1.激光雷达点云数据城市地物PointEFF精细分类方法,其特征在于:①通过提取点云手工设计描述符(hand crafted descriptors),获得更加丰富的点云几何结构信息,解决了传统的基于深度学习的领域特征池化方法在提取点云局部特征时没有考虑点与点之间的结构信息的缺陷②在模型上采样阶段构建外部特征融合模块(External Feature Fusion)模块,改善了传统的基于深度学习的领域特征池化方法在上采样过程中因插值操作造成的点云局部信息损失问题,极大的提高了模型在复杂地物分类上,特别是对粗糙表面分类的分类精度;
其特征还在于由点云数据分块、端对端特征提取层、外部特征融合层组成。
2.根据权利要求1所述的激光雷达点云数据城市地物PointEFF精细分类方法,其特征在于,按如下步骤对点云数据进行分块:设点集为R,其中第一个点为p1=(x1,y1,z1)∈R,其余点为pR‑1=(xR‑1,yR‑1,zR‑1)∈R,pR‑1到p1的欧式距离为:根据每个样本点到p1的欧式距离和分块区域的点数m,划分出p1的领域为{p1,p1…,pm}后再迭代计算点集内剩余点到pm+1点的距离,直至点集内所有点被划分完毕。
3.根据权利要求1所述的激光雷达点云数据城市地物PointEFF精细分类方法,其特征在于,按照如下步骤构建端对端特征提取层:端对端特征提取层包括网络编码器和解码器两部分;编码器通过抽象集合操作对一组点进行处理和抽象,以递归提取点云局部区域的多尺度特征;解码器通过特征传播操作操作逐渐恢复空间维度,融合编码过程中提取到的特征,在尽可能减少信息损失的前提下完成同尺度的输入输出;二者通过两组跳跃链接模块来传递同尺度的特征;
网络编码器包含三次抽象集合操作,抽象集合由采样层、分组层和特征提取层三部分组成;首先,将具有3维属性(x,y,z)的N个激光雷达点输入到我们的网络中,采样层通过迭代最远点采样算法(Farthest Point Sampling)选择N′点来定义局部区域的N′个质心;
之后在分组层中,通过球查询算法(query ball),设定半径r,搜索质心范围r内相邻的k点构建局部区域;在执行采样层和分组层之后,激光雷达点被采样成N′中心簇,每个中心簇包含k个点和它们的36维属性,输出涉及一组大小为N′×k×36的点集;最后,我们通过特征提取层将这些局部区域编码为特征向量;将点集输入MLP网络,输出为N′×k×C,其中C为通过MLP提取的特征,每个中心簇再经过最大池化(max‑pooling)操作,选取每个中心簇中最大的特征作为区域特征,输出为N′×C;
经过三次抽象集合,直至输出为1×1024的全局特征;
网络解码器由三次特征传播操作和二组跳跃链接模块构成,其利用上采样操作逐渐恢复空间维度,融合编码过程中提取到的特征,在尽可能减少信息损失的前提下完成同尺度的输入输出;在特征传播层中,为了将学习到的特征从采样点传播到原始点,对于通过编码器得到的N″×C′维特征图,首先使用反距离加权算法(Inverse Distance Weighted)进行插值,计算每个待插值点到所有点的距离,计算出权重,将点数从N″插值到N′,得到插值后的N×C维特征图;再通过跳跃链接模块链接同尺度下编码器得到的C维特征图,得到N×(C′+C)维特征图;最后通过多层感知器(MLP),得到N×C″′维特征图;
在经过三层特征传播层后,得到N×128维特征图。
4.根据权利要求1所述的激光雷达点云数据城市地物PointEFF精细分类方法,其特征在于,按照如下步骤构建外部特征融合层:外部特征融合层由手工设计描述符的提取和外部特征融合模块构成;本方法选择快速点特征直方图作为外部特征融合模块的输入;
利用最小二乘法平面拟合求得点云法线,根据求得的法向量,建立两点之间的局部坐标系:μ=ηs
ω=μ×υ
点法线对之间的差异可以用以下角度表示:
α=υ·ηt
θ=arctan(ω·ηt,μ·ηt)
d=||pt‑ps||2
然后对这些角度量化形成点特征直方图PFH;
快速点特征直方图的特征表示为:
在获取快速点云点特征直方图后,将端对端特征提取层得到的N×128维特征图和N×
33维快速点特征直方图作为输入传递进外部特征融合模块;在外部特征融合模块中,端对端特征提取层得到特征为:
128
x∈R
快速点特征直方图的特征为:
33
y∈R
通过拼接(concatenate)操作得到新的特征图为:
128+33
z=[x,y]∈R
拼接操作完毕后,再通过多层感知机,得到N×128维特征图,即每个点都有128维特征;
最后,输入特征图,通过一维卷积得到点云类别标签,激光雷达点云数据城市地物PointEFF精细分类方法设计完。