[發明專利]一種基于深度學習多光譜LiDAR數據分類的樣本生成方法

在審

• 申請號: 202110330223.4
• 申請日: 2021-03-29
• 公開（公告）號: CN113011511A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 管海燕;趙沛冉;景莊偉;李迪龍
• 申請（專利權）人: 江蘇思瑪特科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/18;G06N20/00
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 羅運紅

本發明公開了一種基于深度學習多光譜LiDAR數據分類的樣本生成方法，包括以下步驟：S1、基于最鄰近搜索將多個波段的獨立點云數據進行融合，得到含有多光譜信息的單一點云數據；S2、為這單一點云數據標注類別標簽、劃分訓練集和驗證集；S3、對單一點云數據進行歸一化處理；S4、在歸一化處理的點云數據中利用最遠點采樣方法和k近鄰方法提取單個樣本數據；整合所有單個樣本數據；本發明通過最遠點采樣法選取種子點、k近鄰方法選取近鄰點，生成的樣本數據既符合深度學習方法的輸入要求，又能確保對數據對應區域的完全覆蓋。

技術領域

本發明涉及測繪和地理信息技術領域，尤其涉及一種基于深度學習多光譜LiDAR數據分類的樣本生成方法。

背景技術

隨著激光雷達技術的發展，多光譜LiDAR系統不僅能夠快速獲取大范圍測區地形表面采樣點的空間坐標，而且同時可以采集到多個波段的地物光譜信息，其獲取的數據是對地形表面最直接地描述和表達，為地物覆蓋分類、地形測繪、變形監測和目標識別提供了新的數據源。近年來深度學習熱潮，基于三維點云數據的深度學習算法也取得了一系列突破性的進展，然而，大場景多光譜LiDAR三維點云數據具有非規則化、密度不均勻以及離散性的特性，這使得直接將原始點云數據輸入到深度學習模型進行端到端的分類存在一定的困難。

為了能夠讓基于點的深度學習方法適用于各種類型、各種場景的點云數據，通常將大場景的點云數據處理生成為點數一致的訓練(測試)樣本數據。目前基于深度學習LiDAR點云數據分類的樣本生成方法主要有三類：1)基于FPS采樣的樣本生成方法。一般對點云CAD獨立模型直接利用FPS進行降采樣處理，從而獲得具有固定數量的點集作為樣本數據。該方法通常是對單個類別的降采樣，很難運用到大場景的LiDAR點云數據。2)基于切塊后采樣的樣本生成方法。將點云數據切分為若干個可重疊的三維方塊，對每個三維放塊隨機采樣固定數據量的點作為樣本數據。該方法容易破壞地物的整體結構，深度學習網絡模型難以有效的學習到正確的幾何結構。3)基于種子點切塊的樣本生成方法。從數據中隨機選取種子點，并以該點為中心通過切塊降采樣完成樣本生成。該方法生成的樣本數據過于冗余，過分依賴高效的計算機處理系統。

一方面，對于二維影像數據已經有了而大量深入的研究，并且有著長足的發展。但是目前研究數據正在從二維影像向三維點云的迅速發展，三維點云數據必然成為當代社會進行三維研究的必要數據。相比于二維圖像，三維點云包含了更加豐富的幾何、形狀和結構信息，為場景理解提供了更多可能，越來越受到人們的高度重視，將在地形測繪、自動駕駛、機器人、VR/AR等領域大量應用。另一方面，深度學習作為人工智能的主流技術，已經成功地應用于解決各種二維視覺問題。然而，由于用深度神經網絡處理點云所面臨的獨特挑戰，點云的深度學習仍處于起步階段，如何將大規模、高維性和非結構化的多光譜LiDAR三維點云數據放入深度學習模型中進行分類還在探索階段。

發明內容

發明目的：為了克服現有技術的不足，本發明的目的是提供一種基于深度學習多光譜LiDAR數據分類的樣本生成方法。

技術方案：本發明提出一種基于深度學習多光譜LiDAR數據分類的樣本生成方法，其特征在于，該方法包括如下步驟：

S1、以任意一個波段的LiDAR點云為基準數據，對基準數據中的每個激光點，采用最鄰近搜索方法分別在其它波段數據中獲得最鄰近激光點的波段信息，生成一個包含多光譜信息的單一融合點云數據，完成多波段數據融合；

S2、依照LiDAR掃描地區的真實地物分布，通過人工解譯為融合后的點云中的每一個點標注類別標簽，并將融合后的點云數據劃分為訓練點云和測試點云；

S3、使用一種各項同行歸一化方法將數據歸一化到(-1～1)；

S4、基于S3歸一化后的訓練點云和測試點云，利用最遠點采樣方法FPS和k近鄰方法KNN分別從中提取點云樣本數據，最后形成直接用于網絡訓練的訓練樣本和直接用于測試的測試樣本。