无人机边坡点云自适应滤波方法、装置、终端及介质与流程

摘要: 本发明涉及无人机遥感与点云处理,具体涉及一种无人机边坡点云自适应滤波方法、装置、终端及介质。背景技术:1、现有的无人机边坡植被滤波方法通常利用彩色激光雷达(li...
无人机边坡点云自适应滤波方法、装置、终端及介质与流程

本发明涉及无人机遥感与点云处理,具体涉及一种无人机边坡点云自适应滤波方法、装置、终端及介质。

背景技术:

1、现有的无人机边坡植被滤波方法通常利用彩色激光雷达(lidar)点云中的空间、颜色或回波信息,通过固定阈值、聚类规则或机器学习模型区分地面点与植被点。

2、但公路边坡具有坡度大、起伏强、碎石和微地貌与低矮植被混杂等特点,颜色信息还易受阴影和遮挡影响。与此同时,植被在萌芽、旺盛、枯黄和落叶阶段的颜色、冠层结构及回波特征持续变化。现有方法多采用固定特征组合和固定模型,未根据当前物候状态及地形复杂度评价各类特征的可靠性,容易造成不同季节或高陡边坡区域植被点漏剔、真实地面点误删及滤波结果不稳定。

技术实现思路

1、针对现有技术存在的不足,本发明提出一种无人机边坡点云自适应滤波方法、装置、终端及介质,旨在实现点云特征组合随物候状态和地形环境的实时、自适应调整,提升滤波精度的稳定性。

2、第一方面,本技术实施例提供了一种无人机边坡点云自适应滤波方法,包括:

3、获取目标地块的彩色激光雷达点云数据,并对所述彩色激光雷达点云数据进行空间分块,得到若干局部点云块;

4、根据每个所述局部点云块,构建粗地形基准面,得到计算地形复杂度、物候状态向量以及地形校正可靠度;

5、针对每个所述局部点云块中的每个点,提取至少包括颜色特征、几何特征和回波特征的多类点级特征,并根据所述地形复杂度、物候状态向量以及地形校正可靠度对所述多类点级特征进行动态门控与加权融合,得到每个点的动态重构特征;

6、将所述动态重构特征输入所述特征自适应分类模型,对每个点进行地面点与植被点的分类,并根据分类结果剔除植被点,得到滤波后的地面点云。

7、可选地,所述根据每个所述局部点云块,构建粗地形基准面,得到计算地形复杂度、物候状态向量和地形校正可靠度,包括:

8、针对每个所述局部点云块,基于点云高程分布构建粗地形基准面,并根据所述粗地形基准面计算地形复杂度;

9、针对每个所述局部点云块,提取物候状态向量;

10、根据所述地形复杂度和所述彩色激光雷达点云数据,得到地形校正可靠度。

11、可选地,所述针对每个所述局部点云块,基于点云高程分布构建粗地形基准面,并根据所述粗地形基准面计算地形复杂度,包括:

12、将所述局部点云块划分为网格并选取高程处于预设下分位区间的点组成下包络点集;

13、对所述下包络点集进行拟合得到所述粗地形基准面;

14、根据所述粗地形基准面计算坡度、粗糙度和起伏度中的至少一项地形因子;

15、对所述地形因子进行归一化并加权求和,得到所述地形复杂度。

16、可选地,所述针对每个所述局部点云块,提取物候状态向量,包括:

17、获取点云块年积日信息;

18、根据所述颜色信息,得到各局部点云块的可见光植被指数;

19、根据所述三维坐标信息,得到相对高度标准差信息;

20、根据点云块年积日信息、可见光植被指数、相对高度标准差信息以及回波属性信息,得到物候状态向量。

21、可选地,根据所述地形复杂度和所述彩色激光雷达点云数据,得到地形校正可靠度,包括:

22、根据所述彩色激光雷达点云数据,得到颜色有效点比例和回波属性有效点比例;

23、根据所述颜色有效点比例和所述回波属性有效点比例,得到基础物候可靠度;

24、根据所述地形复杂度对所述基础物候可靠度进行衰减校正,得到地形校正可靠度。

25、可选地,所述根据所述地形复杂度、物候状态向量以及地形校正可靠度对所述多类点级特征进行动态门控与加权融合,得到每个点的重构特征,包括:

26、根据所述地形复杂度、所述物候状态向量以及所述地形校正可靠度,得到特征控制向量;

27、对所述特征控制向量进行多特征通道门控处理,得到与各类点级特征的维度相对应的通道门控向量;

28、对所述特征控制向量进行归一化处理,得到与各类点级特征对应的基础分支权重;

29、利用所述地形复杂度和所述地形校正可靠度对所述基础分支权重进行修正,得到修正分支权重;

30、利用所述通道门控向量对相应类别的点级特征进行通道级筛选,并利用修正后的分支权重对不同类别的点级特征进行加权,将加权后的各类点级特征拼接为所述重构特征,得到每个点的动态重构特征。

31、可选地,将所述动态重构特征输入所述特征自适应分类模型,对每个点进行地面点与植被点的分类之前,包括:

32、得到训练完成的特征自适应分类模型;所述特征自适应分类模型包含颜色特征编码器、几何特征编码器、回波特征编码器、通道门控单元、分支权重生成单元和点级分类器,所述特征自适应分类模型利用包含不同季节和不同地形复杂度的已标注训练样本联合训练得到。

33、可选地,对每个点进行地面点与植被点的分类,并根据分类结果剔除植被点,得到滤波后的地面点云,包括:

34、对所述彩色激光雷达点云数据进行空间分块时,相邻局部点云块之间设置有重叠区域;

35、对于位于所述重叠区域、同时属于多个局部点云块的点,按照该点到各局部点云块中心的距离设置权重,对各局部点云块输出的分类概率进行加权融合,得到滤波后的地面点云。

36、第二方面,本技术实施例提供了一种无人机边坡点云自适应滤波装置,包括:

37、数据获取模块用于,获取目标地块的彩色激光雷达点云数据,并对所述彩色激光雷达点云数据进行空间分块,得到若干局部点云块;

38、物候信息确定模块用于,根据每个所述局部点云块,构建粗地形基准面,得到计算地形复杂度、物候状态向量以及地形校正可靠度;

39、重构特征确定模块用于,针对每个所述局部点云块中的每个点,提取至少包括颜色特征、几何特征和回波特征的多类点级特征,并根据所述地形复杂度、物候状态向量以及地形校正可靠度对所述多类点级特征进行动态门控与加权融合,得到每个点的动态重构特征;

40、地面点云确定模块用于,将所述动态重构特征输入所述特征自适应分类模型,对每个点进行地面点与植被点的分类,并根据分类结果剔除植被点,得到滤波后的地面点云。

41、第三方面,本技术实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的无人机边坡点云自适应滤波方法。

42、第四方面,本技术实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的无人机边坡点云自适应滤波方法。

43、第五方面,本技术实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的无人机边坡点云自适应滤波方法。

44、本技术实施例中,通过获取目标地块的彩色激光雷达点云数据,并对所述彩色激光雷达点云数据进行空间分块,得到若干局部点云块;根据每个所述局部点云块,构建粗地形基准面,得到计算地形复杂度、物候状态向量以及地形校正可靠度;针对每个所述局部点云块中的每个点,提取至少包括颜色特征、几何特征和回波特征的多类点级特征,并根据所述地形复杂度、物候状态向量以及地形校正可靠度对所述多类点级特征进行动态门控与加权融合,得到每个点的动态重构特征;将所述动态重构特征输入所述特征自适应分类模型,对每个点进行地面点与植被点的分类,并根据分类结果剔除植被点,得到滤波后的地面点云。实现点了云特征组合随物候状态和地形环境的实时、自适应调整,提升滤波精度的稳定性。