基于输电单体化标注数据的训练无标注的点云配准方法与流程

摘要: 本发明涉及雷达测量标定,尤其涉及基于输电单体化标注数据的训练无标注的点云配准方法。背景技术:1、点云配准是将不同时间、不同视角或不同传感器获取的点云数据通过求解...
基于输电单体化标注数据的训练无标注的点云配准方法与流程

本发明涉及雷达测量标定,尤其涉及基于输电单体化标注数据的训练无标注的点云配准方法。

背景技术:

1、点云配准是将不同时间、不同视角或不同传感器获取的点云数据通过求解空间变换参数进行对齐的技术,是输电走廊多期数据对比分析、三维重建、智能巡检等应用的关键前置步骤。

2、目前,输电走廊点云配准面临的核心挑战之一在于跨源域差异。多期点云数据常来自不同传感器平台(机载lidar与地面lidar)、不同扫描视角(俯视与仰视)、不同采集参数,甚至跨越多类型输电塔结构。已有研究对跨源点云的分布特性与内在差异进行了系统分析,明确指出传感器异质性机制带来的低重叠度、大密度差异、局部结构冲突、尺度不一致以及异质噪声分布等根本性挑战。

3、为应对上述挑战,现有技术已提出多种改进方案。第一类是基于几何特征的传统方法,如迭代最近点算法(icp)及其变种,通过迭代优化最小化两点云之间的距离误差实现对齐,进而完成配准。第二类是引入语义信息的方法,如语义类别加权的icp框架(semantic-weighted icp)提出,基于不同语义对象的几何稳定性差异分配权重,进而通过场景级特征编码、物体级实例分割和点云级残差优化完成配准。

4、上述方法在各自适用场景下取得了一定成效,但本领域技术人员在应用中发现仍存在以下技术局限。对于基于几何特征的传统方法,其思路是在跨源差异发生时寻找“变化相对较小的几何特征”来完成匹配,该类方法严重依赖良好的初始位姿,在跨源场景下几何特征相似性度低时极易失效。对于基于语义类别权重的方法,其权重分配依赖于粗粒度的语义类别标签,同一类别内所有点共享相同权重,而实际物理场景中同类物体在不同采集条件下的几何稳定性并非恒定,例如树木在夏季与冬季的形态差异显著,静态语义权重无法对此作出响应。

5、由此可见,现有技术在处理跨源点云配准时均未从“特征在跨源条件下是否保持稳定”这一维度,对参与配准的特征进行系统性的区分与差异化处理。这是由于,在实际输电走廊跨源点云中,部分特征(如语义类别、结构拓扑)在不同传感器和采集条件下保持稳定,而另一部分特征(如局部密度、扫描视角、边界区域形态)则随采集条件发生显著变化,而发生显著变化的部分特征会影响点云配准效率。

6、因此,如何系统性地识别特征之间的稳定性差异并据此进行差异化处理,是当前输电走廊跨源点云配准领域亟待解决的技术问题。

技术实现思路

1、本发明的目的在于解决现有技术中输电走廊跨源点云配准时,容易在跨源使用时,点云配准效率低下的问题。

2、为解决上述技术问题,本发明提供如下技术方案:

3、基于输电单体化标注数据的训练无标注的点云配准方法,包括:

4、获取基于单体化标注点云数据预训练后的语义分割模型;其中,所述语义分割模型用于输出每个点云的语义类别标签、实例标识和边界置信度,并存储各物体实例的结构模板;

5、对源点云和目标点云分别执行语义分割与实例分割,得到语义类别标签、实例标识和边界置信度;

6、根据所述语义类别标签和结构模板,确定公域特征;其中,所述公域特征包括语义类别标签和所述结构模板中的空间拓扑关系;

7、根据所述语义类别标签、实例标识、边界置信度以及点云的空间坐标,确定私域特征;其中,所述私域特征包括局部点密度、观测视角相关参数、季节变化系数以及边界置信度中的至少一种;

8、基于所述公域特征构建刚性锚点约束,基于所述私域特征计算每个候选对应点对的自适应权重;

9、将所述刚性锚点约束与所述自适应权重融合,生成加权后的点对特征匹配得分,并通过求解初始变换参数完成粗配准。

10、进一步的,所述预训练包括:

11、获取输电走廊的单体化标注点云数据;所述单体化标注点云数据包括基于实例级别物体区分后的物体实例以及各物体实例之间的空间边界位置;

12、基于所述单体化标注点云数据对语义分割模型进行预训练,所述预训练包括:以语义分割任务为第一训练目标,使所述语义分割模型学习多场景下的点云语义理解能力;以实例分割任务为第二训练目标,使所述语义分割模型学习区分同一语义类别下的不同物体实例;以边界置信度预测任务为第三训练目标,使所述语义分割模型学习预测每个点的边界置信度;其中,所述边界置信度的预测依赖于从所述单体化标注点云数据中提取的语义类别边界的空间分布先验;

13、将预训练后的语义分割模型部署到目标场景,对目标场景中的待配准点云数据执行语义分割、实例分割及边界置信度预测,得到每个点的语义类别标签、实例标识以及边界置信度。

14、进一步的,所述预训练还包括:

15、从所述单体化标注点云数据中学习每种语义类别物体的结构模板;其中,所述结构模板包括物体实例的空间拓扑关系、各部件的相对位置约束及整体几何轮廓;

16、将预训练后的语义分割模型部署到目标场景后,对每期点云中的每个物体实例,根据其语义类别标签和实例标识,匹配对应的结构模板;

17、将目标物体实例的点云与对应结构模板进行空间对齐,计算缺失区域的占比;基于缺失区域的占比,生成结构完整性置信度;其中,缺失区域的占比与结构完整性置信度呈反比;

18、在构建加权损失函数时,将所述点云结构完整性置信度与所述边界置信度的乘积作为匹配点对的综合权重,并降低因跨期视角差异或遮挡而导致点云结构不完整的物体实例的权重。

19、进一步的,所述实例级别的物体区分包括:

20、所述单体化标注点云数据通过对输电走廊的点云数据进行单体化处理,得到多个单体化对象;其中,所述单体化对象包括电塔对象、导线对象、绝缘子对象、植被对象和地面对象;

21、对同类别中的不同物体实例进行个体化区分,并标注各物体实例之间的精确空间边界位置;其中,导线对象的区分包含导线级实例分离,绝缘子对象的区分包含对每串绝缘子的独立区分。

22、进一步的,所述空间边界位置的标注方式包括:

23、对每个物体实例,标注对应物体实例与空气之间的分界面,以及对应物体实例与其他物体实例之间的过渡边界位置;

24、其中,对于导线对象,标注导线点云与周围空气之间的分界面;

25、对于电塔对象,标注塔身与外部空间的分界面以及塔身与绝缘子连接点处的边界;

26、对于植被对象,标注树冠轮廓与背景的交界。

27、进一步的,所述以语义分割任务为第一训练目标具体包括:

28、预训练数据集覆盖至少两种不同传感器类型的点云数据;其中,所述传感器类型包括机载雷达、地面雷达和手持雷达;

29、预训练数据集覆盖至少两种不同点云密度和至少两种不同扫描视角的点云数据;

30、预训练数据集覆盖至少两种不同杆塔结构类型的点云数据;其中,所述杆塔结构类型包括直线塔、耐张塔和大跨越塔;

31、上述各点云数据通过单体化标注方式进行标注。

32、进一步的,以边界置信度预测任务为第三训练目标具体包括:

33、基于单体化标注点云数据中标注的所述空间边界位置,计算每个点云点到其所属物体实例最近边界的距离,并基于距离构造边界置信度标签;

34、在语义分割网络的基础上增设分支网络,所述分支网络用于预测每个点的边界置信度;采用多任务损失函数进行预训练,所述多任务损失函数为:

35、;

36、其中,为语义分割损失,为边界置信度回归损失,为平衡所述语义分割损失与所述边界置信度回归损失的预设权重系数;

37、所述边界置信度标签的构造方式为:

38、基于每个点云点,计算其到对应所属物体实例最近边界的欧氏距离,并基于欧氏距离计算边界置信度;其中,所述边界置信度的计算公式如下:

39、;

40、其中,为对应的点云点,为每个点云点到对应所属物体实例最近边界的欧氏距离,为预设距离阈值。

41、进一步的,以所述边界置信度为自适应权重,构建加权损失函数,并通过最小化所述加权损失函数求解两期或多期点云之间的变换参数,完成跨源配准具体包括:

42、对两期点云,基于语义类别标签仅允许语义类别相同的点之间建立对应关系;对每一对匹配点,计算其综合权重,综合权重的计算公式如下所示:

43、;

44、其中 ,为该对匹配点,和分别为点云点和点云点的边界置信度;

45、所述加权损失函数如下所示:

46、;

47、其中 ,为旋转矩阵,为平移向量,为第 对匹配点的综合权重;为参与损失计算的对应点对的数量;

48、对所述加权损失函数进行最小化,采用加权奇异值分解法求解所述旋转矩阵和所述平移向量。

49、进一步的,还包括:

50、获取目标场景中每期点云的局部点密度分布;其中,所述局部点密度以每个点云点为中心、以预设半径为邻域,统计邻域内的点云数量作为该点的局部点密度;

51、对于局部点密度低于第一预设密度阈值的稀疏区域,将所述稀疏区域内点的边界置信度乘以衰减系数;其中,所述衰减系数与局部点密度成反比;

52、对于局部点密度高于第二预设密度阈值的密集区域,保持所述密集区域内点的边界置信度不变。

53、进一步的,还包括以下至少一种分析任务的步骤:

54、基于配准后的点云数据计算杆塔结构的形变参数,进行杆塔历史数据对比分析;其中,所述形变参数包括塔身倾斜角度和横担偏移量;

55、基于配准后的点云数据计算植被高度变化量和冠层扩张范围,完成森林长势分析;

56、基于配准后的点云数据提取导线轨迹,结合悬链线方程计算弧垂量,完成导线弧垂振荡分析,并基于时间序列数据量化弧垂的动态震荡特征。

57、本发明的有益效果:

58、第一,本发明提供的基于输电单体化标注数据的训练无标注的点云配准方法,通过从单体化标注点云数据中预训练语义类别边界的空间分布先验,并在配准阶段将该先验转化为边界置信度作为自适应权重嵌入加权icp损失函数,其采用乘积形式的综合权重。因而,解决了现有技术中,语义类别固定权重粒度过粗、无法区分同一语义类别内部点与边界点可靠性差异的问题。由此,起到了配准中权重精确化调节、精配准阶段边界区域配准误差显著降低的作用。

59、第二,本发明通过将输电走廊跨源点云中的特征划分为公域特征与私域特征,基于公域特征构建刚性锚点约束、基于私域特征计算自适应权重并将二者融合于粗配准阶段。借此,解决了现有技术因未区分特征跨源稳定性差异而无法系统性地识别并抑制可变特征对配准干扰的问题。因而,起到了在无需目标场景配准标注数据的前提下,实现提高跨机型、跨雷达、跨塔型初始位姿估计稳定性的作用。