[发明专利]基于嵌套神经网络和栅格地图的三维点云分类方法

说明书

本发明公开了一种基于嵌套神经网络和栅格地图的三维点云分类方法，实现步骤为：(1)构建嵌套神经网络；(2)获取遥感卫星三维点云数据；(3)预处理三维点云数据；(4)获取网络权重模型；(5)对三维点云数据进行分类；(6)生成梯度图、类别图、混合图；(7)修改混合图中栅格的类别标签；(8)修改三维点云的类别标签。本发明利用嵌套卷积神经网络对三维点云数据进行了分类，并且还结合了栅格地图方法对分类错误的点云进行修改，大大提高了卫星遥感三维点云数据的分类精度，利用嵌套卷积神经网络可以很好的学习到点云的局部深层特征，算法鲁棒性较强，精度较高。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分类技术领域中的一种基于嵌套神经网络和栅格地图的三维点云分类方法。本发明可以用于对卫星获取的城市遥感三维点云数据进行分类识别，得到地物目标分类后的类别标签。

背景技术

点云是在获取物体表面每个采样点的空间坐标和目标表面特性后的海量点的集合。在遥感图像领域，三维点云数据是记录物体的位置信息的一种重要载体。激光雷达能够快速、大范围地获取到较高精度的三维点云数据，是现在三维空间数据采集与更新的主要工具。点云分类是指为点云中的每个点分配语义标签。对三维点云数据进行语义分类，是使用三维点云数据进行空间认知与分析的重要手段。基于神经网络的点云分类方法是指将点云直接输入到神经网络中从而完成点云的分类任务的方法，该方法充分保留了点云数据的空间信息，大大减小了数据训练过程中的计算量，分类精度较高，是现在点云分类工作中主要应用的方法。

南京大学在其申请的专利文献“一种基于模式识别的森林点云分类方法”(专利申请号：201310283752.9，授权公告号：CN101763655A)中提出了一种基于模式识别的森林点云分类方法。该方法首先获取森林的三维激光点云数据，然后选取每个类别的训练样本，对每个训练样本的显著特征进行计算，再利用基于期望最大化算法得到高斯混合模型的算法程序对点云数据进行初始分类，最后利用孤立点去除滤波器、边缘滤波器等滤波器对初始分类结果进行分类后处理。该方法虽然不需要破坏森林的冠层结构，适用性较强，但是，该方法仍然存在的不足之处是，由于该方法采用期望最大化算法，导致训练结果易受噪声影响，鲁棒性不高，同时使用了孤立点去除滤波器，导致对孤立点分类能力差。

北京数字绿土科技有限公司在其申请的专利文献“激光雷达点云数据分类方法及装置”(专利申请号：201711222953.2，公开号：CN108133227A)中公开了一种激光雷达点云数据分类方法。该方法首先获取样本点云数据及待分类的激光雷达点云数据，然后根据样本点云数据建立点云分类器，最后通过点云分类器对待分类的激光雷达点云数据进行分类。该方法虽然大大减少了分类过程中的人工干预成份，自动化程度高，成本低，但是，该方法仍然存在的不足之处是，由于在点云分类器的建立过程中，样本特征提取次数少，对样本特征学习不够充分，使分类精度不够高，并且各地物类别间存在较多错分类的情况。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了一种基于嵌套神经网络和栅格地图的三维点云分类方法，在点云分类过程中对其分类方法进行改进，以解决三维点云分类精度不高的问题，分类结果的区域一致性较好，不同类别之间有明显的区分效果，小样本分类结果更优，鲁棒性和精度得到提高。

实现本发明目的的思路是，首先搭建嵌套神经网络并设置每层参数，然后从数据集中按三维点云场景提取遥感卫星三维点云数据，并将所提取的每个三维点云场景中所有三维点云数据组成一个序列，接着对序列中的每个元素进行标准化处理，然后将这些标准化后的元素输入到构建的嵌套神经网络中进行训练，获得网络权重模型，再使用网络权重模型对待分类的三维点云数据进行分类，最后生成梯度图、类别图、混合图，修改混合图中栅格的类别标签，修改三维点云的类别标签，得到最终分类结果。

本发明实现的具体步骤包括如下：

(1)构建嵌套神经网络：

(1a)构建一个由四个模块组成的嵌套神经网络：