一种基于地形先验特征与几何一致性的点云地形提取方法

本发明属于三维激光点云处理与深度学习，具体涉及一种基于地形先验特征与几何一致性的点云地形提取方法。

背景技术：

1、海岸带地形起伏平缓、低矮植被与地物混杂，传统滤波方法依赖坡度或拟合曲面，难以在保护真实地形与剔除紧邻地表地物间取得平衡。基于深度学习的点云语义分割方法虽能提取高层特征，但缺乏对地形先验特征的显式建模，在地物与地形高程差异极小时，局部特征聚合阶段仍易产生误判，难以实现精细化地形提取。具体如下：

2、2017年3月22日公开的中国专利申请cn106529469a公开了一种基于自适应坡度的无人机载lidar点云滤波方法，通过自适应坡度阈值机制在一定程度上解决了固定阈值普适性差的问题。然而，该方法应用于海岸带等低起伏、地物混杂的复杂地形场景时，仍存在显著局限性。该方法的核心判别依据仍然是点与邻域点之间的高差与水平距离之比，即坡度。在海岸带区域，地形起伏平缓、低矮植被与地形的高程差异微小，即使采用自适应阈值，坡度特征本身的可分性已经不足，难以在保护真实地形点与剔除紧邻地表的低矮地物点之间取得平衡。此外，该方法的自适应阈值更新完全依赖于dtm格网点的坡度统计，当地面点集中混入大量低矮地物时，dtm模型会被抬高，导致迭代更新后的阈值偏向于误保留更多地物点。在海岸带水汽环境下，多路径效应产生的负异常点进一步干扰dtm构建，使自适应阈值机制难以收敛到合理数值，地貌适应性显著不足。

3、2019年10月18日公开的中国专利申请cn110349092a公开了一种点云滤波方法及设备，通过布料模拟与不规则三角网渐进滤波的结合，综合了物理仿真与几何约束的优点。然而，该方法在水电站式复杂地形或海岸带场景中，仍面临本质性的技术困难。布料模拟算法的核心假设是布料仅受重力作用自然下垂并贴合地形表面，但在地形上方存在密集低矮植被或成片负异常点时，布料节点在迭代过程中易被这些异常点拉扯，导致拟合的布料表面偏离真实地形位置。尤其是海岸带多路径效应产生的负异常点常以点簇形式存在于真实地表以下，布料在下落过程中可能将其误认为地形最低点而贴合其上，造成滤波后的地形面整体偏低。尽管该专利引入了不规则三角网渐进滤波进行补充处理，但其角度和距离条件的几何约束同样依赖相对规则的几何假设，在负异常点与低矮地物密集交错分布时，两类方法的互补效果有限，难以从根本上解决复杂地形环境下地形与非地形点的精确分离问题。

4、2025年7月25日公开的中国专利申请cn120374980a公开了一种基于randla-net的电力廊道点云语义分割方法及系统，实现了大规模点云的高效语义分割，并尝试通过后处理阶段的类别再校正机制改善局部预测一致性，但其应用于海岸带等复杂地形场景时，缺乏对地形先验特征的显式建模。在局部特征聚合阶段，仅依赖点的原始空间坐标及其邻域关系进行特征学习。网络无法在特征层面感知点相对于局部地形表面的空间位置关系。在海岸带场景中，大量地物与地形的高程差微小，仅靠原始坐标信息，网络在局部特征聚合时极易将两者混淆。

技术实现思路

1、本发明针对现有技术对复杂地形区分能力不足、预测结果空间离散、以及优化机制受限的问题，提供一种基于地形先验特征与几何一致性的点云地形提取方法，通过构建局部统计特征并进行非线性融合生成地形先验参数，并将其输入点云语义分割网络；同时改进损失函数，联合优化分类精度与空间一致性，实现高精度、高连续性的地形提取，在海岸带等低起伏、复杂地物混杂场景下显著提升了地形提取的精度和空间连续性。

2、根据本说明书的一方面，提供一种基于地形先验特征与几何一致性的点云地形提取方法，包括：

3、对原始点云进行局部空间划分得到网格单元，根据每个网格单元的高程集合计算高程统计特征向量；

4、利用多层感知器对所述高程统计特征向量进行非线性融合，输出地形先验特征参数；

5、将所述地形先验特征参数与包含点的空间坐标和原始属性特征的特征集合拼接，得到增强后的点特征向量；所述增强后的点特征向量输入训练后的点云语义分割网络，依次经所述点云语义分割网络的随机采样模块确定中心点、经局部空间编码模块进行编码得到编码后的邻域特征、经轻量级通道注意力模块进行通道重标定得到重标定的邻域特征、经注意力池化模块进行邻域特征聚合得到聚合特征，以及经扩张残差连接模块将聚合特征与增强后的点特征向量进行残差连接得到聚合增强特征，并经多层感知器进行特征变换输出每个点属于地形类和非地形类的预测概率，根据预测概率与预设阈值得到点云地形提取结果。

6、作为进一步的技术方案，所述点云语义分割网络的训练，包括：

7、基于原始点云得到地形先验特征参数，并结合包含点的空间坐标和原始属性特征的特征集合，构建增强后的点特征向量；

8、基于点云语义分割主干网络引入轻量级通道注意力模块，构建点云语义分割网络；

9、结合构建的联合损失函数，通过增强后的点特征向量对所述点云语义分割网络进行训练，得到训练后的点云语义分割网络。

10、作为进一步的技术方案，经轻量级通道注意力模块通道重标定后得到重标定的邻域特征，包括：

11、对编码后的邻域特征在空间维度上进行全局平均池化，得到通道级全局描述向量；

12、通过两层全连接层对通道间的依赖关系进行建模，结合通道级全局描述向量，生成通道注意力权重；

13、将通道注意力权重逐通道乘以编码后的邻域特征，得到重标定的邻域特征。

14、作为进一步的技术方案，构建的联合损失函数包括交叉熵损失和地形几何一致性损失。

15、作为进一步的技术方案，所述联合损失函数的表达式为：

16、

17、其中，为数据监督损失，为地形几何一致性损失，为平衡两项损失贡献的权重系数。

18、作为进一步的技术方案，所述点云语义分割主干网络还包括采用pointnet++或pointtransformer编码-解码架构的点云语义分割主干网络。

19、作为进一步的技术方案，所述高程统计特征向量，包括相对高程偏移量、局部高程离散度、高程分布偏态系数以及归一化相对偏移强度。

20、根据本说明书的一方面，提供一种基于地形先验特征与几何一致性的点云地形提取系统，用于实现任一项所述的基于地形先验特征与几何一致性的点云地形提取方法，包括：

21、第一处理模块，用于对原始点云进行局部空间划分得到网格单元，根据每个网格单元的高程集合计算高程统计特征向量；

22、第二处理模块，用于利用多层感知器对所述高程统计特征向量进行非线性融合，输出地形先验特征参数；

23、第三处理模块，用于将所述地形先验特征参数与包含点的空间坐标和原始属性特征的特征集合拼接，得到增强后的点特征向量；所述增强后的点特征向量输入训练后的点云语义分割网络，依次经所述点云语义分割网络的随机采样模块确定中心点、经局部空间编码模块进行编码得到编码后的邻域特征、经轻量级通道注意力模块进行通道重标定得到重标定的邻域特征、经注意力池化模块进行邻域特征聚合得到聚合特征，以及经扩张残差连接模块将聚合特征与增强后的点特征向量进行残差连接得到聚合增强特征，并经多层感知器进行特征变换输出每个点属于地形类和非地形类的预测概率，根据预测概率与预设阈值得到点云地形提取结果。

24、根据本发明说明书的一方面，提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的基于地形先验特征与几何一致性的点云地形提取方法的步骤。

25、根据本发明说明书的一方面，提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于地形先验特征与几何一致性的点云地形提取方法的步骤。

26、与现有技术相比，本发明的有益效果是：

27、1、本发明通过构建规则网格下的高程统计特征向量，包括相对高程偏移量、局部高程离散度、高程分布偏态系数及归一化相对偏移强度，然后利用多层感知器进行非线性融合，生成一个连续值形式的地形先验特征参数。该参数作为新增特征维度与包含点的空间坐标和原始属性特征的特征集合拼接后输入点云语义分割网络，使网络在局部特征聚合阶段即可感知每个点相对于其局部地形基准面的空间位置关系，从根本上增强了网络对地形点与非地形点的特征区分能力，对高程与地形接近的低矮植被、建筑物等类别具备更强的区分能力，解决了原始网络在该区域类别混淆严重的问题。

28、2、本发明在传统交叉熵损失函数的基础上引入地形几何一致性损失，构建联合损失函数，增强了地形预测结果的整体平滑性与连续性。该正则项惩罚空间相邻点之间预测概率的剧烈变化，在训练阶段通过梯度反向传播直接优化网络参数，使网络在参数层面就具备输出空间平滑、符合真实地形连续缓变规律的分类结果的能力。通过在地形几何一致性损失中引入局部平滑约束，联合损失函数在训练过程中惩罚了预测标签的空间跳变，有效抑制噪声，这使得提取出的地形表面更加平滑，地形边界更加完整，更符合自然地形的连续缓变规律。

29、3、本发明在randla-net的局部特征聚合模块中引入了轻量级通道注意力模块，仅增加极少参数量即可实现邻域特征的通道级自适应重标定，使网络在特征聚合时能够强化对地形判别贡献较大的特征通道，进一步提升地形点与非地形点的区分能力。