[发明专利]基于深度图卷积网络的点云目标提取方法及装置

说明书

本发明提供了一种基于深度图卷积网络的点云目标提取方法及装置，其中该方法包括：将城市场景点云数据划分为多个超点；获取所述多个超点中每个超点的局部特征；根据所述多个超点之间的拓扑连接关系，构建空间拓扑图；基于所述空间拓扑图，构建深度图卷积网络；根据所述深度图卷积网络和所述多个超点中每个超点的局部特征，得到每个超点内各点的标签。本发明能提高目标提取的效率和准确度。

技术领域

本发明涉及空间数据处理技术领域，特别涉及一种基于深度图卷积网络的点云目标提取方法及装置。

背景技术

以激光雷达扫描系统为代表的三维扫描仪的发展，使得三维数据的生产呈现爆炸式增长。城市车载激光点云能够快速获取城市道路两侧建筑物、交通工具、数目及道路附属设施等精确三维信息，已经成为城市空间数据获取的重要手段。从车载激光点云中提取多类型城市目标在数字城市、交通、城市规划及基础测绘等领域具有重要的应用价值。

车载激光点云数据具有目标多样、数据量大、点密度分布不均等特点，对目标提取带来了巨大挑战。当前获得点云目标提取方法主要分为两类：(1)基于点云局部几何特征的聚类方法；(2)基于机器学习的方法。其中，基于点云局部几何特征的聚类方法采用手工计算，将隐含在点云内部的法向量、主方向等几何属性计算出来，再通过几何属性的相似性或差异对点云进行聚类以实现最终地物的提取，这种方法过分依赖人为设置的先验信息，增加了目标提取的难度。基于机器学习的方法旨在从标注样本中自动学习点云特征进行目标提取，降低人为设置参数或先验知识的影响。基于机器学习的方法主要包括全监督的深度学习方法与半监督学习方法。全监督的深度学习方法主要包括两种类型，一些学者将不规则且无序的点云数据转化为规则三维数据或不同方向的二维图像，进而采用卷积神经网络进行目标提取；另一些学者尝试直接对卷积神经网络进行改造以适应点云输入顺序不一致、旋转不变性等问题。全监督的深度学习方法需要大量的标注数据，且训练效率较低。为减少训练数据的标注，部分学者采用半监督学习的方法进行目标提取，但是这些方法尚难以准确提取目标，而且效率较低。

发明内容

本发明提供了一种基于深度图卷积网络的点云目标提取方法及装置，其目的是为了解决目标提取的准确度和效率低的问题。

为了达到上述目的，本发明的实施例提供了一种基于深度图卷积网络的点云目标提取方法，包括：

将城市场景点云数据划分为多个超点；

获取所述多个超点中每个超点的局部特征；

根据所述多个超点之间的拓扑连接关系，构建空间拓扑图；

基于所述空间拓扑图，构建深度图卷积网络；

根据所述深度图卷积网络和所述多个超点中每个超点的局部特征，得到每个超点内各点的标签。

其中，所述多个超点中每个超点的局部特征包括：该超点的法向量、该超点的主方向、该超点的高度、该超点的特征值属性以及该超点的几何形状属性。

其中，所述多个超点与所述空间拓扑图中的多个节点一一对应。

其中，所述基于所述空间拓扑图，构建深度图卷积网络的步骤，包括：

通过公式H_l+1＝H_l+GCN(H_l)构建深度图卷积网络；其中，H_l+1表示深度图卷积网络第l+1层的输出，H_l表示深度图卷积网络第l层的输出，GCN()表示半监督的图卷积。

其中，所述根据所述深度图卷积网络和所述多个超点中每个超点的局部特征，得到每个超点内各点的标签的步骤，包括：

分别针对所述多个超点中每个超点，通过将该超点的局部特征作为所述深度图卷积网络的输入特征，得到该超点内各点的标签。