一种应用于城市大脑的激光点云建模方法和系统与流程

1.本发明涉及点云数据处理领域，尤其涉及一种应用于城市大脑的激光点云建模方法和系统。


背景技术：

2.在数字孪生城市三维场景中，建模是数字孪生的技术基础和支柱。激光扫描仪扫描实体采集的点云数据，传统的建模技术需要在辅助软件的帮助下由人工依托点云进行建模，以实现对物理实物还原，不仅工作量大、建模周期长，对建模人员技术要求也高，严重地限制了在数字城市建设这种大规模数据体量下的应用。


技术实现要素：

3.为克服传统建模方法存在的工作量大、建模周期长、对技术人员要求高等问题，本发明提供一种应用于城市大脑的激光点云建模方法和系统，能够可以快速、便捷、准确的在数字空间对物理实物建立3d模型（网格面边），保证了孪生模型具有高保真、高可靠、高精度的特征，对于具有高精度应用需求的场景尤为适用。
4.根据本发明实施例的第一方面，提供一种应用于城市大脑的激光点云建模方法，包括：步骤1、构建深度神经网络，采用softplus激活函数对获取的点云数据进行特征表述，并基于largevis对形成的特征进行降维，然后利用自适应聚类算法进行聚类，把聚类的结果作为伪标签，进而通过反向传播更新网络的权重参数；步骤2、让更新权重参数后的网络重新预测伪标签；步骤3、依次交替执行步骤1和步骤2，直至完成激光点云数据建模。
5.进一步，在步骤1之前，该方法还包括：对获取的点云数据和全景影像数据进行预处理的步骤。
6.进一步，对获取的点云数据进行预处理，具体包括：对获取的点云数据进行去噪、去冗、抽稀和简化处理。
7.进一步，对获取的全景影像数据进行预处理，具体包括：根据空间一致性，将点云数据和全景影像配准、关联及映射。
8.进一步，步骤3之后，该方法还包括：步骤4、按照步骤1、步骤2及步骤3逐一建立每个部件的三维网格模型；步骤5、通过重叠区域或公共点将所有三维网格模型拼接成整体的三维模型。
9.根据本发明实施例的第二方面，提供一种应用于城市大脑的激光点云建模系统，包括：构建及更新模块，用于构建深度神经网络，采用softplus激活函数对获取的点云数据进行特征表述，并基于largevis对形成的特征进行降维，然后利用自适应聚类算法进行聚类，把聚类的结果作为伪标签，进而通过反向传播更新网络的权重参数；
预测模块，用于让更新权重参数后的网络重新预测伪标签；建模模块，用于依次交替调用所述构建及更新模块和所述预测模块，直至完成激光点云数据建模。
10.进一步，该系统还包括：预处理模块，用于对获取的点云数据和全景影像数据进行预处理。
11.进一步，所述预处理模块，具体包括：第一预处理单元，用于对获取的点云数据进行去噪、去冗、抽稀和简化处理。
12.进一步，所述预处理模块，具体包括：第二预处理单元，用于根据空间一致性，将点云数据和全景影像配准、关联及映射。
13.进一步，该系统还包括：建立模块，用于调用所述构建及更新模块、所述预测模块和所述建模模块逐一建立每个部件的三维网格模型；拼接模块，用于通过重叠区域或公共点将每个部件的所有三维网格模型拼接成整体的三维模型。
14.本发明的实施例提供的技术方案可以包括以下有益效果：可以快速、便捷、准确的在数字空间对物理实物建立3d模型（网格面边），保证了孪生模型具有高保真、高可靠、高精度的特征，对于具有高精度应用需求的场景尤为适用。
15.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
16.通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。
17.图1是根据本发明一示例性实施例示出的一种应用于城市大脑的激光点云建模方法的流程示意图；图2是根据本发明示例性实施例示出的一种应用于城市大脑的激光点云建模系统的结构框图；图3是根据本发明一示例性实施例示出的一种计算设备的结构示意图。
具体实施方式
18.下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
19.在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包
含一个或多个相关联的列出项目的任何或所有可能组合。
20.应当理解，尽管在本发明可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
21.本发明主要针对上述问题，通过激光扫描仪对实体进行三维扫描，形成与实物完全一致的点云，并提出了dnnpcgm（deep neural network point cloud grid modeling）技术进行建模。
22.以下结合附图详细描述本发明实施例的技术方案。
23.图1是根据本发明一示例性实施例示出的一种应用于城市大脑的激光点云建模方法的流程示意图。
24.参见图1，该方法包括：110、构建深度神经网络，采用softplus激活函数对获取的点云数据进行特征表述，并基于largevis对形成的特征进行降维，然后利用自适应聚类算法进行聚类，把聚类的结果作为伪标签，进而通过反向传播更新网络的权重参数；120、让更新权重参数后的网络重新预测伪标签；130、依次交替执行步骤110和步骤120，直至完成激光点云数据建模。
25.具体的，本实施例中，采用softplus激活函数，能够提升深度神经网络的非线性表达能力；通过对点云数据进行特征表述，可形成256*64*8维特征，从而可以充分描述物理实体的细节；基于largevis降维，能够提高训练速度，对降维后的特征数据进行聚类时，所采用的自适应聚类算法不需要人为设定聚类中心个数，算法内部会依据数据统计信息，自动调整聚类中心个数，从而可以减少人为经验不足带来的算法精度的影响，之后把聚类的结果作为伪标签，进而通过反向传播更新网络的权重参数，再让网络预测这些伪标签，这两个过程依次交替执行，从而实现灵活高效的激光点云数据建模。
26.本发明实施例所提供的方法，通过把深度神经网络和自适应聚类的有机结合，可以灵活高效地建立高保真、高可靠、高精度的三维模型，极大地提高效率。本方法的技术方案能够有效地应用到车载激光雷达和背负式激光雷达的应用场景。若场景较大，点云数据量较多，可以逐一对每个部件进行建模。
27.可选地，在该实施例中，在步骤110之前，如图1所示，该方法还包括：100、对获取的点云数据和全景影像数据进行预处理的步骤。
28.具体的，其中对获取的点云数据进行预处理，具体包括：对获取的点云数据进行去噪、去冗、抽稀和简化处理。
29.对获取的全景影像数据进行预处理，具体包括：根据空间一致性，将点云数据和全景影像配准、关联及映射。
30.可选地，在该实施例中，步骤130之后，该方法还包括：140、按照步骤110、步骤120及步骤130逐一建立每个部件的三维网格模型；150、通过重叠区域或公共点将按照所有三维网格模型拼接成整体的三维模型。
31.本实施例中，通过将庞大的场景按照部件进行分块建模，能够在大数据、大场景应用方面可以减轻使用平台的加载压力。
32.下面以本方法在城市大脑中数字孪生场景三维模型建立中的应用为例进行说明，具体包括以下步骤：（1）根据现场勘查，明确项目环境、项目目的，了解作业现场情况，确定扫描路线、架站位置、数量以及测距、扫描分辨率等。
33.（2）对获取的点云数据和影像数据进行预处理，应用降噪算法剔除原始点云中的错误点和含有粗差的点，对扫描获取的全景影像进行几何校正。
34.（3）将三维点云和全景影像配准、关联及映射。
35.（4）利用本专利所提出的dnnpcgm技术建立三维模型。
36.（5）给予建立好的三维模型赋予相对应的纹理。
37.（6）导出三维模型。
38.（7）在应用平台中加载三维模型。
39.图2是根据本发明示例性实施例示出的一种应用于城市大脑的激光点云建模系统的结构框图。
40.参见图2，该系统包括：构建及更新模块，用于构建深度神经网络，采用softplus激活函数对获取的点云数据进行特征表述，并基于largevis对形成的特征进行降维，然后利用自适应聚类算法进行聚类，把聚类的结果作为伪标签，进而通过反向传播更新网络的权重参数；预测模块，用于让更新权重参数后的网络重新预测伪标签；建模模块，用于依次交替调用所述构建及更新模块和所述预测模块，直至完成激光点云数据建模。
41.可选地，在该实施例中，如图2所示，该系统还包括：预处理模块，用于对获取的点云数据和全景影像数据进行预处理。
42.可选地，在该实施例中，所述预处理模块，具体包括：第一预处理单元，用于对获取的点云数据进行去噪、去冗、抽稀和简化处理。
43.可选地，在该实施例中，所述预处理模块，具体包括：第二预处理单元，用于根据空间一致性，将点云数据和全景影像配准、关联及映射。
44.可选地，在该实施例中，该系统还包括：建立模块，用于调用所述构建及更新模块、所述预测模块和所述建模模块逐一建立每个部件的三维网格模型；拼接模块，用于通过重叠区域或公共点将每个部件的所有三维网格模型拼接成整体的三维模型。
45.本发明的实施例提供的一种应用于城市大脑的激光点云建模系统，可以快速、便捷、准确的在数字空间对物理实物建立3d模型（网格面边），保证了孪生模型具有高保真、高可靠、高精度的特征，对于具有高精度应用需求的场景尤为适用。
46.关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
47.图3是根据本发明一示例性实施例示出的一种计算设备的结构示意图。
48.参见图3，计算设备300包括存储器310和处理器320。
49.处理器320可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器 (digital signal processor，dsp)、专用集成电路 (application specific integrated circuit，asic)、现场可编程门阵列 (field-programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
50.存储器310可以包括各种类型的存储单元，例如系统内存、只读存储器（rom）和永久存储装置。其中，rom可以存储处理器320或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置（例如磁或光盘、闪存）作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备（例如软盘、光驱）。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器310可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片（dram，sram，sdram，闪存，可编程只读存储器），磁盘和/或光盘也可以采用。在一些实施方式中，存储器310可以包括可读和/或写的可移除的存储设备，例如激光唱片（cd）、只读数字多功能光盘（例如dvd-rom，双层dvd-rom）、只读蓝光光盘、超密度光盘、闪存卡（例如sd卡、min sd卡、micro-sd卡等等）、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
51.存储器310上存储有可执行代码，当可执行代码被处理器320处理时，可以使处理器320执行上文述及的方法中的部分或全部。
52.此外，根据本发明的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本发明的上述方法中部分或全部步骤的计算机程序代码指令。
53.或者，本发明还可以实施为一种非暂时性机器可读存储介质（或计算机可读存储介质、或机器可读存储介质），其上存储有可执行代码（或计算机程序、或计算机指令代码），当所述可执行代码（或计算机程序、或计算机指令代码）被电子设备（或计算设备、服务器等）的处理器执行时，使所述处理器执行根据本发明的上述方法的各个步骤的部分或全部。
54.上文中已经参考附图详细描述了本发明的方案。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和模块并不一定是本发明所必须的。另外，可以理解，本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，本发明实施例装置中的模块可以根据实际需要进行合并、划分和删减。
55.本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
56.附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程
序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
57.以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。