[发明专利]基于深度学习的点云数据地物分类方法、系统与存储介质

权利要求书

1.一种基于深度学习的点云数据地物分类方法，其特征在于，通过以下步骤1至步骤4构建地物分类模型，然后应用地物分类模型，通过以下步骤A至步骤B，确定目标场景中所有地物的分类结果：

步骤1、随机选取预设数量个场景，分别针对每个场景对应的点云数据集，并进一步针对点云数据集中的各个单一点云，获取单一点云分别所在波段的信息，并针对该单一点云所在波段，获得该波段周围预设距离范围内其他各波段中的各个单一点云、以及该其他各波段的信息，构成该单一点云所对应的多波段融合信息，进而获得该点云数据集所对应的单一融合点云数据集，即获得各场景点云数据集分别所对应的单一融合点云数据集，随后进入步骤2；

步骤2、分别针对各场景，提取场景所对应单一融合点云数据集中各个单一点云的三维坐标，根据单一点云三维坐标，对该场景按差值均匀切块，获得该场景所对应的各个子样本，并分别针对该场景中的各个子样本，对子样本中所包含单一点云的数量降采样到预设值，更新子样本中所包含的单一点云，待完成针对各场景中各子样本的降采样后进入步骤3；

步骤3、分别针对各个场景中的各个子样本，提取子样本中各个单一点云的三维坐标和特征信息，作为单一点云的维度信息，结合单一点云所对应的多波段融合信息，获得各个子样本的模型图结构，进入步骤4；

步骤4、分别针对各场景中各个子样本的模型图结构，获得模型图结构对应的边缘特征、局部特征和全局特征，即模型图结构对应的三个特征信息，进而获得场景分别所对应的三个特征信息，应用场景所对应的三个特征信息，针对地物分类模型进行构建，获得构建好的地物分类模型；

步骤A、按照步骤1和步骤3中的方法，针对各场景中的各个子样本，提取子样本中各个单一点云的分类信息，所述分类信息包括：维度信息、三维坐标信息和所在单一点云所对应的多波段融合信息，获得子样本的模型图结构，随后进入步骤B；

步骤B、针对目标场景，按照步骤4的方法应用地物分类模型，获得模型图结构对应的三个特征信息，进而获得目标场景对应的三个特征信息，执行对各个目标场景内地物的分类，得到分类结果。

2.根据权利要求1所述的基于深度学习的点云数据地物分类方法，其特征在于，所述步骤2包括以下步骤：

步骤2-1、提取单一点云三维坐标中横坐标和纵坐标信息为(X,Y)，对场景按差值均匀切块：

其中，X_max、X_min分别为单一点云在X坐标轴的最大值和最小值，Y_max、Y_min分别为单一点云在Y坐标轴的最大值和最小值，v为坐标X轴方向的切块总数量，u为坐标Y轴方向的切块总数量，θ为每个正方形切块的边长；

步骤2-2、对子样本中包含的单一点云利用最远点采样法，将子样本中单一点云数量降至预设值，并对子样本中的单一点云进行更新。

3.根据权利要求1所述的基于深度学习的点云数据地物分类方法，其特征在于，所述步骤3包括以下步骤：

步骤3-1、将场景中各个子样本中的单一点云的三维坐标和特征信息，作为单一点云的维度信息，结合维度信息和单一点云所对应的多波段融合信息，场景数量n与单一点云的维度信息m形成n×m的输入点集，选择m×m的仿射变换矩阵与输入点集相乘，得到对齐输入点集，完成空间变换操作；

步骤3-2、将对齐输入点集包含的所有单一点云作为中心单一点云，通过k最邻近方法查找与每个中心单一点云关联的所有邻近单一点云以及邻近单一点云索引，从邻近单一点云索引中得到邻近单一点云的特征信息，连接中心单一点云与其邻近单一点云，形成子样本的模型图结构。

4.根据权利要求3所述的基于深度学习的点云数据地物分类方法，其特征在于，所述步骤4包括以下步骤：

步骤4-1、将模型图结构包含的中心单一点云的特征信息与邻近单一点云的特征信息输入至多层感知机中，经过边缘函数提取边缘特征；

步骤4-2、利用对称函数最大池化沿边缘特征方向提取模型图结构的局部特征，对模型图结构中的中心单一点云和邻近单一点云进行更新，生成单一特征；

步骤4-3、重复步骤4-2至步骤4-4，获得多个局部特征，将多次获得的局部特征拼接，得到点云数据集的全局特征。