本發(fā)明涉及三維點(diǎn)云變化檢測(cè)技術(shù)，特別是涉及一種基于鄰域顯示特征注意力的無(wú)人機(jī)對(duì)地三維變化檢測(cè)方法。

背景技術(shù)：

1、隨著遠(yuǎn)程感知和無(wú)人機(jī)技術(shù)的快速發(fā)展，變化檢測(cè)在環(huán)境監(jiān)測(cè)、城市規(guī)劃和自動(dòng)駕駛等領(lǐng)域變得越來(lái)越重要。變化檢測(cè)可以識(shí)別時(shí)間序列數(shù)據(jù)中的變化，幫助監(jiān)控和分析環(huán)境和人造結(jié)構(gòu)。這對(duì)于自動(dòng)駕駛中的道路變化檢測(cè)、城市規(guī)劃中的建筑物變化監(jiān)測(cè)以及環(huán)境監(jiān)測(cè)中的自然環(huán)境變化檢測(cè)等應(yīng)用非常關(guān)鍵。

2、在三維變化檢測(cè)中，常見(jiàn)的數(shù)據(jù)源包括激光雷達(dá)（lidar）、合成孔徑雷達(dá)（sar）和通過(guò)攝影測(cè)量生成的點(diǎn)云數(shù)據(jù)。lidar系統(tǒng)可以分為空中激光掃描（als）、移動(dòng)激光掃描（mls）和地面激光掃描（tls）。在自動(dòng)駕駛中，通常使用mls獲取高精度的街道級(jí)點(diǎn)云數(shù)據(jù)，以確保車(chē)輛能夠識(shí)別并響應(yīng)環(huán)境中的障礙物和行人。在環(huán)境監(jiān)測(cè)和城市規(guī)劃中，als和tls廣泛用于監(jiān)測(cè)大規(guī)模地表變化和建筑結(jié)構(gòu)變化。隨著無(wú)人機(jī)技術(shù)的發(fā)展，搭載lidar或高重疊高分辨率圖像的無(wú)人機(jī)生成的點(diǎn)云數(shù)據(jù)也成為三維變化檢測(cè)的重要數(shù)據(jù)源。

3、現(xiàn)有方法在處理復(fù)雜場(chǎng)景和大規(guī)模數(shù)據(jù)時(shí)仍面臨許多挑戰(zhàn)。三維點(diǎn)云數(shù)據(jù)通常具有高稀疏性和不規(guī)則性，使得數(shù)據(jù)處理和特征提取變得困難。不同的應(yīng)用場(chǎng)景可能在數(shù)據(jù)上存在顯著差異，現(xiàn)有方法難以適應(yīng)各種復(fù)雜場(chǎng)景，尤其是在無(wú)人機(jī)基礎(chǔ)上的地面數(shù)據(jù)中，地形和物體變化增加了檢測(cè)的難度。高精度變化檢測(cè)方法通常需要大量的計(jì)算資源，這在實(shí)際應(yīng)用中可能是一個(gè)限制。此外，現(xiàn)有方法缺乏對(duì)數(shù)據(jù)中上下文信息的充分利用，導(dǎo)致特征表示能力有限。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的一種基于鄰域顯示特征注意力的無(wú)人機(jī)對(duì)地三維變化檢測(cè)方法解決了現(xiàn)有方法難以適應(yīng)各種復(fù)雜場(chǎng)景，以及特征表現(xiàn)能力有限的問(wèn)題。

2、為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：一種基于鄰域顯示特征注意力的無(wú)人機(jī)對(duì)地三維變化檢測(cè)方法，包括以下步驟：

3、s1：進(jìn)行點(diǎn)云數(shù)據(jù)加載和預(yù)處理；

4、s2：基于預(yù)處理后的點(diǎn)云數(shù)據(jù)，利用顯式鄰域特征提取模塊enfe提取點(diǎn)云特征；

5、s3：基于點(diǎn)云特征，利用point?transformer模塊進(jìn)行分層特征融合；

6、s4：利用多層感知機(jī)對(duì)融合后的點(diǎn)云特征差異數(shù)據(jù)進(jìn)行變化識(shí)別，完成基于鄰域顯示特征注意力的無(wú)人機(jī)對(duì)地三維變化檢測(cè)。

7、進(jìn)一步地，所述s1中進(jìn)行點(diǎn)云數(shù)據(jù)加載和預(yù)處理，具體為：將不同時(shí)刻采集的點(diǎn)云數(shù)據(jù)對(duì)加載到模型中，并對(duì)點(diǎn)云數(shù)據(jù)對(duì)進(jìn)行濾波處理和歸一化處理。

8、進(jìn)一步地，所述s2中顯式鄰域特征提取模塊enfe包括顯式特征提取子模塊efe和鄰域特征提取子模塊nfe，所述s2包括以下分步驟：

9、s21：利用顯式特征提取子模塊efe對(duì)預(yù)處理后的點(diǎn)云數(shù)據(jù)進(jìn)行特征提取，獲得第一顯示結(jié)構(gòu)特征；

10、s22：利用鄰域特征提取子模塊nfe對(duì)預(yù)處理后的點(diǎn)云數(shù)據(jù)進(jìn)行特征提取，獲得第二顯示結(jié)構(gòu)特征；

11、s23：對(duì)第一顯示結(jié)構(gòu)特征和第二顯示結(jié)構(gòu)特征進(jìn)行融合，并通過(guò)一個(gè)卷積層生成最終的點(diǎn)云特征。

12、進(jìn)一步地，所述s21中包括以下分步驟：

13、s211：利用一維卷積層對(duì)預(yù)處理后的點(diǎn)云數(shù)據(jù)進(jìn)行初始特征提取；

14、s212：利用顯式特征提取子模塊efe對(duì)初始特征提取后的點(diǎn)云數(shù)據(jù)通過(guò)鄰域索引獲取每個(gè)點(diǎn)的鄰域特征，并對(duì)所述鄰域特征拼接生成鄰域特征矩陣；

15、s213：對(duì)鄰域特征矩陣在鄰域維度上計(jì)算平均值，獲得質(zhì)心特征；

16、s214：將質(zhì)心特征擴(kuò)展到與鄰域特征矩陣相同的形狀，并將所述質(zhì)心特征與原始鄰域特征連接，獲得新的顯示結(jié)構(gòu)特征；

17、s215：利用多層感知機(jī)對(duì)新的顯示結(jié)構(gòu)特征進(jìn)行降維和特征聚合，獲得第一顯示結(jié)構(gòu)特征。

18、進(jìn)一步地，所述s22中包括以下分步驟：

19、s221：利用一維卷積層對(duì)預(yù)處理后的點(diǎn)云數(shù)據(jù)進(jìn)行初始特征提??；

20、s222：利用鄰域特征提取子模塊nfe對(duì)初始特征提取后的點(diǎn)云數(shù)據(jù)通過(guò)鄰域索引獲取每個(gè)點(diǎn)的鄰域特征，并對(duì)所述鄰域特征拼接生成鄰域特征矩陣；

21、s223：利用多層感知機(jī)對(duì)鄰域特征矩陣進(jìn)行降維和特征聚合，獲得第二顯示結(jié)構(gòu)特征。

22、進(jìn)一步地，所述s3中包括以下分步驟：

23、s31：利用全連接層對(duì)顯式鄰域特征提取模塊enfe輸出的點(diǎn)云特征進(jìn)行特征變換；

24、s32：基于特征變換結(jié)果，利用point?transformer模塊中的自注意力機(jī)制計(jì)算點(diǎn)云數(shù)據(jù)中點(diǎn)之間的關(guān)系，并計(jì)算點(diǎn)云數(shù)據(jù)中每個(gè)點(diǎn)與其鄰域點(diǎn)之間的相對(duì)位置；

25、s33：基于計(jì)算結(jié)果，利用查詢矩陣和鍵矩陣計(jì)算點(diǎn)云數(shù)據(jù)中每個(gè)點(diǎn)的注意力權(quán)重；

26、s34：根據(jù)注意力權(quán)重進(jìn)行加權(quán)融合，獲得加權(quán)后的特征表示，實(shí)現(xiàn)分層特征融合。

27、進(jìn)一步地，所述s32中計(jì)算點(diǎn)云數(shù)據(jù)中點(diǎn)之間的關(guān)系，具體為：使用線性層分別計(jì)算點(diǎn)云數(shù)據(jù)中點(diǎn)的查詢矩陣、鍵矩陣和值矩陣。

28、進(jìn)一步地，所述s4中點(diǎn)云特征差異數(shù)據(jù)的計(jì)算公式為：

29、

30、其中，和分別為兩個(gè)點(diǎn)云數(shù)據(jù)中兩個(gè)點(diǎn)的特征向量。

31、本發(fā)明的有益效果為：本發(fā)明通過(guò)巧妙地引入顯式鄰域特征提取模塊（enfe）和孿生point?transformer結(jié)構(gòu)，實(shí)現(xiàn)了高效準(zhǔn)確的三維點(diǎn)云變化檢測(cè)。enfe模塊通過(guò)顯式特征提取子模塊（efe）和鄰域特征提取子模塊（nfe），全面捕捉點(diǎn)云數(shù)據(jù)的局部幾何特征和全局結(jié)構(gòu)特征；孿生point?transformer結(jié)構(gòu)通過(guò)自注意力機(jī)制，強(qiáng)化了特征表示能力和變化檢測(cè)精度。使得本發(fā)明在處理大規(guī)模和高維度點(diǎn)云數(shù)據(jù)時(shí)，仍能保持高精度和魯棒性，同時(shí)適用于自動(dòng)駕駛、城市建模、環(huán)境監(jiān)測(cè)等多種復(fù)雜場(chǎng)景，充分解決了以往方法在面對(duì)復(fù)雜地形和數(shù)據(jù)噪聲時(shí)的不足，實(shí)現(xiàn)了三維點(diǎn)云變化檢測(cè)的高效性和準(zhǔn)確性。

技術(shù)特征：

1.一種基于鄰域顯示特征注意力的無(wú)人機(jī)對(duì)地三維變化檢測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于鄰域顯示特征注意力的無(wú)人機(jī)對(duì)地三維變化檢測(cè)方法，其特征在于，所述s1中進(jìn)行點(diǎn)云數(shù)據(jù)加載和預(yù)處理，具體為：將不同時(shí)刻采集的點(diǎn)云數(shù)據(jù)對(duì)加載到模型中，并對(duì)點(diǎn)云數(shù)據(jù)對(duì)進(jìn)行濾波處理和歸一化處理。

3.根據(jù)權(quán)利要求1所述的基于鄰域顯示特征注意力的無(wú)人機(jī)對(duì)地三維變化檢測(cè)方法，其特征在于，所述s2中顯式鄰域特征提取模塊enfe包括顯式特征提取子模塊efe和鄰域特征提取子模塊nfe，所述s2包括以下分步驟：

4.根據(jù)權(quán)利要求3所述的基于鄰域顯示特征注意力的無(wú)人機(jī)對(duì)地三維變化檢測(cè)方法，其特征在于，所述s21中包括以下分步驟：

5.根據(jù)權(quán)利要求3所述的基于鄰域顯示特征注意力的無(wú)人機(jī)對(duì)地三維變化檢測(cè)方法，其特征在于，所述s22中包括以下分步驟：

6.根據(jù)權(quán)利要求1所述的基于鄰域顯示特征注意力的無(wú)人機(jī)對(duì)地三維變化檢測(cè)方法，其特征在于，所述s3中包括以下分步驟：

7.根據(jù)權(quán)利要求6所述的基于鄰域顯示特征注意力的無(wú)人機(jī)對(duì)地三維變化檢測(cè)方法，其特征在于，所述s32中計(jì)算點(diǎn)云數(shù)據(jù)中點(diǎn)之間的關(guān)系，具體為：使用線性層分別計(jì)算點(diǎn)云數(shù)據(jù)中點(diǎn)的查詢矩陣、鍵矩陣和值矩陣。

8.根據(jù)權(quán)利要求1所述的基于鄰域顯示特征注意力的無(wú)人機(jī)對(duì)地三維變化檢測(cè)方法，其特征在于，所述s4中點(diǎn)云特征差異數(shù)據(jù)的計(jì)算公式為：

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于鄰域顯示特征注意力的無(wú)人機(jī)對(duì)地三維變化檢測(cè)方法，涉及三維點(diǎn)云變化檢測(cè)技術(shù)，包括：進(jìn)行點(diǎn)云數(shù)據(jù)加載和預(yù)處理；基于預(yù)處理后的點(diǎn)云數(shù)據(jù)，利用顯式鄰域特征提取模塊ENFE提取點(diǎn)云特征；基于點(diǎn)云特征，利用Point?Transformer模塊進(jìn)行分層特征融合；利用多層感知機(jī)對(duì)融合后的點(diǎn)云特征差異數(shù)據(jù)進(jìn)行變化識(shí)別，完成基于鄰域顯示特征注意力的無(wú)人機(jī)對(duì)地三維變化檢測(cè)。本發(fā)明解決了現(xiàn)有方法難以適應(yīng)各種復(fù)雜場(chǎng)景，以及特征表現(xiàn)能力有限的問(wèn)題。

技術(shù)研發(fā)人員：張艷寧,王鵬,何一帆,曾振軒,楊佳琪,張世周,田雪濤,席慶彪
受保護(hù)的技術(shù)使用者：西北工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19