[發明專利]基于深度學習的點云分類方法、裝置、存儲介質及設備

有效

• 申請號: 201910434090.8
• 申請日: 2019-05-23
• 公開（公告）號: CN110232329B
• 公開（公告）日: 2023-04-18
• 發明（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

本發明提供了一種基于深度學習的點云分類方法、裝置、存儲介質及設備，所述方法包括：對待處理點云數據進行分塊處理，得到多個點云數據塊；對各點云數據塊中的各個點數據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據相對于對應的點云數據塊的特征信息；將各點云數據塊中各個點數據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參數進行分類學習，生成各點云數據塊中對應點數據的分類標簽。本發明提供了一種高效可靠的點云分類方法，有效的保證了點云分類的效率和準確度。

技術領域

本發明涉及激光雷達和人工智能技術領域，尤其涉及一種基于深度學習的點云分類方法、裝置、存儲介質及設備。

背景技術

為了準確獲得對外界場景的理解，許多技術被應用到激光點云這個鄰域。其中，機載激光雷達(Airborne?Lidar，簡稱ALR)由于其探測范圍廣，無時間地形限制，具有多回波特性等特點，是現在主流的廣域場景理解手段之一。通過結合由機載激光雷達獲得的點云數據和一起采集的光學影像數據，可以得到某個廣域區域較為全面的地形地貌特征，從而實現對于該區域的場景理解。

在使用ALR采集激光點云時，由于激光點云本身的分布不規律，密度差距大以及噪聲的影響，采集到的激光點云數據通常十分復雜。在實際工程中，這些數據會由專業的測繪工程師來抽取特征，但是在探測范圍大、數據多的時候，人工數據特征抽取耗費的成本將大幅增加。現有的ALR點云語義分割的方法主要分為四類：基于邊的語義分割方法，基于區域增長的語義分割方法，基于參數的語義分割方法以及基于深度學習的語義分割方法。其中，基于邊的語義分割方法分割精度并不理想；基于區域增長的語義分割方法受限于種子點的選取；基于參數的語義分割方法依賴于人根據對場景的預先理解所設計的特征；而深度學習的語義分割方法的瓶頸在于對訓練的數據量和時間有著較高的要求。

直接由雷達得到的點云原始特征容易受到噪聲和采樣密度變化的影響，分割效果不理想，通常需要在此基礎上進一步提取高級特征。隨著近期深度學習的迅速發展，最近幾年來許多問題都通過引進深度學習方法得到了改善。許多研究人員也試過利用深度學習方法解決點云分類問題。但是，深度學習方法處理的數據(如圖像，音頻等)通常有固定的組織形式，而點云數據存在分布不規則、點的分布密度變化大的問題，因此現有基于深度學習的點云數據分類方法在實現過程中仍然存在很多問題，無法滿足對分類效率和分類準確度的需求。

綜上，如何基于深度學習提供一種高效、高準確度的點云分類方法具有重要意義。

發明內容

本發明提出了一種基于深度學習的點云分類方法、裝置、存儲介質及設備，能夠快速有效地實現對海量點云數據的分類。

本發明的一個方面，提供了一種基于深度學習的點云分類方法，所述方法包括：

對待處理點云數據進行分塊處理，得到多個點云數據塊；

對各點云數據塊中的各個點數據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據相對于對應的點云數據塊的特征信息；

將各點云數據塊中各個點數據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參數進行分類學習，生成各點云數據塊中對應點數據的分類標簽。

可選地，所述對待處理點云數據進行分塊處理，包括：

按照預設分塊大小對待處理點云數據進行分塊處理，將得到的多個點云數據塊中塊內點數據少于預設數量閾值的點云數據塊剔除。

可選地，在對待處理點云數據進行分塊處理之后，所述方法還包括：

對各點云數據塊中的點數據進行去噪處理，以刪除各點云數據塊中存在的重復點數據和干擾點數據；

根據各點云數據塊對應的影像數據的色彩分布分別對相應點云數據塊中的點數據進行顏色賦值。

可選地，所述特征信息包括空間位置特征、幾何特征、高程特征、顏色特征和反射強度；