[发明专利]基于分层多回波的点云分割方法、装置、存储介质及设备

说明书

本发明提供了一种基于分层多回波的点云分割方法、装置、存储介质及设备，该方法包括：根据多回波点云数据的分布形式构建对应的分层结构模型；提取分层结构模型每一层结构中各点的节点特征参数；根据分层结构模型每一层结构中各点的节点特征参数以及各点所属的层结构之间的相邻关系，计算每一层结构中各点的高阶特征参数；基于分层结构模型中上层结构中的点的高阶特征参数，对相应的下层结构中具有相邻关系的点的高阶特征参数进行优化；采用深度学习分类模型对各点的优化后的高阶特征参数进行分类学习，实现多回波点云数据的点云分割。本发明能够快速有效地实现对海量点云数据的准确分割。

技术领域

本发明涉及激光雷达和人工智能技术领域，尤其涉及一种基于分层多回波的点云分割方法、装置、存储介质及设备。

背景技术

为了准确获得对外界场景的理解，许多技术被应用到激光点云这个邻域。其中，机载激光雷达(Airborne Lidar，简称ALR)由于其探测范围广，无时间地形限制，具有多回波特性等特点，是现在主流的广域场景理解手段之一。通过结合由机载激光雷达获得的点云数据和一起采集的光学影像数据，可以得到某个广域区域较为全面的地形地貌特征，从而实现对于该区域的场景理解。

在使用ALR采集激光点云时，由于激光点云本身的分布不规律，密度差距大以及噪声的影响，采集到的激光点云数据通常十分复杂。在实际工程中，这些数据会由专业的测绘工程师来抽取特征，但是在探测范围大、数据多的时候，人工数据特征抽取耗费的成本将大幅增加。现有的ALR点云语义分割的方法主要分为四类：基于边的语义分割方法，基于区域增长的语义分割方法，基于参数的语义分割方法以及基于深度学习的语义分割方法。其中，基于边的语义分割方法分割精度并不理想；基于区域增长的语义分割方法受限于种子点的选取；基于参数的语义分割方法依赖于人根据对场景的预先理解所设计的特征；而深度学习的语义分割方法的瓶颈在于对训练的数据量和时间有着较高的要求。可见，实际工业领域的现有点云分割技术在进行海量点云数据处理和分割时，点云分割准确度低、点云分割周期较长且浪费大量的人力。

直接由雷达得到的点云原始特征容易受到噪声和采样密度变化的影响，分割效果不理想，通常需要在此基础上进一步提取高级特征。随着近期深度学习的迅速发展，最近几年来许多问题都通过引进深度学习方法得到了改善。许多研究人员也试过利用深度学习方法解决点云分割问题。但是，深度学习方法处理的数据(如图像，音频等)通常有固定的组织形式，而点云数据存在分布不规则、点的分布密度变化大的问题，因此现有基于深度学习的点云数据分类方法在实现过程中仍然存在很多问题，无法满足对分类效率和分类准确度的需求。

发明内容

本发明提出了一种基于分层多回波的点云分割方法、装置、存储介质及设备，以解决现有点云分割技术在进行海量点云数据处理和分割时分割准确度低、分割周期较长且需要浪费大量人力的问题，能够快速有效地实现对海量点云数据的分割。

本发明的一个方面，提供了一种基于分层多回波的点云分割方法，所述方法包括：

根据多回波点云数据的分布形式构建对应的分层结构模型；

提取所述分层结构模型每一层结构中各个点的节点特征参数；

根据所述分层结构模型每一层结构中各个点的节点特征参数以及各个点所属的层结构之间的相邻关系，计算每一层结构中各个点的高阶特征参数；

基于分层结构模型中上层结构中的点的高阶特征参数，对相应的下层结构中具有相邻关系的点的高阶特征参数进行优化；

采用预设的深度学习分类模型对各个点的优化后的高阶特征参数进行分类学习，基于分类学习结果实现多回波点云数据的点云分割。

本发明的另一个方面，提供了一种基于分层多回波的点云分割装置，所述装置包括：

模型构建模块，用于根据多回波点云数据的分布形式构建对应的分层结构模型；