【技術實現步驟摘要】
本專利技術涉及點云特征提取，更具體的說是涉及一種基于激光點云特征深度的建筑物立面結構線精準提取方法。
技術介紹
1、目前，點云模型特征提取領域常用的方法可以歸納為三類：基于點的特征提取方法、基于面的特征提取方法、基于投影映射的特征提取方法。1)基于點的特征提取方法利用點云的基本屬性，如坐標、顏色、反射強度等信息，通過計算法向量、曲率、密度等，提取點云的特征點或輪廓點作為建筑立面結構。例如通過法向量估計識別尖銳邊緣，再用最小生成樹閉合形成特征線段，但該方法對大規模形狀變形的魯棒性不足。也可以通過曲率估計識別曲率極值為邊緣點，用能量最小化的活動輪廓連接這些邊緣點，形成封閉輪廓，但計算成本高。也有學者提出基于超體素聚類分析的大規模點云輪廓提取算法，通過超體素聚類生成分割塊并用a-shape提取邊緣點，再用相互最近鄰法剔除共面超體素塊間的邊緣點，但對精細邊緣點提取存在局限性。2)基于面的特征提取方法通過分析建筑立面的面特征，面與面的交線或關系組成最終立面結構。比如依賴多邊形面之間的二面角判斷邊緣特征，完成特征線提取，但對復雜幾何形狀和拓撲結構的有效性受限。再基于張量投票理論的三角網格模型特征邊提取算法，通過張量投票矩陣特征值分布與頂點幾何特征對應關系分類頂點，再用斷點連接方法區分平滑特征上的邊點和角點，最后提取區域增長后的邊界得到網格特征邊，但效果與參數相關性較大，對建筑的面與面處理存在局限性。3)基于投影映射的特征提取方法將三維空間的復雜計算轉換到二維空間，通過二維圖像與三維點云的投影映射實現建筑立面結構提取。例如，有學者提出基于區域
2、綜上所述，目前的點云特征提取方法存在以下不足：基于點的方法對大規模形變的魯棒性不足，計算成本高，提取精度受限；基于面的方法效果與參數相關性較大，對復雜幾何形狀的適用性受限；基于投影映射的方法在二維與三維轉換過程中信息損失，映射機制對準確性影響大。綜上所述，目前的點云特征提取方法存在魯棒性不足、計算成本高、提取精度受限、信息損失和映射機制對準確性影響大等問題。
3、因此，提出一種基于激光點云特征深度的建筑物立面結構線精準提取方法，來解決現有技術存在的困難，是本領域技術人員亟需解決的問題。
技術實現思路
1、有鑒于此，本專利技術提供了一種基于激光點云特征深度的建筑物立面結構線精準提取方法，顯著提升了法向量特征的提取精度和魯棒性，為建筑立面結構分析提供了可靠的數據基礎。
2、為了實現上述目的，本專利技術提供如下技術方案：
3、一種基于激光點云特征深度的建筑物立面結構線精準提取方法，包括以下步驟：
4、s1、獲取建筑物點云數據，對獲取的建筑物點云數據進行預處理，并將預處理后的建筑物點云數據分為訓練集和測試集；
5、s2、將訓練集輸入pcpnet網絡進行訓練得到pcpnet網絡訓練模型，通過pcpnet網絡訓練模型提取測試集的法向量特征；
6、s3、采用高斯權重函數實現法向量特征的二次優化，根據二次優化后的法向量特征差異識別邊緣特征點；
7、s4、通過改進的濾波算法優化邊緣特征點，計算優化后邊緣特征點的法向量并基于預設的角度和距離閾值連接成特征線。
8、上述的方法，可選的，s1-s2中具體包括：
9、首先獲取建筑物立面的點云數據，將采集到的數據進行預處理和分類，確定訓練集以及測試集，將其輸入到pcpnet網絡中；對訓練集進行初始法向量特征獲取，使用鄰域搜索函數并選擇0.03m的搜索半徑來估計每個點的法向量，并利用多種誤差分析函數來計算該網絡的法向量預測損失，以更正預測結果，從而實現實驗數據集的樣本庫構建。
10、上述的方法，可選的，s1-s2中還包括：
11、將每個點進行局部鄰域的識別和補丁構建，將中心點轉移到坐標原點，并進行尺度歸一化；通過pcpnet網絡中的空間變換網絡對輸入的點云數據進行標準姿態轉換；通過功能網絡單元對局部區域的特征向量進行處理，得到局部點云的法向量估計；從而輸出該建筑立面的法向量估計結果。
12、上述的方法，可選的，利用多種誤差分析函數來計算該網絡的法向量預測損失中的多種誤差分析函數包括：均方根誤差、均方一減余弦相似度損失和均方歐幾里得距離。
13、上述的方法，可選的，s3中采用高斯權重函數實現法向量特征的二次優化包括：
14、(1)對點云與法向量特征進行匹配檢查；
15、(2)采用高斯權重函數來改善網絡對法向量特征的估計結果：對于點云中的每一個點pi，計算與其k近鄰{pj}之間的法向量平均值，每個鄰域點的法向量nj都乘以對應的高斯權重；高斯權重函數w(d)根據點與其鄰域點之間的歐式距離d來分配權重；
16、(3)利用法向量特征實現邊界點提取：首先計算目標點pi的法向量與其局部鄰域內其他點的法向量之間的差異；再進行邊界點的判定：如果對于點pi存在任意臨近點pik使得角度差異θik超過預設的閾值θthresh，則pi被認為是邊界點。
17、上述的方法，可選的，s4中包括：確定得到的邊緣特征點，對邊緣特征點進行去噪，采用如下方法進行去噪和擬合：
18、利用統計離群值濾波器來處理點云中的噪聲；對于點云中的每個點pi，計算點到其k個最近鄰域點的接著計算所有點的平均距離的平均值μ和標準差σ，然后定義一個閾值t來識別離群值，閾值是基于均值和標準差的動態計算得到的，所有平均距離超過這個閾值的點歸為離群值，實現對噪點的濾波去除；
19、再利用隨機采樣一致性算法將邊緣特征點擬合，首先隨機選取最小的特征點集合來估計模型參數，再評估內點的一致性集合，不斷迭代得到最優的擬合模型。
20、上述的方法，可選的，還包括：優化邊緣特征點后，采用如下方法對合并處理后的特征線進行特征線優化處理，以得到建筑物特征線：
21、首先將點云分割成多個塊并對每塊分別應用特征線提取；
22、計算邊緣點云鄰域特征，通過計算點云中鄰近兩點之間表面法向量夾角的差異，計算兩個法線向量之間的夾角；在獲取兩個特征點p1和p2的法線向量和后，計算兩個法向量的點積判斷是否連接；
23、設置角度閾值與距離連接閾值輔助生成特征線，在計算得到邊緣點云之間的法向量夾角后，增加角度閾值判斷，判斷兩點是否屬于同一特征線，在三維空間中考慮空間距離對線段連接的影響，增加距離連接閾值判斷，從而精確描繪特征線。
24、經由上述的技術方案可知，與現有技術相比，本專利技術公開提供了本文檔來自技高網...
【技術保護點】
1.一種基于激光點云特征深度的建筑物立面結構線精準提取方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于激光點云特征深度的建筑物立面結構線精準提取方法，其特征在于，S1-S2中具體包括：
3.根據權利要求2所述的一種基于激光點云特征深度的建筑物立面結構線精準提取方法，其特征在于，S1-S2中還包括：
4.根據權利要求2所述的一種基于激光點云特征深度的建筑物立面結構線精準提取方法，其特征在于，利用多種誤差分析函數來計算該網絡的法向量預測損失中的多種誤差分析函數包括：均方根誤差、均方一減余弦相似度損失和均方歐幾里得距離。
5.根據權利要求1所述的一種基于激光點云特征深度的建筑物立面結構線精準提取方法，其特征在于，S3中采用高斯權重函數實現法向量特征的二次優化包括：
6.根據權利要求1所述的一種基于激光點云特征深度的建筑物立面結構線精準提取方法，其特征在于，S4中包括：確定得到的邊緣特征點，對邊緣特征點進行去噪，采用如下方法進行去噪和擬合：
7.根據權利要求6所述的一種基于激光點云特征深度的建筑物立
...【技術特征摘要】
1.一種基于激光點云特征深度的建筑物立面結構線精準提取方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于激光點云特征深度的建筑物立面結構線精準提取方法，其特征在于，s1-s2中具體包括：
3.根據權利要求2所述的一種基于激光點云特征深度的建筑物立面結構線精準提取方法，其特征在于，s1-s2中還包括：
4.根據權利要求2所述的一種基于激光點云特征深度的建筑物立面結構線精準提取方法，其特征在于，利用多種誤差分析函數來計算該網絡的法向量預測損失中的多種誤差分析函數包括：均方根誤差、均方一減余弦相似度損失和均方歐幾...
【專利技術屬性】
技術研發人員：王永志，江旭，程之涵，翁慧萍，
申請(專利權)人：蘇州科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。