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”首先分別將帶標簽源場景和不帶標簽?zāi)繕藞鼍岸喙庾V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，采用目標場景分類器用于目標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)進行分類標注，獲取點云數(shù)據(jù)中各個點的類別標簽，并獲取稀有類別標簽；

4、步驟s3：構(gòu)建大樣本標簽分類模型，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簽；

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

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簽，根據(jù)點云數(shù)據(jù)中大樣本類別標簽和小樣本類別標簽，構(gòu)建當(dāng)前采集周期點云數(shù)據(jù)的完整類別標簽集。

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)進行分類標注，獲取點云數(shù)據(jù)中各個點的類別標簽，并獲取稀有類別標簽的過程包括：

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)進行分類標注，獲取點云數(shù)據(jù)中各個點的類別標簽，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簽進行統(tǒng)計分析，獲取若干歷史采集周期中各個類別標簽的總數(shù)量，預(yù)設(shè)訓(xùn)練閾值，將各個類別標簽的總數(shù)量與訓(xùn)練閾值進行比較，將總數(shù)量小于訓(xùn)練閾值的類別標簽標記為稀有類別標簽。

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簽的過程包括：

12、構(gòu)建大樣本標簽分類模型，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)練好的大樣本標簽分類模型，根據(jù)大樣本標簽分類模型獲取點云數(shù)據(jù)中各個點的類別標簽，將各個點的類別標簽標記為大樣本類別標簽。

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

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

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

17、獲取可遷移類別標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)中各個點的類別標簽作為訓(xùn)練集和測試集，構(gòu)建稀有類別標簽的源標簽分類模型，將所述訓(xùn)練集輸入到所述源標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)各個稀有類別標簽的源標簽分類模型，構(gòu)建各個稀有類別標簽的小樣本標簽分類模型的過程包括：

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

20、將稀有類別標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)中各個點的類別標簽標記為正樣本集，將其它類別標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)中各個點的類別標簽標記為負樣本集；

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

22、隨機選取k個正樣本集和s個負樣本集作為整體樣本集，通過整體樣本集對小樣本標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)量和負樣本集的動態(tài)采樣數(shù)量，直至小樣本標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)練的稀有類別標簽的小樣本標簽分類模型。

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簽的過程包括：

24、將各個稀有類別標簽的小樣本標簽分類模型組合為多標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簽稀有類別分類模型，根據(jù)多標簽稀有類別分類模型獲取點云數(shù)據(jù)中各個點的類別標簽，將各個點的類別標簽標記為小樣本類別標簽。

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)效率和準確性。

28、2、人工標注和稀有類別識別

29、通過人工標注歷史數(shù)據(jù)集，并對類別標簽進行統(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、大樣本標簽分類模型

31、構(gòu)建大樣本標簽分類模型，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簽，并構(gòu)建相應(yīng)的源標簽分類模型，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、小樣本標簽分類模型

35、通過構(gòu)建小樣本標簽分類模型，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、組合多標簽稀有類別分類模型

37、將各個稀有類別標簽的小樣本標簽分類模型組合起來，形成一個多標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)。