[发明专利]基于点云数据的高效测绘系统

说明书

本发明涉及人工智能技术领域，具体涉及一种基于点云数据的高效测绘系统。该系统包括基础点云获取单元，用于采集初始点云数据，将初始点云数据输入基础点云提取网络得到基础点云数据；加噪点云获取单元，用于将所述基础点云数据输入训练好的噪声点云生成网络得到加噪点云数据；去噪网络构建单元，用于利用所述加噪点云数据和所述基础点云数据训练去噪神经网络；将采集的目标点云数据输入训练好的所述去噪神经网络得到去噪后的点云数据，基于去噪后的点云数据进行测绘。增强了去噪神经网络在不同工况下的泛化能力，且无需人为标注数据，降低成本，进而提高了测绘效率。

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于点云数据的高效测绘系统。

背景技术

原始点云数据往往包含大量散列点、孤立点，在获取点云数据时 ，由于设备精度、操作者经验环境因素带来的影响、电磁波的衍射性、被测物体表面性质变化和数据拼接配准操作过程的影响，点云数据中将不可避免的出现一些噪声，导致采样的分辨率不同。

为实现点云数据的高效测绘，对直接采集获取的原始点云数据进行去噪处理，剔除各类噪声点，现有常用的处理方式通常为点云滤波操作，包括双边滤波、高斯滤波、直通滤波、随机采样一致性滤波等滤波操作，但滤波操作存在的问题在于，需要根据工况选择合适的滤波方式，这极大的增加了点云去噪流程的复杂性。为便捷的直接获取去噪后的点云数据，现有技术又提出了采用神经网络实现点云去噪操作，具体为：通过分析高斯噪声类别，训练不同高斯噪声类别对应的去噪子网络，利用去噪子网络获取去噪后的点云数据。

本领域技术人员发现现有技术存在以下缺陷：神经网络的泛化能力不足，若存在多种类型噪声，难以实现较好的去噪效果；且神经网络的数据标注困难，采用不同滤波操作得到的滤波结果不同，从而难以有确定的标注。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于点云数据的高效测绘系统，所采用的技术方案具体如下：

基础点云获取单元，用于采集初始点云数据，将初始点云数据输入基础点云提取网络得到基础点云数据，所述基础点云数据是指对初始点云数据利用不同的滤波操作后得到的多个滤波后点云集合的交集点云集合；

加噪点云获取单元，用于将所述基础点云数据输入训练好的噪声点云生成网络得到加噪点云数据；

去噪网络构建单元，用于利用所述加噪点云数据和所述基础点云数据训练去噪神经网络；将采集的目标点云数据输入训练好的所述去噪神经网络得到去噪后的点云数据，基于去噪后的点云数据进行测绘；

所述加噪点云获取单元中噪声点云生成网络的训练过程为：将所述基础点云数据作为所述噪声点云生成网络的训练集；损失函数包括第一重构损失函数、第二重构损失函数和第三重构损失函数，其中所述第一重构损失函数为输入数据和输出数据的欧式距离、所述第二重构损失函数是指输入数据和输出数据之间数据的数量损失、所述第三重构损失函数是指输入数据与输出数据之间的空域描述差异损失，空域描述是指根据目标数据与最近邻数据之间的坐标差异所得到的。

进一步地，所述加噪点云获取单元中所述第二重构损失函数的构建方法，包括：

将输出数据减去输入数据得到差异数据；由差异数据的数据值的构建输出数据的数据值损失；

由差异数据的数量、所述基础点云数据的数量、初始点云数据的数量和设定的迭代次数构建输出数据的数量损失；

结合所述数据损失和所述数量损失得到所述第二重构损失函数。

进一步地，所述加噪点云获取单元中所述第三重构损失函数的构建方法，包括：

由差异数据和所述基础点云数据构建孪生网络，基于所述孪生网络的输出结果构建所述噪声点云生成网络的所述第三重构损失函数。

进一步地，所述加噪点云获取单元中所述第三重构损失函数的构建方法，包括：