一种基于深度学习多光谱LiDAR数据分类的样本生成方法技术

本发明专利技术公开了一种基于深度学习多光谱LiDAR数据分类的样本生成方法，包括以下步骤：S1、基于最邻近搜索将多个波段的独立点云数据进行融合，得到含有多光谱信息的单一点云数据；S2、为这单一点云数据标注类别标签、划分训练集和验证集；S3、对单一点云数据进行归一化处理；S4、在归一化处理的点云数据中利用最远点采样方法和k近邻方法提取单个样本数据；整合所有单个样本数据；本发明专利技术通过最远点采样法选取种子点、k近邻方法选取近邻点，生成的样本数据既符合深度学习方法的输入要求，又能确保对数据对应区域的完全覆盖。

【技术实现步骤摘要】
一种基于深度学习多光谱LiDAR数据分类的样本生成方法
本专利技术涉及测绘和地理信息
，尤其涉及一种基于深度学习多光谱LiDAR数据分类的样本生成方法。
技术介绍
随着激光雷达技术的发展，多光谱LiDAR系统不仅能够快速获取大范围测区地形表面采样点的空间坐标，而且同时可以采集到多个波段的地物光谱信息，其获取的数据是对地形表面最直接地描述和表达，为地物覆盖分类、地形测绘、变形监测和目标识别提供了新的数据源。近年来深度学习热潮，基于三维点云数据的深度学习算法也取得了一系列突破性的进展，然而，大场景多光谱LiDAR三维点云数据具有非规则化、密度不均匀以及离散性的特性，这使得直接将原始点云数据输入到深度学习模型进行端到端的分类存在一定的困难。为了能够让基于点的深度学习方法适用于各种类型、各种场景的点云数据，通常将大场景的点云数据处理生成为点数一致的训练(测试)样本数据。目前基于深度学习LiDAR点云数据分类的样本生成方法主要有三类：1)基于FPS采样的样本生成方法。一般对点云CAD独立模型直接利用FPS进行降采样处理，从而获得具有固定数量的点集作为样本数据。该方法通常是对单个类别的降采样，很难运用到大场景的LiDAR点云数据。2)基于切块后采样的样本生成方法。将点云数据切分为若干个可重叠的三维方块，对每个三维放块随机采样固定数据量的点作为样本数据。该方法容易破坏地物的整体结构，深度学习网络模型难以有效的学习到正确的几何结构。3)基于种子点切块的样本生成方法。从数据中随机选取种子点，并以该点为中心通过切块降采样完成样本生成。该方法生成的样本数据过于冗余，过分依赖高效的计算机处理系统。一方面，对于二维影像数据已经有了而大量深入的研究，并且有着长足的发展。但是目前研究数据正在从二维影像向三维点云的迅速发展，三维点云数据必然成为当代社会进行三维研究的必要数据。相比于二维图像，三维点云包含了更加丰富的几何、形状和结构信息，为场景理解提供了更多可能，越来越受到人们的高度重视，将在地形测绘、自动驾驶、机器人、VR/AR等领域大量应用。另一方面，深度学习作为人工智能的主流技术，已经成功地应用于解决各种二维视觉问题。然而，由于用深度神经网络处理点云所面临的独特挑战，点云的深度学习仍处于起步阶段，如何将大规模、高维性和非结构化的多光谱LiDAR三维点云数据放入深度学习模型中进行分类还在探索阶段。
技术实现思路
专利技术目的：为了克服现有技术的不足，本专利技术的目的是提供一种基于深度学习多光谱LiDAR数据分类的样本生成方法。技术方案：本专利技术提出一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，该方法包括如下步骤：S1、以任意一个波段的LiDAR点云为基准数据，对基准数据中的每个激光点，采用最邻近搜索方法分别在其它波段数据中获得最邻近激光点的波段信息，生成一个包含多光谱信息的单一融合点云数据，完成多波段数据融合；S2、依照LiDAR扫描地区的真实地物分布，通过人工解译为融合后的点云中的每一个点标注类别标签，并将融合后的点云数据划分为训练点云和测试点云；S3、使用一种各项同行归一化方法将数据归一化到(-1～1)；S4、基于S3归一化后的训练点云和测试点云，利用最远点采样方法FPS和k近邻方法KNN分别从中提取点云样本数据，最后形成直接用于网络训练的训练样本和直接用于测试的测试样本。进一步的，所述步骤S1具体方法如下：多光谱LiDAR系统共发射3个波段光束，获得n＝3个相应的点云数据：P1、P2、P3。选取C1波段点云P1作为基准，将P1、P2、P3三个独立的点云合并成单个高密度多光谱点云，基准点云P1的每个激光点Qk包含的信息为几何位置信息X，Y，Z和C1波段光谱信息lC1，k＝1，2，…，m，m是点云P1中点的个数，利用最邻近搜索方法在其它两个波段C2、C3中以一定搜索半径搜索Qk的邻近点，从而获得P1中每个点在其他两个点云中的光谱信息lC2、lC3，最终获得的单一点云中每个点具有完整的信息：几何位置信息X，Y，Z和多波段光谱信息lC1，lC2，lC3。进一步的，所述步骤S2具体包括以下分步骤：S21、S1获融合后的点云包含地物几何位置信息X，Y，Z和多波段光谱信息lC1，lC2，lC3，通过CloudCompare软件以人工解译的方法将融合后的点云按照真实地物逐点标注六类：路、草地、树、建筑物、裸地、电力线，依次对应的标签信息为0、1、2、3、4、5，最终获得的点云中每个点具有的信息为：几何位置信息X，Y，Z、多波段光谱信息lC1，lC2，lC3和标签信息τ，τ＝0，1,…，5；S22、将LiDAR扫描的地表面积按照3：1划分两块区域，选择其中大面积区域作为深度学习的训练区域，其对应的点云为网络进行训练的点云，即训练点云；剩余小面积区域为测试区域，其对应的点云为网络进行测试的点云，即测试点云。进一步的，其特征在于，所述步骤S3具体包括以下分步骤：S31、依次归一化S22划分的训练点云和测试点云，将训练和测试点云数据中所有点三维坐标中最大值(max(Xin)，max(Yin)，max(Zin))和最小值(min(Xin)，min(Yin)，min(Zin))的平均值(Xm，Ym，Zm)作为归一化的参考值，其构造方法如下：S32、求取统一缩放因子δ，其中缩放因子的计算方式如下：δ＝max{max(Xin-Xm)，max(Yin-Ym)，max(Zin-Zm)}S33、将训练和测试点云所有点坐标(Xin，Yin，Zin)减去参考值(Xm，Ym，Zm)再除以缩放因子δ，将整个区域的点坐标缩放到(-1～1)之区间的公式如下：其中，(Xin，Yin，Zin)是训练(测试)点云中所有点的三维坐标，缩放因子δ为三个维度上所有点坐标减去参考值的最大值中的最大值。进一步的，所述步骤S4具体包括以下分步骤：S41、设置训练点云提取训练样本时种子点数设为2000，邻近点个数设为4095；测试点云提取测试样本时种子点数设为600，邻近点个数设为4095；S42、基于S3归一化后的点云和S41设置的样本大小，利用最远点采样方法FPS，从训练和测试点云中提取样本种子点，并利用k近邻方法KNN为每个种子点选择近邻点，从训练点云M为提取训练样本的具体步骤为，M1，M2，…，Mn为训练点云M中的点，n为点的总个数：1)从训练点云M中任选一点Mi作为第一个种子点，通过KNN从点云数据M中寻找Mi的k个近邻点，根据S41设置，k取值为4095，将这样包含中心点Mi和近邻点的4096个点作为单个样本输出；2)根据FPS原则，在训练点云M中计算其它n-1个点与第一个种子点Mi的距离{d1，d2，…dn-1}，将最大距离对应的点Mj作为下一个种子点，并通过KNN从训练点云M中寻找Mj的k个近邻点，作为单个样本输出；3)计算训练点云M中其它n-2个点与已选第一个种子点Mi的距离获得距离集本文档来自技高网...

【技术保护点】
1.一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，该方法包括如下步骤：/nS1、以任意一个波段的LiDAR点云为基准数据，对基准数据中的每个激光点，采用最邻近搜索方法分别在其它波段数据中获得最邻近激光点的波段信息，生成一个包含多光谱信息的单一融合点云数据，完成多波段数据融合；/nS2、依照LiDAR扫描地区的真实地物分布，通过人工解译为融合后的点云中的每一个点标注类别标签，并将融合后的点云数据划分为训练点云和测试点云；/nS3、使用各项同行归一化方法将数据归一化到(-1～1)；/nS4、基于S3归一化后的训练点云和测试点云，利用最远点采样方法FPS和k近邻方法KNN分别从中提取点云样本数据，最后形成直接用于网络训练的训练样本和直接用于测试的测试样本。/n

【技术特征摘要】
1.一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，该方法包括如下步骤：
S1、以任意一个波段的LiDAR点云为基准数据，对基准数据中的每个激光点，采用最邻近搜索方法分别在其它波段数据中获得最邻近激光点的波段信息，生成一个包含多光谱信息的单一融合点云数据，完成多波段数据融合；
S2、依照LiDAR扫描地区的真实地物分布，通过人工解译为融合后的点云中的每一个点标注类别标签，并将融合后的点云数据划分为训练点云和测试点云；
S3、使用各项同行归一化方法将数据归一化到(-1～1)；
S4、基于S3归一化后的训练点云和测试点云，利用最远点采样方法FPS和k近邻方法KNN分别从中提取点云样本数据，最后形成直接用于网络训练的训练样本和直接用于测试的测试样本。


2.根据权利要求1所述的一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，所述步骤S1具体方法如下：
多光谱LiDAR系统共发射3个波段光束，获得n＝3个相应的点云数据：P1、P2、P3；
选取C1波段点云P1作为基准，将P1、P2、P3三个独立的点云合并成单个高密度多光谱点云，基准点云P1的每个激光点Qk包含的信息为几何位置信息X，Y，Z和C1波段光谱信息lC1，k＝1,2,…,m，m是点云P1中点的个数，利用最邻近搜索方法在其它两个波段C2、C3中以一定搜索半径搜索Qk的邻近点，从而获得P1中每个点在其他两个点云中的光谱信息lC2、lC3，最终获得的单一点云中每个点具有完整的信息：几何位置信息X，Y，Z和多波段光谱信息lC1，lC2，lC3。


3.根据权利要求2所述的一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，所述步骤S2具体包括以下分步骤：
S21、S1获融合后的点云包含地物几何位置信息X，Y，Z和多波段光谱信息lC1，lC2，lC3，通过CloudCompare软件以人工解译的方法将融合后的点云按照真实地物逐点标注六类：路、草地、树、建筑物、裸地、电力线，依次对应的标签信息为0、1、2、3、4、5，最终获得的点云中每个点具有的信息为：几何位置信息X，Y，Z、多波段光谱信息lC1，lC2，lC3和标签信息τ，τ＝0,1,…,5；
S22、将LiDAR扫描的地表面积按照3：1划分两块区域，选择其中大面积区域作为深度学习的训练区域，其对应的点云为网络进行训练的点云，即训练点云；剩余小面积区域为测试区域，其对应的点云为网络进行测试的点云，即测试点云。


4.根据权利要求3所述的一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，所述步骤S3具体包括以下分步骤：
S31、依次归一化S22划分的训练点云和测试点云，将训练和测试点云数据中所有点三维坐标中最大值(max(Xin),max(Yin),max(Zin))和最小值(min(Xin),min(Yin),min(Zin))的平均值(Xm,Ym,Zm)作为归一化的参考值，其构造方法如下：



S32、求取统一缩放因子δ，其中缩放因子的计算方式如下：
δ＝max{max(Xin-Xm)，max(Yin-Ym)，m...

【专利技术属性】
技术研发人员：管海燕，赵沛冉，景庄伟，李迪龙，
申请(专利权)人：江苏思玛特科技有限公司，
类型：发明
国别省市：江苏;32