(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211189771.0 (22)申请日 2022.09.28 (71)申请人 蚌埠市勘测设计 研究院 地址 233030 安徽省蚌埠市胜利东路1426 号 申请人 安徽大学 (72)发明人 周伟明　王保国　刘虎　余剑　 谭晴　胡洪　刘辉　 (74)专利代理 机构 山东孔宣专利代理事务所 (普通合伙) 3740 5 专利代理师 朱云华 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) (54)发明名称 一种基于深度学习的三维点云语义分割方 法 (57)摘要 本发明公开了一种基于深度学习的三维点 云语义分割方法， 包括以下步骤： 步骤1、 根据先 验信息对倾斜摄影软件获取的场景数字正射影 像进行初步 分类； 步骤2、 对点云数据进行预处理 并进行点 云样本的制作； 步骤3、 点云数据完成预 处理与目标分割后， 赋予相应的属性， 并完成样 本集的封装； 步骤4、 将样 本集送入语义 分割的神 经网络中提取点云的特征， 完成模型训练； 步骤 5、 模型训练之后， 进行测试， 并对测试结果进行 可视化， 对可视化结果进一步分析， 借此， 本发明 能够直接处理无序点云， 并可以提取到点云不同 尺度的局部特征， 具有可以提高对精细场景的识 别以及对复杂场景的泛化能力的优点。 权利要求书1页 说明书3页 附图2页 CN 115482386 A 2022.12.16 CN 115482386 A 1.一种基于深度学习的三维点云语义分割方法， 其特 征在于， 包括如下步骤： 步骤1、 根据先验信息对影 像进行初步分类； 步骤2、 对数据进行 预处理并进行点云样本制作后， 完成样本集的封装； 步骤3、 将步骤2中的样本集送入语义分割的神经网络中提取点云的特征， 完成模型训 练。 2.根据权利要求1所述的一种基于深度 学习的三维点云语义分割方法， 其特征在于， 所 述步骤1中影 像是指倾 斜摄影软件获取的场景 数字正射影像。 3.根据权利要求1所述的一种基于深度 学习的三维点云语义分割方法， 其特征在于， 所 述步骤1中根据先验信息对影像进行初步分类的方法为， 将影像分为建筑物、 植被以及其 他， 并通过计算机制图软件制作出 各分类的矢量文件。 4.根据权利要求1所述的一种基于深度 学习的三维点云语义分割方法， 其特征在于， 所 述步骤2中对数据进行预处理的方法为， 将倾斜摄影软件获取的场景数字正射影像及实景 三维模型的数据格式转 为点云数据， 并将点云数据下采样另存为文本格式。 5.根据权利要求4所述的一种基于深度 学习的三维点云语义分割方法， 其特征在于， 所 述步骤2中进行点云样本制作的方法为， 利用各分类的矢量文件以及实景三维模型 的点云 数据分割出 各分类的点云样本 。 6.根据权利要求5所述的一种基于深度 学习的三维点云语义分割方法， 其特征在于， 所 述分割出的点云数据进行语义标注， 赋予相应的属性后， 完成封装。 7.根据权利要求1所述的一种基于深度 学习的三维点云语义分割方法， 其特征在于， 所 述步骤3中送入语义分割的神经网络中提取点云的特征 的方法为， 将制作好的样本集送入 Pointnet++点云数据处理网络中， Pointnet++提取样本集中不同尺度的局部特征， 并进行 融合。 8.根据权利要求7所述的一种基于深度 学习的三维点云语义分割方法， 其特征在于， 所 述融合的方法包括Multi  scale grouping和Multi  resolution grouping。 9.根据权利要求1所述的一种基于深度 学习的三维点云语义分割方法， 其特征在于， 所 述完成模型训练后还设有测试步骤， 测试 的方法为， 随机抽取数据集的部分数据作为测试 集送入Pointnet++点云数据处理网络中进行测试， 并对测试结果进行精度分析， 观察测试 效果， 分析是否需要继续增加样本的数量或继续调整参数， 在将相关影响因素影响降到最 低的情况 下， 进行多次测试。 10.根据权利要求1所述的一种基于深度学习的三维点云语义分割方法， 其特征在于， 所述步骤1 中根据先验信息对影像进 行初步分类的方法为， 由影像中的各类地物， 确定场景 语义分割中的各种分类。权　利　要　求　书 1/1 页 2 CN 115482386 A 2一种基于深度学习的三维点 云语义分割方 法 技术领域 [0001]本发明属于计算机视觉技术领域， 特别涉及一种基于深度学习的三维点云语义分 割方法。 背景技术 [0002]目前， 三维数据是计算机视觉技术的一项宝贵 “财富”， 它提供了关于对象、 场景完 整且丰富的几何信息。 随着三 维数据采集技术的飞速发展， 出现了越来越多廉价的传感器， 包括各种类型的三维数据扫描仪、 LiDAR和RGB ‑D相机。 这些传感器获取的三维数据不但能 够提供完整的几何、 形状和尺度信息， 而且获取方式简便易行， 进一步推动三维数据的发 展， 为机器提供了更好 地理解周围环境的机会， 为实现自动化打下基础。 [0003]不同的三维传感设备以不 同形式收集原始数据， 点云作为一种常用数据格式， 由 于其具有能够将原始几何信息完整地保留在三维空间中的重要特性， 成为不同领域研究与 开发应用时的首选对象， 包括自动驾驶、 实时定位与制图、 地质灾害监测与预防等， 它更是 许多场景理解相关应用程序的理想表示形式。 基于点云的目标物体分割与提取则是场景解 析中待解决的重要工作之一。 [0004]近些年， 随着三维激光扫描技术(LiDAR)的快速 发展和普及， 基于点云的目标物体 分割与提取算法研究已经成为当今LiDAR应用领域的热点话题之一。 这类算法解决的是如 何从杂乱无序的原始点云中识别、 分割与提取自然地物与人工建(构)筑物的问题， 是数字 地面模型生成、 复杂场景三维重建等后续应用的基础。 但是， 原始点云中往往存在目标多 样、 形态结构复杂、 目标遮挡和重叠、 空间密度差别迥异等现象， 这为三维点云的识别与提 取造成了巨大困难。 发明内容 [0005]本发明提出一种基于深度学习的三维点云语义分割方法， 解决了上述问题。 [0006]本发明的技术方案是这样实现的： 一种基于深度学习的三维点云语义分割方法， 包括如下步骤： [0007]步骤1、 根据先验信息对影 像进行初步分类； [0008]步骤2、 对数据进行 预处理并进行点云样本制作后， 完成样本集的封装； [0009]步骤3、 将步骤2中的样本集送入语义分割的神经网络中提取点云的特征， 完成模 型训练。 [0010]作为一种优选 的实施方式， 步骤1中影像是指倾斜摄影软件获取的场景数字正射 影像。 [0011]作为一种优选的实施方式， 步骤1中根据先验信息对影像进行初步分类的方法为， 将影像分为建筑物、 植被以及其 他， 并通过计算机制图软件制作出 各分类的矢量文件。 [0012]作为一种优选的实施方式， 步骤2中对数据进行预处理的方法为， 将倾斜摄影软件 获取的场景数字正射影像及实景三维模型的数据格式转为点云数据， 并将点云数据下采样说　明　书 1/3 页 3 CN 115482386 A 3