[發(fā)明專利]基于k近鄰特征提取和深度學習的宅基地點云分類方法

在審

• 申請?zhí)枺?/td>: 202011019957.2
• 申請日: 2020-09-25
• 公開（公告）號: CN112101278A
• 公開（公告）日: 2020-12-18
• 發(fā)明（設計）人: 王懷採;李修慶;李慶紅;趙健康;賴鳴;徐靜冉;崔超
• 申請（專利權(quán)）人: 湖南盛鼎科技發(fā)展有限責任公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京奧文知識產(chǎn)權(quán)代理事務所(普通合伙) 11534
• 代理人: 張文;苗麗娟

本發(fā)明公開了一種基于k近鄰特征提取和深度學習的宅基地點云分類方法，包括：S1，采集數(shù)據(jù)集，數(shù)據(jù)集包括數(shù)量在預設值以上的宅基地點云，通過統(tǒng)計學方法進行點云去噪，并將數(shù)據(jù)集劃分為訓練集和測試集；S2，對點云進行分類，獲得帶標簽的點云數(shù)據(jù)；S3，使用最遠點采樣對點云進行下采樣，降低點云密度；S4，基于香濃熵原理計算點云的最優(yōu)鄰域范圍，根據(jù)最優(yōu)鄰域范圍，逐點計算局部特征，通過反距離插值上采樣后構(gòu)建整個點云的特征矩陣；S5，構(gòu)建全卷積神經(jīng)網(wǎng)絡訓練模型，并使用訓練集的特征矩陣進行訓練；S6，使用神經(jīng)網(wǎng)絡對測試集中的數(shù)據(jù)進行預測，對訓練模型進行驗證。本發(fā)明的方法可以提高宅基地確權(quán)效率。

技術(shù)鄰域

本發(fā)明涉及計算機視覺技術(shù)鄰域，尤其涉及一種基于k近鄰特征提取和深度學習的宅基地點云分類方法。

背景技術(shù)

隨著我國農(nóng)村經(jīng)濟的不斷發(fā)展，為維護農(nóng)民合法權(quán)益，國家正加速推進農(nóng)村宅基地和不動產(chǎn)確權(quán)登記工作。宅基地的傳統(tǒng)測量方法通常采用GPS-RTK結(jié)合全站儀的實地測量方法。該方法不僅耗費大量的人力物理，而且測量效率低、成本高和周期長。近年來，激光雷達系統(tǒng)(LiDAR)作為新興的獲取高時空分辨率空間信息的觀測手段，已廣泛應用于地理信息獲取，電力線巡檢，森林監(jiān)測，道路檢測，無人駕駛以及城市三維建模等鄰域。機載LiDAR技術(shù)結(jié)合高精度GPS-RTK定位技術(shù)和高精度的測距技術(shù)獲取測量場景的三維信息，以點云的形式進行表征。傳統(tǒng)的點云濾波和分類技術(shù)在大場景的應用下，往往精度較低，且計算效率低。導致該結(jié)果的原因包括：1)由于復雜環(huán)境下，大場景的點云往往存在大量的噪聲點，傳統(tǒng)的分類算法對噪聲點較為敏感，容易出現(xiàn)誤識別的情況；2)由于點云采樣時存在點云密度分布不均，點云存在局部區(qū)域高冗余和局部區(qū)域信息缺失的問題，傳統(tǒng)的分類算法不能同時在兩種區(qū)域進行較好的特征提取，導致分類的準確度較低。

發(fā)明內(nèi)容

為解決上述現(xiàn)有技術(shù)中存在的技術(shù)問題，本發(fā)明提供了一種基于k近鄰特征提取和深度學習的宅基地點云分類算法。具體技術(shù)方案如下：

一種基于k近鄰特征提取和深度學習的宅基地點云分類方法，所述方法包括：

S1，采集數(shù)據(jù)集，數(shù)據(jù)集包括數(shù)量在預設值以上的宅基地點云，通過統(tǒng)計學方法進行點云去噪，并將數(shù)據(jù)集劃分為訓練集和測試集；

S2，對點云進行分類，獲得帶標簽的點云數(shù)據(jù)；

S3，使用最遠點采樣對點云進行下采樣，降低點云密度；

S4，基于香濃熵原理計算點云的最優(yōu)鄰域范圍，根據(jù)最優(yōu)鄰域范圍，逐點計算局部特征，通過反距離插值上采樣后構(gòu)建整個點云的特征矩陣；

S5，構(gòu)建全卷積神經(jīng)網(wǎng)絡訓練模型，并使用訓練集的特征矩陣進行訓練；

S6，使用神經(jīng)網(wǎng)絡對測試集中的數(shù)據(jù)進行預測，對訓練模型進行驗證。

在一種可能的設計中，步驟S1進一步包括：

S101，利用無人機搭載激光雷達掃描待測量區(qū)域，通過點云解算獲得las文件；

S102，在TerraSolid上將采集的點云進行分割，獲得預設尺寸的點云塊，按比例分出訓練集和測試集；

S103，對每一塊點云進行統(tǒng)計學濾波。

在一種可能的設計中，步驟S2進一步包括：

S201，提取低點，低點為比實際地面低的錯誤點；

S202，提取地面點；

S203，提取植被點和建筑物點；

S204，針對錯誤分類的點，進行人工修正。

在一種可能的設計中，步驟S3進一步包括：