[发明专利]一种基于无监督学习的输电杆塔点云关键点提取方法

权利要求书

1.一种基于无监督学习的输电杆塔点云关键点提取方法，其特征在于：包括以下步骤：

步骤S1：将训练数据集中的每一基输电杆塔点云P进行随机旋转平移变换，形成对应的输电杆塔点云P’；

步骤S2：将输电杆塔点云P和P’分别输入到关键点生成网络中，该网络针对P和P’分别输出对应的N个预测关键点及其对应的不确定度；

所述步骤S2中，所述关键点生成网络的具体步骤为：

步骤S21：对输电杆塔点云进行最远点采样得到N个节点集合C[C₁,……,C_N]；

步骤S22：使用点到节点的分组方法将点云P分配给每个节点，得到：

其中K表示每个节点相关联的点；

步骤S23：将每一个节点代表的局部集群进行坐标中心化，然后输入到一个点相似网络中得到局部特征向量G|C:{G₁|C₁,…,G_N|C_N}；

步骤S24：对G|C中的每个特征向量G_i|C_i进行K近邻搜索，将最近邻的K个G进行坐标中心化然后通过一个网络得到特征向量V:{V₁,…,V_N}；

步骤S25：使用多层感知器对V进行预测得到N个输电杆塔关键点以及对应的不确定度ω{ω₁,…,ω_N}；

步骤S3：在输电杆塔关键点生成网络输出后，旋转后的输电杆塔点云乘以旋转矩阵的逆矩阵得到M’再与原矩阵M进行比较；

步骤S4：重新预测关键点的坐标，使用点到点的损失函数Lpoint对预测的输电杆塔关键点进行约束防止其位置偏离输电杆塔点云。

2.根据权利要求1所述的一种基于无监督学习的输电杆塔点云关键点提取方法，其特征在于：所述步骤S3中，通过构建损失函数L_C最小化M与M’之间的差异，使一个输电杆塔点云中的每个点与另一个输电杆塔点云中最近邻点的距离最小。

3.根据权利要求1所述的一种基于无监督学习的输电杆塔点云关键点提取方法，其特征在于：所述步骤S25中，N决定了关键点的密度，N越大关键点越多，每个关键点的感受野越小，同时KNN中的K近邻的K值越大，感受野就越大。

4.根据权利要求1所述的一种基于无监督学习的输电杆塔点云关键点提取方法，其特征在于：所述步骤S3中，所述损失函数的L_C表示如下：

其中d_ij是关键点对之间的实际距离，ω_ij则是关键点对i和j之间的不确定度，λ是根据关键点对的距离和不确定度计算出的概率分布。

5.根据权利要求4所述的一种基于无监督学习的输电杆塔点云关键点提取方法，其特征在于：所述ω_ij与λ的计算公式如下：

6.一种计算机装置，包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述的方法。

7.一种计算机可读存储介质，其上储存有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的方法。