[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

说明书

本发明提出的是一种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，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。本发明提出一种基于标签和多空间局部分布一致性约束的点云多视角特征联合学习点云分类算法。该算法利用少量训练样本点训练模型，引入特征空间和位置空间局部分布一致性约束、多视角预测标签与真值标签一致性约束和多视角预测标签之间一致性约束，利用流形学习方法进行多视角特征子空间联合学习。本发明利用迭代算法联合求解优化多个视角的特征映射矩阵，能够获得无冗余信息、低噪声且更具判别性的特征和最优线性分类器，进而有效融合分类多视角特征。

技术领域

本发明涉及的是一种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，属于激光雷达遥感数据智能处理与分析技术领域。

背景技术

近年来，随着计算机视觉与激光雷达技术的快速发展，越来越多的点云数据被广泛的应用，使得点云的分类已经成为了一项研究热点。点云分类是对点云中的每个点标记一个特定的语义属性标签，这是点云场景的环境感知与场景理解的关键步骤。由于点云具有无序性、稀疏性和不规则性，并且点云中存在一定的噪声点和部分数据的缺失，同一场景中的类内点存在较大差异，类间点差异并不明显。因此，对于点云的有效分类是个有挑战性的问题。

近年来，众多学者提出的分类算法在图像和点云分类上已经取得了不错效果。如学者Zhang等人提出了引入分类误差进行特征表达和分类器同时优化的 DKSVD(discriminative KSVD)算法。为了充分利用标签信息，学者Jiang等人将标签一致性约束引入到目标函数中，提出了LCKSVD1和LCKSVD2算法，并获得了更好的分类结果。学者Zhang等人利用判别性字典学习的方法构造多层次点集特征，用于点云分类。学者Li等人提出了一种多层次体素特征融合的深度学习网络用于点云的分类。上述这些方法所使用的特征维度相对较高，高维的数据表达会存在一定的噪声或冗余信息。为了减少噪声和冗余信息，降维和稀疏表达的方法被广泛的应用。一定程度上，降维的方法等价于子空间学习，如ICA(Independent Component Analysis)，PCA(Principal Component Analysis)和optimalmean robust PCA等方法，

另外，大多数有监督的分类方法通常需要较大数量的训练集去学习特征和分类器才能获得较好的分类效果，大大降低了算法的效率。然而，对于大规模点云数据，人工标记大量用于训练的点会十分耗费时间和人力，因此，利用较少数量的有标记点进行训练，并对有效地大规模点云进行分类具有重要的现实意义。针对少量样本用于训练分类模型的问题，不少学者提出了关于特征映射和分类器联合学习的半监督或有监督分类方法。如学者Mei等人将多种点云的单点特征串联构成每个点的高维特征，然后利用点云边界、邻域图和标签联合约束，基于半监督的方法对少量样本进行训练，获得点云分类的模型。学者Zhu等人利用图像多尺度特征串联构成的特征向量对每幅图像进行表征，并通过引入标签和样本局部连接关系的约束，联合学习局部和全局一致性的图像特征映射矩阵和分类器。这些方法将样本的多种类型的特征或同种类型特征的不同尺度特征，通过串联的方式直接融合并进行分类。然而，这种特征融合与分类的方法对于样本属性的表达能力及分类效果的提升相对有限，并不能保证融合的有效性。