[發(fā)明專利]基于深度學習的點云分類方法、裝置、存儲介質及設備

有效

• 申請?zhí)枺?/td>: 201910434090.8
• 申請日: 2019-05-23
• 公開（公告）號: CN110232329B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設計）人: 陳歡歡;江貽芳;黃不了;閆繼揚;朱云慧;王國飛;于娜;江宇
• 申請（專利權）人: 星際空間(天津)科技發(fā)展有限公司;中國科學技術大學
• 主分類號: G06V20/64
• 分類號: G06V20/64;G06V10/44
• 代理公司: 天津三元專利商標代理有限責任公司 12203
• 代理人: 鄭永康

1.一種基于深度學習的點云分類方法，其特征在于，所述方法包括：

對待處理點云數(shù)據(jù)進行分塊處理，得到多個點云數(shù)據(jù)塊；

對各點云數(shù)據(jù)塊中的點數(shù)據(jù)進行去噪處理，以刪除各點云數(shù)據(jù)塊中存在的重復點數(shù)據(jù)和干擾點數(shù)據(jù)；

根據(jù)各點云數(shù)據(jù)塊對應的影像數(shù)據(jù)的色彩分布分別對相應點云數(shù)據(jù)塊中的點數(shù)據(jù)進行顏色賦值；

對點云數(shù)據(jù)塊進行地面點初步分類，以獲取地面高程平均值，基于地面高程的不同，將各個點云數(shù)據(jù)塊以地面點高程為基礎進行統(tǒng)一計算，對多類點進行同時分割；

對各點云數(shù)據(jù)塊中的各個點數(shù)據(jù)分別進行局部鄰域劃分，并基于所述局部鄰域提取各個點數(shù)據(jù)相對于對應的點云數(shù)據(jù)塊的特征信息，所述特征信息包括幾何特征、空間位置特征、高程特征、顏色特征和反射強度，所述幾何特征描述了該點周圍局部鄰域的幾何特征，所述幾何特征具體包括線條性、平面性、發(fā)散性和垂直性特征，其中，空間位置特征具體包括空間x、y和z坐標特征；顏色特征具體包括r、g和b參數(shù)特征；

將各點云數(shù)據(jù)塊中各個點數(shù)據(jù)的所述特征信息分別作為預設的深度學習分類模型的輸入?yún)?shù)進行分類學習，生成各點云數(shù)據(jù)塊中對應點數(shù)據(jù)的分類標簽。

2.根據(jù)權利要求1所述的方法，其特征在于，所述對待處理點云數(shù)據(jù)進行分塊處理，包括：

按照預設分塊大小對待處理點云數(shù)據(jù)進行分塊處理，將得到的多個點云數(shù)據(jù)塊中塊內點數(shù)據(jù)少于預設數(shù)量閾值的點云數(shù)據(jù)塊剔除。

3.根據(jù)權利要求1所述的方法，其特征在于，所述對各點云數(shù)據(jù)塊中的各個點數(shù)據(jù)分別進行局部鄰域劃分，包括：

選取當前點云數(shù)據(jù)塊中與待操作的目標點數(shù)據(jù)最接近的預設數(shù)量的點數(shù)據(jù)，將選取的點數(shù)據(jù)集合作為所述目標點數(shù)據(jù)的局部鄰域；或

選取當前點云數(shù)據(jù)塊中與待操作的目標點數(shù)據(jù)之間的距離小于第一預設距離閾值的點數(shù)據(jù)，將選取的點數(shù)據(jù)集合作為所述目標點數(shù)據(jù)的局部鄰域。

4.根據(jù)權利要求1所述的方法，其特征在于，在生成各點云數(shù)據(jù)塊中對應點數(shù)據(jù)的分類標簽之后，所述方法還包括：

采用曲面擬合法分別對每一點云數(shù)據(jù)塊中具有相同分類標簽的點數(shù)據(jù)進行擬合，得到擬合曲面，刪除與所述擬合曲面之間的距離大于第二預設距離閾值的點數(shù)據(jù)。

5.一種基于深度學習的點云分類裝置，其特征在于，包括：

預處理模塊，用于對待處理點云數(shù)據(jù)進行分塊處理，得到多個點云數(shù)據(jù)塊；

所述預處理模塊，包括：

去噪單元，用于在分塊單元對待處理點云數(shù)據(jù)進行分塊處理之后，對各點云數(shù)據(jù)塊中的點數(shù)據(jù)進行去噪處理，以刪除各點云數(shù)據(jù)塊中存在的重復點數(shù)據(jù)和干擾點數(shù)據(jù)；

顏色配置單元，用于根據(jù)各點云數(shù)據(jù)塊對應的影像數(shù)據(jù)的色彩分布分別對相應點云數(shù)據(jù)塊中的點數(shù)據(jù)進行顏色賦值；

所述預處理模塊，還用于對點云數(shù)據(jù)塊進行地面點初步分類，以獲取地面高程平均值，基于地面高程的不同，將各個點云數(shù)據(jù)塊以地面點高程為基礎進行統(tǒng)一計算，對多類點進行同時分割；

特征提取模塊，用于對各點云數(shù)據(jù)塊中的各個點數(shù)據(jù)分別進行局部鄰域劃分，并基于所述局部鄰域提取各個點數(shù)據(jù)相對于對應的點云數(shù)據(jù)塊的特征信息，所述特征信息包括幾何特征、空間位置特征、高程特征、顏色特征和反射強度，所述幾何特征描述了該點周圍局部鄰域的幾何特征，所述幾何特征具體包括線條性、平面性、發(fā)散性和垂直性特征，其中，空間位置特征具體包括空間x、y和z坐標特征；顏色特征具體包括r、g和b參數(shù)特征；

深度學習模塊，用于將各點云數(shù)據(jù)塊中各個點數(shù)據(jù)的所述特征信息分別作為預設的深度學習分類模型的輸入?yún)?shù)進行分類學習，生成各點云數(shù)據(jù)塊中對應點數(shù)據(jù)的分類標簽。

6.根據(jù)權利要求5所述的裝置，其特征在于，所述預處理模塊，包括：

分塊單元，用于按照預設分塊大小對待處理點云數(shù)據(jù)進行分塊處理，將得到的多個點云數(shù)據(jù)塊中塊內點數(shù)據(jù)少于預設數(shù)量閾值的點云數(shù)據(jù)塊剔除。