[发明专利]一种基于点云的大件运输关键道路空间通行性判定方法

权利要求书

1.一种基于点云的大件运输关键道路空间通行性判定方法，其特征在于，包括以下步骤：

步骤1：获取大件运输关键道路及其限高附属设施三维点云并进行预处理；

步骤1中获取大件运输关键道路及其限高附属设施三维点云如下：

对于大件运输中需要进行空间通行性判定的关键道路，会建有桥梁、收费站、限高杆道路限高附属设施，利用无人机采集具有以上道路附属设施的关键道路影像数据，采用运动恢复结构算法对无人机影像进行处理，生成三维点云；

步骤1中三维点云预处理包括：

将得到的大件运输关键道路及其限高附属设施三维点云进行人为标注，得到桥梁、收费站、限高杆、道路和背景这五类待识别的目标物的标记结果，其中桥梁、收费站、限高杆为大件运输关键道路中的限高目标；将大件运输关键道路三维点云和标记结果分别作为三维点云样本集和标记样本集；

步骤2：构建大件运输关键道路及其限高附属设施三维点云提取网络模型；

步骤2中构建大件运输关键道路及其限高附属设施三维点云提取网络模型结构如下：

首先，利用动态图卷积神经网络中集成的EdgeConv模块，提取点与其邻域点的结构信息，获得大件运输限高设施的局部邻域信息和全局形状信息；其次，在网络中添加法向量提取模块获取点云法向量信息用于提取大件运输限高设施的形状特征；再引入多头注意力机制模块，加权融合EdgeConv模块和法向量提取模块特征，对提取出的限高设施特征进一步捕捉关键特征；最后，利用以上特征连接全局特征使得网络学习到大件运输关键道路限高设施点云的多特征信息；

模型以n个点作为输入，采用最远点采样法进行点云降采样处理；分割网络包含三层EdgeConv模块和法向量提取模块，每层模块输出维度都是64，再用多头注意力机制加权融合两个模块特征，后接一个共享全连接层聚合之前层的信息，通过最大池化操作，形成一个一维全局特征，再接3个共享全连接层来转换逐点特征，通过连接每个点的全局特征和所有EdgeConv模块的局部特征以及法向量特征模块来扩展分类模型，为p个语义标签输出逐点分类概率；其中，为了防止网络性能下降，加入残差模块，使用跳跃连接将前一层卷积的结果加入到下一层卷积的结果上；

法向量提取模块用于表现大件运输限高设施的形状特征，有利于提高三维点云语义分割的准确度；模块利用改进的加权主成分分析方法提取点云法向量，为了提高近邻域点在采样点法向量估算中的影响，削弱远邻域点对采样点法向量估算的干扰，以马氏距离为权重计算指标，拉普拉斯核函数为权值计算点云法向量，将得到的法向量特征矩阵输入多头注意力机制模块；

多头注意力机制模块对输入数据进行多次自注意力操作，每次自注意力操作参数互相独立，可以对提取出的大件运输限高目标特征进一步捕捉关键特征，提高关键道路限高目标分割网络的鲁棒性；将输入的3维的EdgeConv特征图和3维的法向量特征图进行拼接，得到6维的特征图，将其作为多头注意力机制的输入，输出得到多头注意力特征；

步骤3：训练三维点云提取网络模型；

步骤4：计算大件运输关键道路和限高附属设施的空间信息；

步骤5：计算大件车辆的扫空路径；

步骤6：进行大件车辆关键道路空间通行性判定。

2.根据权利要求1所述的一种基于点云的大件运输关键道路空间通行性判定方法，其特征在于，步骤3中训练三维点云提取网络模型如下：

将得到的大件运输关键道路三维点云的样本集和标记样本集放入点云提取网络进行训练，得到训练后的模型；并将待预测的大件运输关键道路三维点云放入训练后的模型进行预测，得到所有输入点云的类别，进而提取道路和限高目标三维点云。