基于自适应局部轻量多层感知机的山区输电走廊LiDAR点云地面滤波方法
本发明涉及点云处理,具体涉及一种基于自适应局部轻量多层感知机的山区输电走廊lidar点云地面滤波方法。
背景技术:
1、机载激光雷达(light detection and ranging,lidar)能够快速获取地表、植被、输电杆塔、导线及其他地物的高精度三维空间信息,已成为输电走廊安全分析、目标识别、数字地形建模和智能运维巡检的重要数据来源。在上述应用中,均需要先将地面点与植被、建筑物、杆塔基础、导线等非地面点可靠分离,以建立稳定的地形参考,因此,点云地面滤波是输电走廊激光点云数据处理的首要环节,其精度直接影响后续危险点检测、净空距离量测与数字高程模型构建的可靠性。
2、相较于平坦区域,山区输电走廊的地形条件与地物分布更为复杂:一方面,走廊沿线通常同时存在陡坡、山脊、沟谷、台阶式地形和显著的高程突变;另一方面,密集植被遮挡会造成地面回波稀疏甚至缺失,低矮植被与真实地面在高程上容易重叠,而杆塔、塔基及低垂导线又会在局部形成高程异常结构。上述因素相互叠加,导致山区输电走廊点云的地面点提取难度显著增加。
3、现有lidar点云地面滤波方法主要包括基于坡度或空间聚类的方法、基于数学形态学的方法、基于参考曲面的方法以及基于学习分类的方法。
4、基于坡度或空间聚类的方法通过在固定空间尺度上比较相邻点或栅格单元之间的高差、坡度与预设阈值来判别地面点。例如,文献[1]公开了一种基于空间聚类的机载lidar点云地面滤波方法,通过对点云进行空间聚类并依据高程特征实现地面点与非地面点的分离;文献[2]公开了一种地面滤波方法及装置,通过栅格化点云并依据栅格内的高程统计特征与阈值条件提取地面点。此类方法结构简单、解释性较好,在平缓地形中能够取得较稳定的滤波效果;但其滤波性能依赖于固定的空间尺度和固定的高差、坡度阈值,当地形坡度、曲率和点密度发生明显变化时,同一阈值难以同时适配平缓区域与陡坡区域,容易出现真实地面点被过度剔除或低矮非地面点被错误保留的问题。
5、基于参考曲面的方法通过渐进构建近似地面的参考曲面,并依据点到参考曲面的残差判别地面点。文献[3]提出了渐进不规则三角网加密(progressive tindensification,ptd)方法,以种子点构建初始三角网并逐步加密地面点;文献[4]提出了基于布料模拟(cloth simulation filtering,csf)的点云滤波方法,将点云高程反转后利用模拟布料下落过程逼近地面。此类方法在多数地形条件下具有较好的适应性,但仍存在以下不足:其一,初始地面种子多取自栅格最低点,易受低矮植被、输电设施局部异常低点及噪声的污染,使参考曲面偏离真实地面;其二,单一全局曲面或粗尺度参考面对山区空间非平稳地形的表达能力有限,容易过度平滑山脊、沟谷和坡折区域,使参考地形难以跟随剧烈的局部地形变化;其三,残差判别通常采用固定阈值,在陡坡和强起伏区域容易将真实地面点误判为非地面点。
6、基于学习分类的方法利用深度神经网络从点云中提取空间特征并直接输出点的类别标签,例如文献[5]提出的pointnet++网络通过分层集合抽象实现了点云语义分割。此类方法能够从标注数据中学习复杂的空间特征,但通常需要足量且具有代表性的标注训练样本;当训练场景与实际输电走廊在地形类型、点密度、地理区域、遮挡状态或采集条件上存在差异时,模型容易产生域偏移,导致分类精度下降;且深度网络的离线训练耗时较长、对图形处理器显存资源依赖较大。此外,端到端语义分类直接输出离散类别标签,难以显式提供连续地形高程、地形梯度以及点到地形面的高程残差,不利于后续基于几何关系的精细判别。
7、综上,如何在不依赖外部标注训练数据的条件下,抑制低植被及局部异常低点对初始地面种子的污染,构建能够随局部地形变化自适应调整的连续地形参考,并使地面判别的残差阈值兼顾平缓区域与陡坡强起伏区域,从而提高山区输电走廊点云地面滤波中地面点的保留能力与非地面点的抑制能力,是本领域亟待解决的技术问题。
8、引证文献:
9、文献[1]:河海大学. 基于空间聚类的机载lidar点云地面滤波方法:中国,cn104574303a[p]. 申请日:2014-12-26,公开日:2015-04-29.
10、文献[2]:北京京东乾石科技有限公司. 地面滤波方法及装置:中国,cn112649794a[p]. 申请日:2019-10-12,公开日:2021-04-13.
11、文献[3] :axelsson p. dem generation from laser scanner data usingadaptive tin models[j]. international archives of photogrammetry and remotesensing, 2000, 33(b4): 110-117.
12、文献[4] :zhang w, qi j, wan p, et al. an easy-to-use airborne lidardata filtering method based on cloth simulation[j]. remote sensing, 2016, 8(6): 501.
13、文献[5] :qi c r, yi l, su h, et al. pointnet++: deep hierarchicalfeature learning on point sets in a metric space[c]//advances in neuralinformation processing systems (neurips). 2017: 5099-5108.
技术实现思路
1、为解决现有lidar点云地面滤波方法存在初始地面种子易受低植被及局部异常低点污染、单一全局参考曲面难以跟随山区空间非平稳地形变化、固定残差阈值无法兼顾平缓区域与陡坡区域、以及监督学习方法依赖外部标注训练数据且易产生域偏移的问题。本发明提供一种基于自适应局部轻量多层感知机的山区输电走廊lidar点云地面滤波方法,在不依赖外部标注训练数据的条件下,通过双尺度栅格种子筛选、重叠滑动窗口内局部轻量多层感知机在线回归、多窗口加权融合构建连续地形趋势面以及坡度自适应残差阈值判别,实现山区强起伏、植被遮挡及输电设施干扰条件下高精度、高连续性的输电走廊点云地面滤波。该方法能够降低低植被和异常低点对地面种子的污染、自适应跟随山脊沟谷等局部非线性地形变化、兼顾平坦区与陡坡区的地面点保留与非地面点抑制能力,且无需离线训练和gpu资源,兼具滤波精度、地形适应性与计算效率。
2、本发明采取的技术方案为:
3、基于自适应局部轻量多层感知机的山区输电走廊lidar点云地面滤波方法,包括以下步骤:
4、s1:获取待处理的机载lidar三维点云并进行预处理,采用双尺度栅格策略从预处理后的三维点云中提取初始地面种子;
5、s2:将三维点云在水平面划分为相互重叠的局部滑动窗口,对各滑动窗口内的初始地面种子进行局部坐标归一化,以归一化后的平面坐标为输入、归一化地面高程为输出,在线训练轻量多层感知机,得到各滑动窗口的局部地形高程预测结果;
6、s3:对各滑动窗口产生的局部地形高程预测结果进行加权融合,获得离散地形趋势高程,并基于所述离散地形趋势高程构建连续全局地形趋势面;
7、s4:根据所述连续全局地形趋势面的局部坡度,建立自适应高程残差阈值;
8、s5:计算三维点云中各点的实测高程与所述连续全局地形趋势面之间的高程残差,根据所述自适应高程残差阈值判定地面点,得到地面点云。
9、所述s1中,所述预处理包括:
10、s1.1:获取待处理的机载lidar三维点云:
11、;
12、其中,表示待处理的机载lidar三维点云,表示三维点云中的第个点,表示三维点云的全局点索引,、、分别表示第个点在轴、轴和轴方向的坐标,即为第个点的实测高程,表示点云总点数;
13、s1.2:对所述三维点云进行体素栅格降采样:
14、将三维空间划分为边长为的体素栅格,每个体素栅格内保留一个代表点,其中:表示体素栅格边长;
15、s1.3:对降采样后的三维点云进行统计离群点去除:
16、计算第个点到其最近个邻近点的平均距离,以及全部点的平均距离的均值和标准差,剔除满足下式的孤立噪声点:
17、;
18、其中,表示近邻点数量,表示第个点到其最近个邻近点的平均距离,表示全部点的平均距离的均值,表示全部点的平均距离的标准差,表示比例系数。
19、所述s1中,所述双尺度栅格策略包括:
20、在水平面上建立边长为的小尺度栅格,选取每个小尺度栅格内高程最低的点作为候选地面种子:
21、;
22、其中,表示小尺度栅格边长,表示小尺度栅格索引,表示第个小尺度栅格内的点集,表示候选地面种子,表示使高程取得最小值的点。
23、所述双尺度栅格策略还包括:
24、建立边长为的大尺度栅格,且,计算每个大尺度栅格内的区域最低高程;当候选地面种子的高程与其所在大尺度栅格的区域最低高程满足下式时,将所述候选地面种子保留为初始地面种子,否则予以剔除:
25、;
26、其中,表示大尺度栅格边长,表示候选地面种子的高程,表示候选地面种子所在大尺度栅格的区域最低高程,表示高程差阈值。
27、所述s2包括:
28、s2.1:将三维点云在水平面划分为边长为的滑动窗口,滑动步长为,且,使相邻滑动窗口在水平方向形成的重叠区域,其中,表示滑动窗口边长,表示滑动步长;
29、s2.2:对于第个滑动窗口,表示滑动窗口索引,以窗口水平中心为平面参考、以窗口内初始地面种子的平均高程为高程参考、以为归一化尺度,对落入该滑动窗口内的第个点进行局部坐标归一化:
30、;
31、其中,、表示第个滑动窗口的水平中心坐标,表示第个滑动窗口内初始地面种子的平均高程,表示归一化尺度,、、分别表示第个点在第个滑动窗口内的三维坐标,、、分别表示对应的归一化坐标;
32、所述平平均高程为:
33、;
34、其中,表示第个滑动窗口内初始地面种子的数量,表示初始地面种子索引,表示第个滑动窗口内第个初始地面种子的实测高程。
35、所述s2中,所述轻量多层感知机为单隐层网络,隐层包含6个神经元并采用tanh激活函数;第个滑动窗口的轻量多层感知机以归一化平面坐标为输入、归一化地面高程为输出,其前向传播过程为:
36、;
37、;
38、其中,表示第个点在第个滑动窗口内的归一化平面坐标向量,表示第个滑动窗口的轻量多层感知机输出的归一化地面高程预测值,表示隐层输出向量;表示tanh激活函数,,表示激活函数自变量,表示以自然常数为底的指数函数;表示输入层至隐层的维实数权重矩阵,表示6维实数隐层偏置向量,表示隐层至输出层的6维实数权重向量,表示实数输出层偏置,四者共同构成所述轻量多层感知机的可训练参数;利用第个滑动窗口内的初始地面种子对所述可训练参数进行在线优化,无需外部离线标注训练数据;并将归一化地面高程恢复至原始高程尺度:
39、;
40、其中,表示第个滑动窗口的轻量多层感知机在第个点位置预测的原始尺度地形高程,即局部地形高程预测结果。
41、所述在线优化采用分位数非对称损失:
42、;
43、其中,表示分位数非对称损失函数,表示分位系数且,表示局部残差;第个滑动窗口的平均训练损失为:
44、;
45、其中,表示第个滑动窗口的平均训练损失,表示第个滑动窗口内第个初始地面种子的归一化实测高程与归一化地面高程预测值之间的残差;当时,预测曲面高于初始地面种子点所对应的残差受到更大的惩罚,使所述轻量多层感知机的拟合结果具有低分位下包络趋势。
46、所述s3包括:
47、s3.1:将第个滑动窗口对第个点的局部地形高程预测结果记为,计算第个点在第个滑动窗口内到窗口中心的归一化水平距离:
48、;
49、其中,表示第个点在第个滑动窗口内到窗口中心的归一化水平距离;并根据归一化水平距离确定融合权重:
50、;
51、其中,表示第个滑动窗口对第个点预测结果的融合权重;
52、s3.2:设为覆盖第个点且融合权重大于0的有效滑动窗口集合,对各有效滑动窗口的局部地形高程预测结果按照所述融合权重进行归一化加权平均,得到离散地形趋势高程:
53、;
54、其中,表示第个点经多窗口加权融合得到的离散地形趋势高程;
55、s3.3:基于所述离散地形趋势高程采用自然邻域插值构建连续全局地形趋势面,第个点处的参考地形高程为:
56、;
57、其中,表示连续全局地形趋势面,表示连续全局地形趋势面在第个点处的参考地形高程。
58、所述s4包括:
59、s4.1:将所述连续全局地形趋势面记为,对进行局部梯度分析,第个点处的梯度向量和坡度幅值分别为:
60、;
61、;
62、其中,表示连续全局地形趋势面在第个点处的梯度向量,表示第个点处的坡度幅值,、分别表示所述连续全局地形趋势面沿轴方向和轴方向的偏导数;
63、s4.2:对所述坡度幅值进行最小-最大归一化,得到归一化坡度比:
64、;
65、其中,、分别表示所述连续全局地形趋势面上参与计算点的最小坡度幅值和最大坡度幅值,表示用于防止归一化分母为零的数值常数,表示第个点处的归一化坡度比,且。
66、所述s5包括:
67、s5.1:将所述连续全局地形趋势面在第个点处的参考地形高程记为,计算第个点的实测高程与参考地形高程之间的高程残差:
68、;
69、其中,表示第个点的高程残差;
70、s5.2:根据第个点处的归一化坡度比,建立自适应高程残差阈值:
71、;
72、其中,表示第个点对应的自适应高程残差阈值,表示基础残差阈值,表示坡度调节系数;
73、s5.3:设置负残差容差,将满足的点判定为地面点,得到地面点索引集合:
74、;
75、其中,表示负残差容差,表示地面点索引集合;其余点判定为非地面点。
76、本发明一种基于自适应局部轻量多层感知机的山区输电走廊lidar点云地面滤波方法,技术效果如下:
77、1)针对初始地面种子易受低植被及局部异常低点污染的问题:本发明采用由小尺度栅格和大尺度栅格构成的双尺度栅格策略提取初始地面种子,小尺度栅格保证了种子点在山区复杂地形中的空间覆盖密度,大尺度栅格提供的区域最低高程参考能够对候选最低点进行二次筛选,有效降低低矮植被、输电设施局部异常低点以及孤立噪声对初始地面种子的污染,提高了初始地面种子的可靠性。
78、2)针对单一全局参考曲面对山区空间非平稳地形表示不足的问题:本发明将点云划分为相互重叠的局部滑动窗口,在每个窗口内利用轻量多层感知机对局部地形趋势进行在线回归,使地形建模能够随局部地形变化自适应调整,相较于单一全局曲面更容易跟随山脊、沟谷、坡折等强起伏区域的局部非线性地形变化,避免了对地形突变区域的过度平滑。
79、3)针对固定残差阈值难以兼顾平缓区域与陡坡强起伏区域的问题:本发明基于连续全局地形趋势面的局部梯度建立随地形起伏程度变化的自适应高程残差阈值,在平坦区域收紧地面判定范围以增强对低矮非地面点的抑制能力,在陡坡和强起伏区域放宽残差容差以降低真实地面点被误剔除的风险,从而兼顾了地面点保留能力与非地面点抑制能力。
80、4)针对监督学习方法依赖外部标注训练数据且易产生域偏移的问题:本发明的轻量多层感知机直接利用当前场景自动提取的初始地面种子进行在线训练,无需外部离线标注训练数据,从根本上避免了训练场景与实际输电走廊在地形类型、点密度、地理区域、遮挡状态或采集条件差异所引起的域偏移问题,同时省去了离线训练成本和对图形处理器显存资源的依赖。
81、5)针对局部模型在窗口边界处预测不连续及遮挡区域参考地形缺失的问题:本发明通过对重叠滑动窗口的预测结果进行随距离变化的加权融合,削弱了不同局部模型在窗口边界处的不稳定影响;进一步通过插值构建连续全局地形趋势面,补全了因窗口覆盖差异、局部种子不足和植被遮挡造成的局部空缺,使地形梯度和高程残差能够在连续参考面上统一计算,保证了地面判别结果的连续性和完整性。
82、6)针对端到端语义分类难以显式提供地形几何信息的问题:本发明显式构建了连续地形参考面,并在此基础上直接获得各点的地形梯度、归一化坡度比及高程残差等几何量,为输电走廊后续的危险点检测、净空距离量测和数字地形建模提供了稳定、可解释的地形参考。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com