[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

说明书

本发明公开了一种基于无监督学习的输电杆塔点云关键点提取方法，通过估计关键点的位置来改进关键点定位，能获得更精准的输电杆塔关键点，这与现有的关键点检测方法相反；在训练期间对输电杆塔点云使用随机生成的变换，因此对于任意变换下的输电杆塔点云均能检测出高度可重复的、精确定位的输电杆塔关键点。本方法也是无人监督的，不需要获取任何真实训练数据，因此可针对于任何类型的输电杆塔关键点提取，提高了输电杆塔关键点提取方法的适用范围。

技术领域

本发明涉及测绘技术领域，特别涉及一种基于无监督学习的输电杆塔点云关键点提取方法。

背景技术

从点云数据中准确高效的提取表征输电杆塔外观形态和位置方向的关键点是杆塔类型判别、杆塔倾斜检测、杆塔基座沉降检测、杆塔基座位移检测等工作的重要前提，目前对于输电杆塔关键点的提取的仍然使用手工设计的方法，这种方法依赖输电杆塔点云的局部几何性质来选择输电杆塔关键点，因此受到点云数据的噪声、密度变化、角度变化等影响较大，通常无法准确提取不同类型、不同密度、不同角度下的输电杆塔关键点，进而影响输电杆塔塔类型判别、杆塔倾斜检测、杆塔基座沉降检测、杆塔基座位移检测等工作的准确性和精度。

发明内容

有鉴于此，本发明的目的之一是提供一种基于无监督学习的输电杆塔点云关键点提取方法，能够克服背景技术中存在的问题。

本发明的目的是通过以下技术方案实现的：

该种基于无监督学习的输电杆塔点云关键点提取方法，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。

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。

特别地，，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；

特别地，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，这种方法相对于K近邻法或者半径球搜索聚类法的优势在于：点到节点分组法能够不重不漏的分配所有点云，且能自动适应不同的尺度和点密度；

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}；