[发明专利]一种高精地图要素自动化提取的方法

权利要求书

1.一种高精地图要素自动化提取的方法，其特征在于，具体包括以下步骤：

S1模型训练：对采集的点云数据进行预处理，将处理后的点云数据作为基于深度学习的语义点云自动化提取模型训练的输入，进行语义点云自动化提取模型训练，并输出语义点云自动化提取模型；

S2语义化点云：对增强处理后的点云数据采用步骤S1中得到的语义点云自动化提取模型进行语义化分割处理，获得语义点云数据；

S3单体化点云：对步骤S3中获得的语义点云数据进行单体化处理，获得单体化点云数据；

S4自动化提取：对单体化点云数据进行点要素、线要素和面要素的几何信息的自动化提取，获得高精地图的三维矢量要素；

所述步骤S1的具体步骤为：

S11数据准备：对采集的点云数据依次进行标注、清洗和增强处理，获得增强处理后的点云数据；

S12模型准备：分别定义模型训练所需的网络、数据、损失函数及优化器和评估训练结果的指标，为模型训练做准备；

S13模型训练：设置超参，将增强处理后的点云数据基于深度学习的语义点云自动化提取模型训练的输入，进行语义点云自动化提取模型训练，再对训练完成的点云语义分割算法模型进行精度验证，并输出满足泛性的语义点云自动化提取模型。

2.根据权利要求1所述的高精地图要素自动化提取的方法，其特征在于，所述步骤S13具体包括以下步骤：

S131：设置超参，包括学习速率、迭代次数、卷积核的大小和激活函数的选择；

S132：将增强处理后的点云数据作为基于深度学习的语义点云自动化提取模型训练的输入，进行语义点云自动化提取模型训练；

S133：判断训练的语义点云自动化提取模型输出的结果是否为全局最优，若是全局最优，则转至步骤S134验证模型的精度；若不是全局最优，则返回步骤S132重新进行模型训练，循环步骤S132～S133，直至输出的结果为全局最优；

S134：若满足精度，则输出模型，并转至步骤S135评定该模型是否满足泛性；若不满足精度，则返回步骤S131，重新设置超参，循环步骤S131～S134，直至训练获得的语义点云自动化提取模型满足精度验证，即在测试数据集中语义分割的准确率大于90％；

S135：若满足泛性评定，即在项目点云数据中的点云语义分割精度大于90％，则进行模型部署应用；若不满足泛性评定，则返回步骤S12，重新进行参数定义，并循环步骤S131～S135直至训练获得的语义点云自动化提取模型满足泛性评定。

3.根据权利要求1所述的高精地图要素自动化提取的方法，其特征在于，所述步骤S2的具体步骤为：

S21：首先对采集的点云数据进行降采样，建立每个保留的特征点和过滤掉的非特征点的关系；

S22：然后对降采样后的特征点进行属性判断，确定属性后再将特征点属性分配给非特征点；

S23：采用语义分割方法对三维点云坐标和标志牌类的小目标检测进行分割，完成数据的语义分割，获得语义点云数据。

4.根据权利要求3所述的高精地图要素自动化提取的方法，其特征在于，所述步骤S23的具体步骤为：

S231：对于三维点云坐标信息输入，融合RGB信息并且利用VFE模型结构挖掘1088维的特征结构信息作为多层感知机的信息输入；

S232：对于标志牌类的小目标检测，在语义点云自动化提取模型中加入特征金字塔结构，并在每个层级采用MSG或MRG策略充分利用各阶段的特征信息；

S233：若出现数据类别误差超过设定误差范围，则采用Focal Loss思想对损失函数进行改进，减少数据类别的误差，其损失函数如下所示：

FL(p_t)＝-α_t(1-p_t)^γlog(p_t)；

其中，-log(p_t)为初始交叉损失函数，γ为类别间的权重参数，(1-p_t)^γ为简单困难样本调节因子，α为聚焦参数。