一种利用激光雷达点云数据识别黄土落水洞的方法

本发明涉及落水洞识别，特别涉及一种利用激光雷达点云数据识别黄土落水洞的方法。

背景技术：

1、土壤管道侵蚀被认为是一个广泛而重要的过程，但地下土壤侵蚀的研究在宽度、广度和深度上远远不及地表土壤侵蚀的研究。中国的黄土洞穴根植于世界上最典型的黄土地层和黄土地貌之中，黄土高原也是世界上地质灾害最为频发、水土流失最为严重的区域之一，具有许多鲜明的、独特的地域特点和特色。黄土高原地区广泛分布着落水洞，这些洞穴具有危害性、隐蔽性、不可预测性和地表响应性等特点，给交通、农业、城市建设等事业带来了很大的隐患和不便。因此，黄土落水洞的检测和识别已经成为黄土高原地区交通、土地、水利、矿产、城建等部门非常关注的一项重要问题。

2、开展黄土洞穴敏感性评估与制图，可以更好地服务黄土洞穴地质灾害的防灾减灾。黄土洞穴在地下空间的分布和延伸极其复杂，不同洞穴在地下互相串连、连通，甚至在斜坡上和沟道中形成了复杂的地下洞穴系统。黄土洞穴系统的复杂性、隐蔽性和连通性决定了使用常规遥感和无人机摄影测量很难摸清楚它们在地下空间的三维形态结构。

3、现有的黄土落水洞检测的方法还存在一些问题和不足之处。具体来说，主要表现在以下几个方面：

4、人力工作量大，效率低。传统的落水洞检测方式常常依赖于人工驾车例行巡查和步行探查，需要消耗大量的人力物力，而且由于视线受限、人为主观因素等原因，效率和准确性都有待提高，数据质量难以保障。传统的黄土落水洞检测方式存在采样点密度低、地形复杂、范围广、采样不连续等数据不全面的难题，这些问题都对黄土落水洞的识别和定位造成了巨大的困难，造成分析精度和效果不一。传统的黄土落水洞检测方法还依赖于杨氏方差分析、支持向量机等基于统计方法和机器学习方法，分析精度和效果受到很多因素的影响，无法取得理想的效果，且传统的基于图像的黄土落水洞识别算法模型体积庞大，训练复杂程度高。

技术实现思路

1、本发明的目的在于针对上述现有技术的不足，提供一种利用激光雷达点云数据识别黄土落水洞的方法，以解决现有技术中落水洞的检测和识别效率低且会产生人工差错和漏检的问题。

2、本发明具体提供如下技术方案：一种利用激光雷达点云数据识别黄土落水洞的方法，包括以下步骤：

3、采集待检测区域的激光雷达点云数据；

4、对所述激光雷达点云数据预处理，标记出洞穴区域；

5、构建改进poinnet++模型：在poinnet++模型基础上加入transformer特征提取模块；

6、将所述标记出洞穴区域的激光雷达点云数据输入改进poinnet++模型进行识别，提取出初步的黄土落水洞区域；

7、使用区域生长算法将所有所述初步的黄土落水洞区域作为种子点，并对每个种子点定义一个邻域；

8、将每个种子点视作锚节点，并将每个种子点邻域内的k个种子点视作邻节点，对每个邻节点到锚节点的法向量判断，若法向量大于阈值就将该种子点加入到初步的黄土落水洞区域中；

9、对包含多个种子点的邻域通过设定规则合并成新的区域，通过所述新的区域获得最终的黄土落水洞区域；其中最终的黄土落水洞区域精细程度大于初步的黄土落水洞区域。

10、优选的，所述采集待检测区域的激光雷达点云数据，包括如下步骤：

11、利用低空机载激光雷达无人机获取地表点云数据；

12、利用手持激光雷达设备环绕洞穴顶部扫描获取内部点云；

13、对于空穴以及其他设备的测量盲区，采用激光雷达无人机飞入洞穴内部进行点云数据采集；

14、对所述地表点云数据、洞穴的内部点云数据以及测量盲区的点云数据进行合并，获得最终的激光雷达点云数据。

15、优选的，对所述地表点云数据、洞穴的内部点云数据以及测量盲区的点云数据进行合并，获得最终的激光雷达点云数据，包括如下步骤：

16、以测量精度最高的低空机载雷达无人机设备获取的点云数据作为配准基准数据；

17、利用迭代最近点精细配准算法，将手持激光雷达设备和激光雷达无人机获取的点云数据进行配准。

18、优选的，所述对所述激光雷达点云数据预处理，标记出洞穴区域，包括如下步骤：

19、采用点云滤波算法清除点云数据中的噪声；

20、对去噪后的点云数据进行分割，分别标注出落水洞区域和地面区域，然后合并点云数据；

21、并将所述点云数据量以7:1:2进行分割，划分为训练集、测试集与验证集。

22、优选的，所述构建poinnet++模型，包括如下步骤：

23、在pointnet模型基础上增加层级式采样模块和层级式聚合模块来构建poinnet++模型；

24、所述层级式采样模块用最远点采样算法逐级对点云进行均匀的下采样；

25、所述层级式聚合模块用最近邻算法或者球形查询的方式聚合寻找单个锚节点的邻域节点，低于阈值级别的采样结果被用作高于阈值级别的聚合输入。

26、优选的，所述将所述标记出洞穴区域的激光雷达点云数据输入poinnet++模型进行识别，包括如下步骤：

27、将激光雷达点云数据作为输入，利用多层感知机对输入点云坐标数据进行升维；

28、将所述升维后的激光雷达点云数据输入层级式采样模块，通过最远点采样算法逐级对点云进行均匀的n倍下采样减少点云数量；

29、将减少点云数量的激光雷达点云数据输入所述层级式聚合模块中，使用k近邻算法或者球形查询的方式聚合寻找每个点周围的k个邻居节点，并使用transformer特征提取模块对k个邻居节点进行全局特征和局部特征提取；

30、使用上采样插值的方式逐步将全局特征和局部特征提取后的点云数量增加到原始大小，利用k个邻居节点更新特征。

31、优选的，所述使用transformer特征提取模块对k个邻居节点进行全局特征和局部特征提取，包括步骤：

32、依次在三个维度(x，y，z)上对点云ψ进行排序，获得子点云xf；

33、全局特征提取模块gt通过线性变换把子点云xf转换为q,k,v∈rg×md，生成全局注意力矩阵；

34、

35、其中，q,k,v分别表示查询、键和值向量，rg×md为三维实数空间，γ为映射函数，σ为位置编码函数，⊙为同或符号，l为子点云之间的距离，rg×md为三维实数空间，dk是为了把softmax函数限制在一个梯度区域内的常数；

36、将全局注意力矩阵attng与v相乘获得全局特征；

37、使用局部特征提取模块lt计算锚节点与其k个邻居节点的距离d，生成局部注意力矩阵αi；

38、αi＝1-softmax(ln(d))

39、其中，ln表示层归一化；

40、将局部注意力矩阵以权重的形式赋予给锚节点的邻居节点fi，获得局部特征f；

41、

42、其中，fi为对应点的特征值。

43、优选的，所述依次在三个维度(x，y，z)上对点云ψ进行排序，获得子点云xf，包括如下步骤：

44、将第一个维度排序，获得索引indexx；

45、利用索引indexx得到排序后的坐标ψi和对应特征

46、将坐标ψi和对应特征分为g组子点云，每一组包含n/g个点；

47、将第二维度和第三维度以相同方式获得g组子点云；

48、在获得三种维度的g组子点云xf后，计算获得子点云xf之间的距离l；

49、

50、其中，r是每个子点云的形心，其定义如下：

51、

52、其中，g∈{1,...,g},k∈{1,2,3}，m为参数数量，i,j∈g。

53、优选的，所述利用k个邻居节点更新特征，具体表达式为：

54、

55、其中，d(x,xi)为两点间的距离，fi为对应点的特征值。

56、优选的，在将所述标记出洞穴区域的激光雷达点云数据输入poinnet++模型之前，需对poinnet++模型进行训练，包括步骤：

57、随机从预处理后的点云中采集16000个点用于训练；

58、采用随机翻转、绕z轴随机旋转、随机缩放的方式对点云进行数据增强；

59、当验证集的损失最小时保存此刻的poinnet++模型权重作为最优权重。

60、与现有技术相比，本发明具有如下显著优点：

61、本发明通过激光雷达扫描仪获取点云，利用深度学习算法改进的pointnet++提取点云特征，实现黄土落水洞的初步识别，并利用区域生长算法实现黄土落水洞的精细分割。本发明基于激光点云的技术可以自动学习具有区分性的特征，从而可以更准确地识别出落水洞，具有采样点密度高，对于地形复杂的黄土地面可以连续的进行数据采集，精确提高黄土落水洞的识别和定位；同时本发明可以在不同的环境下自适应地学习特征，从而可以更好地应对复杂的地形和环境变化，提高黄土落水洞的精细化获取，有更好的鲁棒性。