买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：湖南盛鼎科技发展有限责任公司

摘要：本发明公开了一种基于k近邻特征提取和深度学习的宅基地点云分类方法，包括：S1，采集数据集，数据集包括数量在预设值以上的宅基地点云，通过统计学方法进行点云去噪，并将数据集划分为训练集和测试集；S2，对点云进行分类，获得带标签的点云数据；S3，使用最远点采样对点云进行下采样，降低点云密度；S4，基于香浓熵原理计算点云的最优邻域范围，根据最优邻域范围，逐点计算局部特征，通过反距离插值上采样后构建整个点云的特征矩阵；S5，构建全卷积神经网络训练模型，并使用训练集的特征矩阵进行训练；S6，使用神经网络对测试集中的数据进行预测，对训练模型进行验证。本发明的方法可以提高宅基地确权效率。

主权项：1.一种基于k近邻特征提取和深度学习的宅基地点云分类方法，其特征在于，所述方法包括：S1，采集数据集，数据集包括数量在预设值以上的宅基地点云，通过统计学方法进行点云去噪，并将数据集划分为训练集和测试集；S2，对点云进行分类，获得带标签的点云数据；S3，使用最远点采样对点云进行下采样，降低点云密度；S4，基于香农熵原理计算点云的最优邻域范围，根据最优邻域范围，逐点计算局部特征，通过反距离插值上采样后构建整个点云的特征矩阵；S5，构建全卷积神经网络训练模型，并使用训练集的特征矩阵进行训练；S6，使用全卷积神经网络训练模型对测试集中的数据进行预测，对全卷积神经网络训练模型进行验证；步骤S1进一步包括：S101，利用搭载激光雷达的无人机扫描待测量区域，通过点云解算获得las文件；S102，在TerraSolid上将采集的点云进行分割，获得预设尺寸的点云块，按比例分出训练集和测试集；S103，对每一块点云进行统计学滤波；步骤S2进一步包括：S201，提取低点，低点为比实际地面低的错误点；S202，提取地面点；S203，提取植被点和建筑物点；S204，针对错误分类的点，进行人工修正；步骤S3进一步包括：假设一共有n个点，整个点集为N＝{X1,X2,...,Xn}，目标是选取K个点；S301，随机选取一个点Xi作为起始点，并写入点集B＝{Xi}；S302，选取剩下的n-1个点计算和Xi点的距离,选择距离最大的点Xj写入点集B＝{Xi,Xj}；S303，选取剩下的n-2个点计算和点集B中每个点的距离，将最短的距离作为该点到点集的距离，得到n-2个点到点集B的距离，选取n-2个点到点集B的距离中距离最大对应的点Xk，写入点集B＝{Xi,Xj,Xk}；S304，重复上述步骤逐一选取剩下的点，选择距离最大对应的点写入点集B直至点集B中的点数等于K，结束迭代；步骤S4进一步包括：S401，利用快速最近邻算法逐点计算前kmax个最近邻点；S402，基于最小化香农熵算法对邻域大小进行优化求解；S403，计算点云的局部特征，构建特征矩阵，局部特征包括三维特征和二维特征；S404，选用基于k邻域的反距离插值算法对点云特征进行差值；步骤S402进一步包括：在[kmin,kmax]范围内以步长为5的间隔计算三维协方差矩阵；设m为样本总数，即该邻域内点云总数，每个点以三维向量进行表示，则样本矩阵为： 求每一维度的样本均值，即该邻域的质心点： 计算该邻域的三维协方差矩阵： 其中wi为点pi的权重；通过奇异值分解三维协方差矩阵，即V-1CPV＝D，获得对角矩阵D，其包含三个非负特征值λ1,λ2,λ3，且V为正交矩阵，其由三个与特征值相对应且相互垂直的特征向量组成，对特征值排序，得λ1＞λ2＞λ3；对特征值进行归一化，计算该邻域的香农熵：Eλ＝-e1lne1-e2lne2-e3lne3其中，ei＝λi∑λi,i∈{1,2,3}，ei为归一化特征值，ei累加和为1，对比不同邻域范围时的香农熵，取香农熵最小时的k作为最优邻域值；选用基于k邻域的反距离插值算法对点云特征进行差值的计算公式如下： 其中，p为加权幂指数，dx,xi为该点xi,yi,zi和中心点x,y,z的距离；步骤S403进一步包括：三维协方差矩阵特征包括：曲率、线性度、平面度、离散度、各向同性、各向异性、本征熵和特征值的和；曲率Cλ通过以下公式计算： 线性度Lλ通过以下公式计算： 平面度Pλ通过以下公式计算： 离散度Sλ通过以下公式计算： 各向同性Oλ通过以下公式计算： 各向异性Aλ通过以下公式计算： 本征熵Eλ通过以下公式计算： 特征值的和Σλ通过以下公式计算：Σλ＝e1+e2+e3其中，λ1,λ2,λ3为三维协方差矩阵的特征值，e1,e2,e3为归一化特征值；点云二维局部特征包括：特征值的和、特征值比率、二维平面的圆半径和离散度；特征值的和Σλ,2D通过以下公式计算：Σλ,2D＝λ1+λ2特征值比率Rλ2D通过以下公式计算： 二维平面的圆半径rk-NN,2D通过以下公式计算： 离散度D2D通过以下公式计算： 其中，xk,yk为某一点的最优邻域内离该点距离最大的邻点，k为该点的最优邻域值；点云三维几何结构特征包括：三维球半径、三维点密度、高程范围、高程方差和垂直度；三维球半径rk-NN,3D通过以下公式计算： 三维点密度D3D通过以下公式计算： 高程范围δz通过以下公式计算：δz＝zmax-zmin高程方差通过以下公式计算： 垂直度θ通过以下公式计算： 其中，xk,yk,zk为某一点的最优邻域距离该点最远的邻点坐标，k为最优邻域值，为所有邻域点的平均高程，为单位法向量，其由最小三维方差矩阵的特征值对应的特征向量归一化求得，为z轴单位向量；步骤S5进一步包括：S501，建立多层感知机，多层感知机包括输入层、隐藏层和输出层，隐藏层中的神经元分别与输入层和输出层中的神经元完全连接；S502，建立全局特征提取模块，全局特征提取模块通过maxpooling函数对点云的所有特征进行最大池化，聚合点云的特征后获得全局特征；S503，建立语义分割模块，语义分割模块聚合全局特征和局部特征，通过多层感知机输出每个点云每个类别的概率，选定概率值最大的类别为点云的类别；S504，定义损失函数。

全文数据：

权利要求：

百度查询： 湖南盛鼎科技发展有限责任公司 基于k近邻特征提取和深度学习的宅基地点云分类方法