联关系用于表征采样点集合之间的关联性，顾及了物体层级的长距上下文关系，是原本在局部有歧义的物体在宏观层面得到正确的分类，能够提升分类的准确率。

步骤S4，将所述关联关系输入至预设的分类模型中，得到每个采样点集合对应的分类标签。

具体地，以点网络模型和门控循环神经网络为例进行说明；分类的过程如下：

S401，将所述关联关系输入至点网络模型中，得到每个采样点集合对应的高维特征；

S402，将每个采样点集合对应的高维特征输入至门控循环神经网络中，得到所述采样点集合对应的分类标签。

在本实施例中，点网络模型的目的是将每一个基元降采样为N个点，得到它们的高维度特征。将高维度特征信息输入到GRU(Gated Recurrent Unit-门控循环单元)网络中进行处理，获得最终分类结果，由于GRU网络可以接受一个当前的输入和另外节点传递下来的Hidden State(隐状态)，这个隐状态包含了其它节点的信息(即另一个采样点集合传递的信息)，特别的，每个采样点集合所对应的GRU需要与其它相邻采样点集合的GRU相连(与采样点集合Graph中的Edge对应)，所以，相连的GRU能够互相传递信息，从而达到顾及空间上下文的目的，再结合当前输入和其它节点的隐藏状态，即可考虑所有节点之间的上下文联系，最终输出层与每个采样点集合的匹配的分类信息，因此门控循环神经网络将高维度特征信息匹配的相邻采样点集合归类，顾及了物体层级(采样点集合)的关联关系，使得原本在局部有歧义的物体能够在宏观层面得到正确的分类，达到提高了点云数据分类结果的准确率的目的。

步骤S5，根据采样点集合对应的分类标签，得到采样点集合内每个采样点的分类标签。

例如第一采样点集合的分类标签为某建筑物，则第一采样点集合内的任一采样点的分类标签也为某建筑物；例如第二采样点集合的分类标签为某植物，则第二采样点集合内的任一采样点的分类标签也为某植物。本发明将对采样点的分类标签确认转化为对采样点集合的分类标签确认，大大降低降低了计算量。

本发明实施例，本发明首先获取待处理的点云数据采样点的采样信息，其次根据采样点分类算法将待处理的点云数据中的每个采样点分类成若干个采样点集合，其次获取用于表征采样点集合之间关联性的集合关联关系，然后将该关联关系输入至分类模型中对采样点集合进行分类，最后在对每个采样点进行分类。本发明一方面将传统对数以亿计的采样点进行分类的过程转化为对采样点集合的分类过程，在设计上降低了点云数据自动分类的计算量，能够提升分类的效率；一方面在采样点集合的分类过程中，构建了表征采样点集合之间关联性的集合关联关系，进而在通过分类模型确定每个采样点集合的分类标签，顾及了物体层级(采样点集合)的关联关系，使得原本在局部有歧义的物体能够在宏观层面得到正确的分类，提高了点云数据中采样点的分类准确率；此外，使用采样点分类算法对采样点集合进行更为准确的划分，变相的提高了点云数据中采样点的分类准确率。

相应于本发明实施例一提供的一种基于深度学习的点云数据分类方法，本发明实施例二还提供一种基于深度学习的点云数据分类系统，包括：

采样信息获取单元，用于获取待处理的点云数据中采样点的采样信息；

采样点分类单元，用于根据采样点分类算法将全部采样点分类成若干采样点集合；

关联单元，用于根据所述采样信息获取不同的采样点集合之间的关联关系；

分类标签确定单元，用于将所述关联关系输入至预设的分类模型中，得到每个采样点集合对应的分类标签，以及根据采样点集合对应的分类标签，得到采样点集合内每个采样点的分类标签。

进一步地，所述采样点分类算法包括基于脚点高程和强度信息的K均值分类算法、基于高程纹理的各向异性的分类算法、基于尺度空间和小波变换的分类算法以及基于数学形态法的分类算法中的任意一种。

进一步地，所述分类模型为点网络模型和门控循环神经网络；

所述分类标签确定单元包括：

高维特征获取单元，用于将所述关联关系输入至点网络模型中，得到每个采样点集合对应的高维特征；

采样点集合分类标签确定单元，用于将每个采样点集合对应的高维特征输入至门控循环神经网络中，得到所述采样点集合对应的分类标签。

进一步地，所述采样信息获取单元包括：

邻域点获取单元，用于获取每个采样点的若干邻域点；

空间信息获取单元，用于获取所述若干邻域点的对应空间信息；

特征提取单元，用于将所述若干邻域点的对应空间信息输入至特征提取器中进行特征提取，得到每个采样点的采样信息。

进一步地，所述关联单元包括：

属性信息确定单元，用于根据每个采样点的采样信息获取采样点之间的相邻关系，以及确定每个采样点对应的属性信息；

采样点集合关联单元，用于根据所述相邻关系和每个采样点的属性信息获取不同的采样点集合之间的关联关系。

通过上述说明可知，与现有技术相比，本发明的有益效果在于：一方面将传统对数以亿计的采样点进行分类的过程转化为对采样点集合的分类过程，在设计上降低了点云数据自动分类的计算量，能够提升分类的效率；一方面在采样点集合的分类过程中，构建了表征采样点集合之间关联性的集合关联关系，进而在通过分类模型确定每个采样点集合的分类标签，顾及了物体层级(采样点集合)的关联关系，使得原本在局部有歧义的物体能够在宏观层面得到正确的分类，提高了点云数据中采样点的分类准确率；此外，使用采样点分类算法对采样点集合进行更为准确的划分，变相的提高了点云数据中采样点的分类准确率。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。