[发明专利]一种地形杂物自动识别的方法

说明书

本发明为一种地形杂物自动识别的方法，涉及一种基于深度学习的地形杂物识别系统。该系统对基于无人机航拍技术获取的低精度三维地形点云数据做一系列处理。针对低精度地形特征信息有限的问题，重构了地形点云的几何特征和颜色特征，设计了一种多属性描述符，描述输入地形点云中每个点的局部信息；然后通过在无监督分类中使用多属性描述符，将地形点云聚合成若干超级点，以降低计算复杂；接着定义一个有向属性图，将超级点组合成一个图结构，即超点图；最后，利用提出的基于深度图卷积的LSTM算法对超点图的节点进行分类。该系统最终可以对地形点云中的杂物进行语义分割，将地形中的杂物通过不同的颜色加以显示。通过进一步的研究与分析，可以为地形分析等提供基础的技术支持。

技术领域

本发明属于点云语义分割方法在大尺度低精度的室外地形点云分割中的应用，主要涉及一种针对于大尺度地形杂物识别的地形杂物自动识别的方法。

背景技术

随着工程建设行业的迅猛发展，地形测量与地质勘探需求不断变化，越来越关注高效、精确地对地形地貌的勘测与测量。另一方面，无人机遥感技术在地形采集过程中处理成本低、自动化程度高，使得无人机已经成为当前地形采集的重要工具。

无人机遥感获得的数字地表模型DSM(Digital Surface Model)包含了地表建筑物、桥梁和树木等除地面以外的其它地形杂物。在三维地形建模中，地形杂物不仅影响了测量的精确性，而且增加地形测量中数据的处理量。

传统方法中，去除地形杂物的方法主要有“点云分层和分块”、“点云切片”、基于点云均匀度的植被点剔除和滤波处理。这些方法虽然能够去除地形点云中的杂物，但同时也会剔除地形中的部分有用数据，容易造成地形特征信息的丢失。

近年来，点云语义分割在单体目标识别和场景分割等领域广泛应用。利用语义分割方法，可以实现室内场景语义分割、室内三维点云模型语义分割，除此之外也可以基于机器学习对室内点云语义分割、基于点云数据进行三维目标识别和模型分割等，但均无法应对室外大场景的大尺度激光点云。

而针对室外场景进行处理的方法大多是利用算法直接对点云进行特征提取和语义识别，提取到的特征不能够很好的表示原始数据且不够全面。

现有的杂物去除方法在地形点云杂物去除方面，在很大程度上会受到数据密度分布、物体拓扑关系和特征描述性强的弱影响，存在很大的不确定性。

此外，地形的存储结构分为图形和图像两种形式。基于图像的方法提出较早，发展也较为完善。在语义分割研究方面，图像方面也具有更多研究背景。

除了传统的将3D点云投影到2D图像后作为CNN的输入的3D点云语义分割方法外,还有可以保留3D点云中的结构信息的基于监督的3DCNN的VoxNet网络模型和基于点云体素化的OctNet网络模型。这些网络能够有效地保留点云中的结构信息，但没有考虑到点云的颜色、强度等信息。在此之后的PointNet、PointNet++和PointCNN网络模型虽充分利用了点云的多模态信息,减小了复杂度,但这种模型无法解决大规模点云中存在的缺乏清晰的结构、以及训练过程中训练样本不均衡的问题。

作为图片的一种新型的组织形式，图形以矢量表示，具有放大后不会模糊的特性，同时可以直观的表达物体的三维立体信息，在图片的表达上具有很好的优势。但是基于图形的地形处理方法出现较晚，缺少对地形场景理解和语义处理技术相关研究。

发明内容

针对上述现有技术中存在的问题与缺陷，本发明的目的是提供一种地形杂物自动识别的方法，以解决大型低精度地形点云杂物识别局部稀疏点云结构的分类效果差，难以识别细粒度模式识别和复杂场景泛化能力弱等问题。

实现上述本发明目的所采用的技术方案是是一种地形杂物自动识别的方法，包括如下步骤：

步骤1：获取低精度地形点云数据，并发送给后台处理；