[发明专利]基于嵌套神经网络和栅格地图的三维点云分类方法

摘要

本发明公开了一种基于嵌套神经网络和栅格地图的三维点云分类方法，实现步骤为：(1)构建嵌套神经网络；(2)获取遥感卫星三维点云数据；(3)预处理三维点云数据；(4)获取网络权重模型；(5)对三维点云数据进行分类；(6)生成梯度图、类别图、混合图；(7)修改混合图中栅格的类别标签；(8)修改三维点云的类别标签。本发明利用嵌套卷积神经网络对三维点云数据进行了分类，并且还结合了栅格地图方法对分类错误的点云进行修改，大大提高了卫星遥感三维点云数据的分类精度，利用嵌套卷积神经网络可以很好的学习到点云的局部深层特征，算法鲁棒性较强，精度较高。

主权项

1.一种基于嵌套神经网络和栅格地图的三维点云分类方法，其特征在于，构建并训练嵌套神经网络，使用栅格地图修改网络权重模型输出的三维点云分类结果，该方法的具体步骤如下：(1)构建嵌套神经网络：(1a)构建一个由四个模块组成的嵌套神经网络：所述第一个模块的结构依次为：输入层→第一下采样层→第十上采样层→第四全连接层→第四Dropout层→第四Softmax层；所述第二个模块的结构依次为：第二下采样层→第八上采样层→第九上采样层→第三全连接层→第三Dropout层→第三Softmax层；所述第三个模块的结构依次为：第三下采样层→第五上采样层→第六上采样层→第七上采样层→第二全连接层→第二Dropout层→第二Softmax层；所述第四个模块的结构依次为：第四下采样层→第一上采样层→第二上采样层→第三上采样层→第四上采样层→第一全连接层→第一Dropout层→第一Softmax层；上述所有模块中的上采样层的结构依次为：特征插值层→上采样卷积层→上采样卷积层→上采样卷积层；上述所有模块中的下采样层的结构依次为：点云采样层→点云分组层→下采样卷积层→下采样卷积层→下采样卷积层→最大池化层；将第一个模块的第一下采样层、第二个模块的第二下采样层、第三个模块的第三下采样层、第四个模块的第四下采样层依次连接，将第一个模块的第四Softmax层、第二个模块的第三Softmax层、第三个模块的第四Softmax层、第四个模块的第一Softmax层分别与特征聚合层连接，得到嵌套神经网络；(1b)所述下采样层中的点云采样层使用最远点采样法在点云空间中选择采样中心点；所述下采样层中的点云分组层以采样中心点作为球心，截取出设定半径范围内的点云区域作为下采样卷积层的输入；(1c)所述上采样层中的特征插值层通过插值方式，生成特征矩阵作为上采样卷积层的输入；(1d)设置嵌套神经网络各层参数如下：将第一下采样层、第二下采样层、第三下采样层、第四下采样层的采样中心点数目依次设置为1024、256、64、16，半径依次设置为0.1、0.2、0.4、0.8，卷积核大小均设置为1*1，将第一下采样层的三个卷积核数目依次设置为32、32、64，将第二下采样层的三个卷积核数目依次设置为64、64、128，将第三下采样层的三个卷积核数目依次设置为128、128、256，将第四下采样层的三个卷积核数目依次设置为256、256、512；将第一上采样层、第二上采样层、第三上采样层、第四上采样层、第五上采样层、第六上采样层、第七上采样层、第八上采样层、第九上采样层、第十上采样层的卷积核大小均设置为1*1，将第一上采样层的三个卷积核数目依次设置为512、256、256，将第二上采样层、第五上采样层中每一层的三个卷积核数目依次设置为256、128、128，将第三上采样层、第六上采样层、第八上采样层中每一层的三个卷积核数目依次依次设置为128、128、64，将第四上采样层、第七上采样层、第九上采样层、第十上采样层中每一层的三个卷积核数目依次设置为64、32、32；将第一全连接层、第二全连接层、第三全连接层、第四全连接层节点总数均设置为32；将第一Dropout层、第二Dropout层、第三Dropout层、第四Dropout层节点总数均设置为32，置零概率均设置为0.5；将第一Softmax层、第二Softmax层、第三Softmax层、第四Softmax层节点总数均设置为5；(1e)嵌套神经网络的总损失函数为第一Softmax层、第二Softmax层、第三Softmax层、第四Softmax层输出的分类概率值的交叉熵损失函数的平均值，其单个交叉熵损失函数的计算方法如下公式表示：其中，L表示损失函数值，B表示批量的大小，∑表示求和操作，b表示样本的序号，D表示类别权重向量，Y_b表示第b个样本的真实值，Z表示第b个样本的分类概率值；(1f)网络模型的优化器使用的为学习率为0.0001的Adam优化器；(2)获取遥感卫星三维点云数据：从数据集中按三维点云场景提取遥感卫星的三维点云数据，将所提取的每个三维点云场景中所有三维点云数据组成一个序列，每个元素包括三个坐标值和两个特征值，坐标值包括x轴、y轴和z轴坐标值，特征值包括强度值和返回次数；(3)预处理三维点云数据：使用标准化方法，计算每个序列的每个元素中每个标准化后的特征值；(4)获取网络权重模型：将所有的特征值输入到嵌套神经网络中进行训练，直到步骤(1e)所述的交叉熵损失函数收敛，将收敛时的嵌套神经网络中的所有权重参数组成网络权重模型；(5)对三维点云数据进行分类：(5a)从待分类三维点云数据中随机采样8024个元素输入到网络权重模型中，输出赋予每个元素类别标签后的所有被采样元素；(5b)从待分类三维点云数据中选取一个未被采样的元素，使用K近邻算法，找到与所选未被采样元素相邻的13个已被分类的元素，选择该相邻13个已被分类元素中数量最多的元素类别作为该未被采样元素的类别；(5c)判断是否选完三维点云数据中所有未被采样元素，若是，则执行步骤(6)，否则，执行步骤(5b)；(6)生成梯度图、类别图、混合图：(6a)删除三维点云数据分类结果为树木的元素，利用K近邻算法，找出与分类结果不为树木的每个元素相邻的8个相邻元素；(6b)求每个元素与其所有相邻元素的z轴坐标值的差值，将所有差值的平均值作为该元素的梯度值；(6c)利用坐标投影法，根据三维点云与二维栅格地图的坐标的对应关系，将三维点云投影到二维栅格地图中；(6d)利用梯度阈值法，设置栅格的像素值，组成梯度图；(6e)统计投影到每个栅格中的每个类别的元素的数量，取元素数量最多的类别作为栅格的类别，不同的类别指定不同的像素值，组成类别图；(6f)找出所有梯度图中的所有像素值为255的像素点；(6g)找出类别图中所有与梯度图中像素值为255的像素点的位置相同的像素点，用类别图上相同位置的每一个像素点值一一对应替代梯度图中的每一个为255的像素点值，得到混合图；(7)修改混合图中栅格的类别标签：(7a)搜索混合图中像素值为255的像素点围成的闭合区域，统计闭合区域内每个栅格的类别标签，找到栅格数目最多的类别，用栅格数目最多的类别替换闭合区域内每个栅格的类别；(7b)对每个元素进行强度值归一化处理，得到每个元素的归一化后的强度值；(7c)利用坐标投影法，将每个元素的归一化后的强度值投影到对应的栅格中，取投影到每个栅格中所有元素的归一化后的强度值的最大值，作为该栅格的像素值，将所有栅格的像素值组成强度图；(7d)从混合图中选取一个分类结果为建筑的栅格，以强度图中相同位置的栅格为中心，搜索其相邻3×3区域内的栅格，将搜索区域中的每一个栅格的像素值与区域中心的像素值做差，将差值为±5的栅格的类别修改为建筑类别；(7e)判断混合图中建筑类别的栅格是否被选完，若是，则得到修改后混合图执行步骤(8)，否则，执行步骤(7d)；(8)修改三维点云的类别标签：(8a)找到修改后混合图中建筑类别的栅格对应的三维点云，将对应的三维点云的分类结果修改为建筑类别；(8b)输出修改后三维点云的分类结果。