[发明专利]多视角特征联合学习下的机载激光雷达点云语义标注方法

权利要求书

1.机载激光雷达点云多视角特征联合学习下的语义标注方法，其特征是包括如下步骤：

(1)多视角点云特征提取；

(2)多视角特征联合学习的特征映射与分类模型的构建；

(3)对所构建模型的优化求解方法；

(4)基于多视角特征融合的点云语义分割。

2.根据权利要求1所述的机载激光雷达点云多视角特征联合学习下的语义标注方法，其特征是所述步骤(1)多视角点云特征提取，具体包括如下步骤：

利用点云的法向量、协方差特征值特征和Spin Image特征构造不同视角的点云特征，每个视角特征选取不同的半径r值，构造不同尺度的特征，由于法向量和协方差特征值特征主要表征的是点云的几何结构等特征，因此，本发明将法向量和协方差特征值特征作为一个视角的特征，对于法向量和协方差特征，在一个固定r上可以构建6维特向量，通过选取3个不同r值，即r＝[r₁，r₂，r₃]，每个点可构造18维的特征对于法向量特征，选取r₁和r₂，每个点可构造6维的特征对于Spin Image特征，通过选取r₁，r₂和r₃，每个点可构造108维的特征因此，本发明构造的多视角的点云多尺度特征为：X＝[X₁，X₂]^T，其中，X₁＝[F^cov，F^nor]，X₂＝F^spin。

3.根据权利要求1所述的机载激光雷达点云多视角特征联合学习下的语义标注方法，其特征是所述步骤(2)多视角特征联合学习的特征映射与分类模型的构建，具体包括：

①RICA(子空间学习)；

②多视角特征空间和位置空间局部分布一致性约束；

③多视角标签约束；

④目标函数构建。

4.根据权利要求3所述的机载激光雷达点云多视角特征联合学习下的语义标注方法，其特征是所述步骤①RICA(子空间学习)具体包括：由于提取的多尺度点云特征存在噪声和冗余信息，而将原始的高维特征空间映射到低维的子空间能够实现数据降维的同时也能实现子空间的学习，为了去除冗余信息，本发明最小化公式(1)基于重构ICA算法的目标函数：

其中，是特征转换矩阵，将特征矩阵映射到d′维的特征空间(d′＜d)，n为样本特征的个数，公式(1)中，g(·)＝log(cosh(·))，cosh(WX)＝(exp(WX)+exp(-WX))/2，α是权衡重建误差和稀疏的参数；

对于多视角特征，通过不同的映射矩阵将不同视角映射到相同的子空间上，因此，多视角特征的子空间学习目标函数可以表示为：

其中，W_v表示第v个视角的特征变换矩阵，X_v表示第v个视角的特征，m是视角的个数。