一种基于激光点云和可见光图像融合的分类方法及装置与流程

技术特征：
1.一种基于激光点云和可见光图像融合的分类方法，其特征在于，包括：采集激光点云和可见光图像；对所述激光点云进行预处理；对经过预处理的激光点云与可见光图像进行数据融合，获得点云场景；确定所述点云场景中每个单点的邻域，并提取单点特征；利用提取到的单点特征，通过激光点云的多分辨率和多邻域空间构建单点多尺度多级特征并进行特征融合；根据融合后的单点多尺度多级特征进行模型训练，并依据训练后的模型对所述激光点云进行分类。2.根据权利要求1所述的方法，其特征在于，对所述激光点云进行预处理，包括：对所述激光点云进行滤波去噪。3.根据权利要求1所述的方法，其特征在于，所述对经过预处理的激光点云与可见光图像进行数据融合，包括：通过共线性方程，将可见光图像中的像素坐标映射至激光点云的空间坐标系中；将所述可见光图像中的色彩特征与相应的激光点云进行配对。4.根据权利要求1所述的方法，其特征在于，所述单点特征包括立面特征、正态角分布直方图特征、纬度抽样直方图特征、协方差特征和平面点比特征。5.根据权利要求4所述的方法，其特征在于，通过激光点云的多分辨率和多邻域空间构建单点多尺度多级特征，包括：选择不同邻域、不同分辨率下的所述正态角分布直方图特征、纬度抽样直方图特征、协方差特征和平面点比特征构成所述单点多尺度多级特征。6.根据权利要求1所述的方法，其特征在于，训练的模型采用支持向量机分类器，所述支持向量机分类器采用高斯核函数作为核函数。7.根据权利要求6所述的方法，其特征在于，所述高斯核函数通过以下公式表示：;其中，y为融合的特征空间，y
j
为选择的d维特征样本，l 为d维特征样本的数量，m为融合的特征空间通过映射函数经特征变换后获得的特征空间，m为特征空间m中的样本，k(y，m)为核函数，σ为高斯核函数的参数。8.根据权利要求1所述的方法，其特征在于，对所述激光点云进行分类之后，还包括：采用多尺度金字塔的领域分类方法对分类结果进行优化。9.根据权利要求8所述的方法，其特征在于，采用多尺度金字塔的邻域分类方法对分类结果进行优化，包括：使用具有不同半径比例的体素过滤器对初始分类后的激光点云进行下采样；根据采样后的具有初始类别的激光点云构建多级金字塔，并保留每个级别中所有单点的初始类别；从金字塔每一级的激光点云构建相应的k-d树；采用所述k-d树搜索激光点云中最近邻的半径，并在所述半径内搜索激光点云的初始类别标签，计算多级金字塔中激光点云属于每个类别的初始类别标签数量，将初始类别标
签数量最多的类别作为该激光点云的新类标签。10.一种基于激光点云和可见光图像融合的分类装置，其特征在于，包括：数据采集模块，用于采集激光点云和可见光图像；数据预处理模块，用于对所述激光点云进行预处理；数据融合模块，用于对经过预处理的激光点云与可见光图像进行数据融合，获得点云场景；特征提取模块，用于确定所述点云场景中每个单点的邻域，并提取单点特征；特征融合模块，用于利用提取到的单点特征，通过激光点云的多分辨率和多邻域空间构建单点多尺度多级特征并进行特征融合；分类模块，根据融合后的单点多尺度多级特征进行模型训练，并依据训练后的模型对所述激光点云进行分类。

技术总结
本发明公开了一种基于激光点云和可见光图像融合的分类方法及装置，方法包括：采集激光点云和可见光图像；对所述激光点云进行预处理；对经过预处理的激光点云与可见光图像进行数据融合，获得点云场景；确定所述点云场景中每个单点的邻域，并提取单点特征；利用提取到的单点特征，通过激光点云的多分辨率和多邻域空间构建单点多尺度多级特征并进行特征融合；根据融合后的单点多尺度多级特征进行模型训练，并依据训练后的模型对所述激光点云进行分类；该方法能够提高电力设施巡检的准确性和效率。率。率。


技术研发人员：曹世鹏
受保护的技术使用者：众芯汉创（北京）科技有限公司
技术研发日：2022.03.01
技术公布日：2022/4/1