本發(fā)明涉及點云數(shù)據(jù)處理，具體是一種基于遷移學(xué)習(xí)的機載激光雷達點云分類方法。

背景技術(shù)：

1、現(xiàn)有技術(shù)cn116403058b“一種遙感跨場景多光譜激光雷達點云分類方法”首先分別將帶標(biāo)簽源場景和不帶標(biāo)簽?zāi)繕?biāo)場景多光譜激光雷達點云根據(jù)k最鄰近算法構(gòu)造為圖數(shù)據(jù)；然后采用圖卷積神經(jīng)網(wǎng)絡(luò)分別提取兩個場景的圖特征，采用源場景分類器用于源場景多光譜激光雷達點云分類，采用目標(biāo)場景分類器用于目標(biāo)場景多光譜激光雷達點云分類，再添加可學(xué)習(xí)場景間信息轉(zhuǎn)移模塊用于兩個場景間信息轉(zhuǎn)移，采用域判別器用于區(qū)分點云屬于源場景還是目標(biāo)場景，最后迭代更新網(wǎng)絡(luò)參數(shù)，直至模型收斂。

2、現(xiàn)有技術(shù)cn116933141a“一種基于多核圖學(xué)習(xí)的多光譜激光雷達點云分類方法”分別計算多光譜激光雷達點云數(shù)據(jù)的空間距離矩陣和光譜距離矩陣。然后使用不同高斯核度量多光譜激光雷達點云之間的相似性，計算出多個基核鄰接矩陣，再將空間-光譜距離矩陣作為高維特征，擴展多光譜激光雷達點云的特征矩陣，最后將多個核鄰接矩陣與擴展特征矩陣輸入改良的多核圖神經(jīng)網(wǎng)絡(luò)中，同步更新圖神經(jīng)網(wǎng)絡(luò)權(quán)重與多核權(quán)重以訓(xùn)練模型。

3、隨著激光雷達技術(shù)的發(fā)展，機載lidar系統(tǒng)被廣泛應(yīng)用于地形測繪、城市規(guī)劃、災(zāi)害評估等領(lǐng)域，然而，現(xiàn)實世界的場景中，某些類別的點云數(shù)據(jù)可能遠(yuǎn)多于其他類別，導(dǎo)致類別不平衡問題，影響模型的性能，同時機載激光雷達點云數(shù)據(jù)往往昂貴且難以獲取，導(dǎo)致可用于訓(xùn)練的數(shù)據(jù)集較小，這限制了模型的學(xué)習(xí)能力和泛化性能。因此，開發(fā)一種高效的機載激光雷達點云分類方法具有重要意義。

技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題，本發(fā)明的目的在于提供一種基于遷移學(xué)習(xí)的機載激光雷達點云分類方法，包括以下步驟：

2、步驟s1：設(shè)置采集周期，對當(dāng)前采集周期機載雷達終端采集的點云數(shù)據(jù)進行特征提取，獲取點云數(shù)據(jù)的最終特征表示；

3、步驟s2：通過人工標(biāo)注方法對若干歷史采集周期內(nèi)的點云數(shù)據(jù)進行分類標(biāo)注，獲取點云數(shù)據(jù)中各個點的類別標(biāo)簽，并獲取稀有類別標(biāo)簽；

4、步驟s3：構(gòu)建大樣本標(biāo)簽分類模型，獲取當(dāng)前采集周期點云數(shù)據(jù)中各個點的大樣本類別標(biāo)簽；

5、步驟s4：獲取各個稀有類別標(biāo)簽對應(yīng)的可遷移類別標(biāo)簽，根據(jù)可遷移類別標(biāo)簽獲取各個稀有類別標(biāo)簽的源標(biāo)簽分類模型，根據(jù)各個稀有類別標(biāo)簽的源標(biāo)簽分類模型，構(gòu)建各個稀有類別標(biāo)簽的小樣本標(biāo)簽分類模型；

6、步驟s5：獲取當(dāng)前采集周期的點云數(shù)據(jù)中各個點的小樣本類別標(biāo)簽，根據(jù)點云數(shù)據(jù)中大樣本類別標(biāo)簽和小樣本類別標(biāo)簽，構(gòu)建當(dāng)前采集周期點云數(shù)據(jù)的完整類別標(biāo)簽集。

7、進一步的，設(shè)置采集周期，對當(dāng)前采集周期機載雷達終端采集的點云數(shù)據(jù)進行特征提取，獲取點云數(shù)據(jù)的最終特征表示的過程包括：

8、對點云數(shù)據(jù)進行數(shù)據(jù)格式預(yù)處理，對經(jīng)過所述數(shù)據(jù)格式預(yù)處理后的點云數(shù)據(jù)中的每個點進行局部特征提取，獲取每個點的局部特征，構(gòu)建深度學(xué)習(xí)模型，將每個點的局部特征輸入深度學(xué)習(xí)模型，通過深度學(xué)習(xí)模型輸出點云數(shù)據(jù)的最終特征表示。

9、進一步的，通過人工標(biāo)注方法對若干歷史采集周期內(nèi)的點云數(shù)據(jù)進行分類標(biāo)注，獲取點云數(shù)據(jù)中各個點的類別標(biāo)簽，并獲取稀有類別標(biāo)簽的過程包括：

10、獲取機載雷達終端采集的若干歷史采集周期內(nèi)的點云數(shù)據(jù)，預(yù)先通過人工標(biāo)注方法對若干歷史采集周期內(nèi)的點云數(shù)據(jù)進行分類標(biāo)注，獲取點云數(shù)據(jù)中各個點的類別標(biāo)簽，對若干歷史采集周期內(nèi)的點云數(shù)據(jù)中包括的若干類別標(biāo)簽進行統(tǒng)計分析，獲取若干歷史采集周期中各個類別標(biāo)簽的總數(shù)量，預(yù)設(shè)訓(xùn)練閾值，將各個類別標(biāo)簽的總數(shù)量與訓(xùn)練閾值進行比較，將總數(shù)量小于訓(xùn)練閾值的類別標(biāo)簽標(biāo)記為稀有類別標(biāo)簽。

11、進一步的，獲取當(dāng)前采集周期點云數(shù)據(jù)中各個點的大樣本類別標(biāo)簽的過程包括：

12、構(gòu)建大樣本標(biāo)簽分類模型，將若干歷史采集周期內(nèi)的點云數(shù)據(jù)的最終特征表示以及點云數(shù)據(jù)中各個點的類別標(biāo)簽作為訓(xùn)練數(shù)據(jù)，利用所述訓(xùn)練數(shù)據(jù)對大樣本標(biāo)簽分類模型進行訓(xùn)練；

13、將當(dāng)前采集周期的點云數(shù)據(jù)的最終特征表示輸入訓(xùn)練好的大樣本標(biāo)簽分類模型，根據(jù)大樣本標(biāo)簽分類模型獲取點云數(shù)據(jù)中各個點的類別標(biāo)簽，將各個點的類別標(biāo)簽標(biāo)記為大樣本類別標(biāo)簽。

14、進一步的，獲取各個稀有類別標(biāo)簽對應(yīng)的可遷移類別標(biāo)簽的過程包括：

15、獲取稀有類別標(biāo)簽所在的各個歷史采集周期，將所述各個歷史采集周期內(nèi)的除稀有類別標(biāo)簽以外的類別標(biāo)簽標(biāo)記為其它類別標(biāo)簽，對所述其它類別標(biāo)簽進行統(tǒng)計分析，獲取各個其它類別標(biāo)簽與稀有類別標(biāo)簽共同出現(xiàn)在一個歷史采集周期的累計次數(shù)，篩選出累計次數(shù)最高的其它類別標(biāo)簽，將所述其它類別標(biāo)簽標(biāo)記為可遷移類別標(biāo)簽。

16、進一步的，根據(jù)可遷移類別標(biāo)簽獲取各個稀有類別標(biāo)簽的源標(biāo)簽分類模型的過程包括：

17、獲取可遷移類別標(biāo)簽所在的各個歷史采集周期，獲取所述各個歷史采集周期內(nèi)的點云數(shù)據(jù)的最終特征表示，將所述各個歷史采集周期內(nèi)的點云數(shù)據(jù)的最終特征表示以及點云數(shù)據(jù)中各個點的類別標(biāo)簽作為訓(xùn)練集和測試集，構(gòu)建稀有類別標(biāo)簽的源標(biāo)簽分類模型，將所述訓(xùn)練集輸入到所述源標(biāo)簽分類模型中進行訓(xùn)練，直至損失函數(shù)訓(xùn)練平穩(wěn)，并保存模型參數(shù)，通過測試集對所述源標(biāo)簽分類模型進行測試，直至符合預(yù)設(shè)要求，輸出所述源標(biāo)簽分類模型的模型參數(shù)。

18、進一步的，根據(jù)各個稀有類別標(biāo)簽的源標(biāo)簽分類模型，構(gòu)建各個稀有類別標(biāo)簽的小樣本標(biāo)簽分類模型的過程包括：

19、構(gòu)建稀有類別標(biāo)簽的小樣本標(biāo)簽分類模型，將稀有類別標(biāo)簽的源標(biāo)簽分類模型的模型參數(shù)作為小樣本標(biāo)簽分類模型的初始化參數(shù)；

20、將稀有類別標(biāo)簽所在的各個歷史采集周期內(nèi)的點云數(shù)據(jù)的最終特征表示以及點云數(shù)據(jù)中各個點的類別標(biāo)簽標(biāo)記為正樣本集，將其它類別標(biāo)簽所在的各個歷史采集周期內(nèi)的點云數(shù)據(jù)的最終特征表示以及點云數(shù)據(jù)中各個點的類別標(biāo)簽標(biāo)記為負(fù)樣本集；

21、獲取正樣本集數(shù)量以及負(fù)樣本集數(shù)量，根據(jù)正樣本集數(shù)量以及負(fù)樣本集數(shù)量，獲取正樣本集的動態(tài)采樣數(shù)量k和負(fù)樣本集的動態(tài)采樣數(shù)量s；

22、隨機選取k個正樣本集和s個負(fù)樣本集作為整體樣本集，通過整體樣本集對小樣本標(biāo)簽分類模型進行迭代訓(xùn)練，在每次迭代訓(xùn)練中獲取小樣本標(biāo)簽分類模型對于整體樣本集的分類結(jié)果為正樣本的概率，并根據(jù)所述概率調(diào)整下一次迭代訓(xùn)練中整體樣本集中正樣本集的動態(tài)采樣數(shù)量和負(fù)樣本集的動態(tài)采樣數(shù)量，直至小樣本標(biāo)簽分類模型的迭代訓(xùn)練次數(shù)達到指定迭代次數(shù)閾值，輸出完成訓(xùn)練的稀有類別標(biāo)簽的小樣本標(biāo)簽分類模型。

23、進一步的，獲取當(dāng)前采集周期的點云數(shù)據(jù)中各個點的小樣本類別標(biāo)簽的過程包括：

24、將各個稀有類別標(biāo)簽的小樣本標(biāo)簽分類模型組合為多標(biāo)簽稀有類別分類模型，將當(dāng)前采集周期的點云數(shù)據(jù)的最終特征表示輸入多標(biāo)簽稀有類別分類模型，根據(jù)多標(biāo)簽稀有類別分類模型獲取點云數(shù)據(jù)中各個點的類別標(biāo)簽，將各個點的類別標(biāo)簽標(biāo)記為小樣本類別標(biāo)簽。

25、與現(xiàn)有技術(shù)相比，本發(fā)明解決了因類別不平衡和數(shù)據(jù)量不足而導(dǎo)致的模型性能問題，通過以下幾個方面提升了分類的準(zhǔn)確性和泛化能力：

26、1、數(shù)據(jù)預(yù)處理和特征提取

27、通過對點云數(shù)據(jù)進行格式預(yù)處理和局部特征提取，保證了輸入到深度學(xué)習(xí)模型的數(shù)據(jù)質(zhì)量和特征的有效性，這有助于提高模型的學(xué)習(xí)效率和準(zhǔn)確性。

28、2、人工標(biāo)注和稀有類別識別

29、通過人工標(biāo)注歷史數(shù)據(jù)集，并對類別標(biāo)簽進行統(tǒng)計分析，識別出稀有類別，這有助于確保模型在稀有類別上的表現(xiàn)，避免了因數(shù)據(jù)不平衡而導(dǎo)致的分類偏差。

30、3、大樣本標(biāo)簽分類模型

31、構(gòu)建大樣本標(biāo)簽分類模型，并利用歷史數(shù)據(jù)集進行訓(xùn)練，這種方法可以充分利用已有的大量數(shù)據(jù)，提高對于常見類別的識別能力。

32、4、遷移學(xué)習(xí)

33、利用遷移學(xué)習(xí)技術(shù)，將大樣本類別模型的知識遷移到稀有類別上，通過尋找可遷移類別標(biāo)簽，并構(gòu)建相應(yīng)的源標(biāo)簽分類模型，可以在數(shù)據(jù)量有限的情況下提高稀有類別的分類性能。

34、5、小樣本標(biāo)簽分類模型

35、通過構(gòu)建小樣本標(biāo)簽分類模型，并結(jié)合動態(tài)采樣策略，確保模型在稀有類別上的泛化能力，有效應(yīng)對數(shù)據(jù)集中小樣本類別的問題，提升模型的整體性能。

36、6、組合多標(biāo)簽稀有類別分類模型

37、將各個稀有類別標(biāo)簽的小樣本標(biāo)簽分類模型組合起來，形成一個多標(biāo)簽稀有類別分類模型，提高在多類別分類任務(wù)中的表現(xiàn)。