[发明专利]用于分配测量数据内特定的感兴趣类别的方法

说明书

用于分配测量数据内特定的感兴趣类别的方法，本发明涉及用于分配测量数据内特定的感兴趣类别的测量和/或度量方法和系统，其中至少一个测量对象到测量数据内的第一感兴趣类别的(基于分类模型的)分配由提供用于训练过程的反馈数据的反馈过程来处理，训练过程为分类模型提供更新信息，其中，训练过程基于机器学习算法，例如，依靠深度学习进行受监督学习和/或无监督学习。

技术领域

本发明涉及用于测量和/或度量(尤其是地面测量、机载测量、移动测绘、全站仪测量、地面激光扫描、坐标测量机测量、激光跟踪仪测量、铰接臂测量以及三角测量传感器测量)的方法和系统，用以分别分配测量数据内的特定类别。

背景技术

在测量数据的一般分类领域中，原始数据(例如，点云数据、成像数据(2D或3D)、多光谱数据、雷达数据、激光雷达数据、全站仪数据或来自激光跟踪仪的数据)被转换成更高级别的几何和语义表达，例如，用于表面重建、几何拟合、3D建模(尤其是表面网格化)、参数化2D或3D基元的拟合、选择性处理、数据抽取、数据可视化、基准测试和/或对象检测或识别。

测量数据内的感兴趣目标通常被分类为语义和几何目标类别，和可能的分级子类别，例如

ο语义目标类别

·地形：人造的或自然的

·植被：高(树)或低(灌木)

·硬景观：建筑物、汽车以及其余对象，例如其中建筑物可以由墙壁、屋顶、阳台、窗口、门等构成

·应用特定类别：工件、产品、工具等

·用于过滤和/或数据缩减的类别，例如，用于自动滤除不需要的点的类别，如扫描由移动的对象或植物造成的可能与施工项目无关的人为因素，

ο几何目标类别

·轮廓线(“折线”)，即，表面的曲率半径小的线性特征，即，沿着该轮廓线，下表面的取向(“法向向量”)表现出独特的不连续性

·平坦表面

·具有预定义几何形状的对象(例如类似于光柱的长垂直圆柱体)。

例如，点云分类可以基于由点或区域式特性构成的特征向量，例如

ο局部邻域中的几何形状，其例如基于邻域中的结构张量的协方差矩阵和/或矩的特征值/特征向量指示如平面性、曲率、线性度、取向和/或粗糙度的特性

ο高度信息，诸如垂直范围、距地面/天花板的高度等

ο强度和/或颜色及其变化。

例如，对图像数据的分类可以基于由局部、区域式或全局特性构成的特征向量，例如

ο定向梯度直方图或密集SIFT特征(尺度不变特征变换)

οHaar式特征

οBag-of-Words特征

ο基于图像过分割的图像特征。

尤其是在深度学习的机器学习框架中，例如基于卷积神经网络，从训练数据中自动提取特征和分类规则。

测量数据中这些类别和子类别的分配仍然需要耗费时间的过程以及人眼和人的判断。为了尝试通过计算机实现的解决方案来自动化这种分配过程，面临许多计算挑战。

通常所采集的数据是非结构化的，并且随着点密度的强烈变化(例如，在3D点云中)而高度不均匀，该点密度的强烈变化是由于点密度随着到点云获取装置的距离的二次减小，以及激光/光强度随着距离的降低，以及落在检测阈值以下的点或者以降低的准确度(低S/N)获取的点而引起的。在扫描数据集中，特定的扫描模式可以沿x、y、z方向以不同的扫描点间隔来使用，或者数据集可能由于遮挡而不完整。