(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 202211221959.9 (22)申请日 2022.10.08 (71)申请人 中国石油大 学 （华东） 地址 266580 山东省青岛市长江西路6 6号 (72)发明人 王斌　王浩　宋冬梅　 (74)专利代理 机构 北京盛询知识产权代理有限 公司 11901 专利代理师 相黎超 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 融入注意力机制多尺度CNN的LiDAR点云滤 波方法 (57)摘要 本发明公开了融入注意力机制多尺度CNN的 LiDAR点云滤波方法， 本发明属于点 云滤波领域， 包括： 获取激光雷达点云数据的标准化坐标值， 将所述点云数据转换成多通道图像， 其中所述多 通道图像包括： 训练图像和测试图像。 构建融入 注意力机制多尺度CNN的点云滤波模型， 所述点 云滤波模型包括： 输入层、 卷积层、 注意力层和全 连接层； 基于 所述训练图像， 通过所述注意力层， 训练与优化所述点云滤波模型； 将所述测试图像 输入至训练好的点云滤波模型， 输出预测结果； 所述预测结果包括： 地面点和非地面点。 本发明 能够提取点 云的深层次特征， 能取得较好的点云 滤波效果。 权利要求书1页 说明书10页 附图4页 CN 115512226 A 2022.12.23 CN 115512226 A 1.一种融入注意力机制多尺度CN N的LiDAR点云滤波方法， 其特 征在于， 包括以下步骤： 获取激光雷达点云数据的标准化坐标值， 将所述点云数据转换成多通道图像； 其中所 述多通道图像包括： 训练图像和 测试图像； 构建融入注意力机制多尺度CNN的LiDAR点云滤波模型， 所述点云滤波模型包括： 输入 层、 卷积层、 注意力层和全连接层； 基于所述训练图像， 训练与优化所述 点云滤波模型； 将所述测试图像输入至训练好的点云滤波模型， 输出预测结果； 所述预测结果包括： 地 面点和非地 面点。 2.根据权利要求1所述的融入注意力机制多尺度CNN的LiDAR点云滤波方法， 其特征在 于， 获取激光雷达点云数据的标准 化坐标值的过程包括： 获取激光雷达点云数据的均值和标准差， 基于所述均值和标准差， 对所述点云数据的 初始坐标值进行 标准化处理， 得到点云数据的标准 化坐标值。 3.根据权利要求1所述的融入注意力机制多尺度CNN的LiDAR点云滤波方法， 其特征在 于， 将所述 点云数据转换成多通道图像的过程包括： 定义一个可移动的二维 “方形窗口 ”， 将该窗口划分为若干个等面积的栅格， 通过移动 二维“方形窗口 ”遍历整个点云， 将每个栅格中点云的高程值映射为红、 绿、 蓝三通道像素 值， 并且转换成多通道图像。 4.根据权利要求1所述的融入注意力机制多尺度CNN的LiDAR点云滤波方法， 其特征在 于， 所述卷积层包括： 卷积核、 批处 理规范化层和非线性激活函数层。 5.根据权利要求1所述的融入注意力机制多尺度CNN的LiDAR点云滤波方法， 其特征在 于， 所述注意力层包括： 通道 注意力模块和空间注意力模块。 6.根据权利要求5所述的融入注意力机制多尺度CNN的LiDAR点云滤波方法， 其特征在 于， 训练与优化所述 点云滤波模型的过程包括： 将所述多通道图像输入至所述点云滤波模型中， 依次经过输入层、 第 一卷积层、 通道注 意力模块、 空间注 意力模块、 第二卷积层及 全连接层， 当训练达到 设定的迭代次数或连续若 干个轮次损失函数不再减小， 则训练停止， 得到训练好的点云滤波模型。 7.根据权利要求6所述的融入注意力机制多尺度CNN的LiDAR点云滤波方法， 其特征在 于， 基于所述通道注意力模块， 沿空间维度对所述卷积层输出的卷积特征图进行查询与赋 值， 对各个通道赋予注意力权 重， 得到一维通道的注意力映射， 输出通道特 征图。 8.根据权利要求7所述的融入注意力机制多尺度CNN的LiDAR点云滤波方法， 其特征在 于， 基于所述空间注意力模块， 沿通道维度对所述通道特征图进 行查询与赋值， 突出显示区 域重要性， 得到二维空间的注意力映射， 输出空间特 征图。权　利　要　求　书 1/1 页 2 CN 115512226 A 2融入注意力机制多尺度CN N的LiDAR点 云滤波方 法 技术领域 [0001]本发明属于点云滤波领域， 特别是涉及融入注意力机制多尺度CNN的LiDAR点云滤 波方法。 背景技术 [0002]相较于传统遥感手段， 激光雷达系统(LiDAR)能够高效、 快速地获取地表高精度三 维点云数据， 已被广泛应用于数字地形模型(digital  terrain model,DTM)生成、 三维建筑 建模、 水文建模、 森林清查与管理等多个应用领域。 LiDAR系统在获取数据时不仅提供高精 度和高密度的地形表面信息， 同时也记录了非地形表面物体的信息， 首先就需要对点云中 的地面点和非地面点进行分离处理。 LiDAR点云滤波就是一种将点云中的地面点和非地面 点分离的处 理技术。 [0003]现有的基于传统特征的点云滤波算法原理简单、 易于实现， 但就实际操作来说， 普 遍存在地面点与非地面点误分类的情况， 且容易受到地形因素的影响， 在山区或者具有复 杂地形的区域效果不佳。 基于机器学习的滤波算法虽然有多种分类器可用于学习点云特 征， 但人工提取特征复杂且耗时， 且提取 的特征有可能不是设计的分类器所需要的最优特 征。 现有的基于深度学习的方法比较少， 虽然相对于传统方法与机器学习 方法取得了较好 的结果， 但是将点云数据转换为多视图或体素数据的思想会造成数据的冗余， 计算开销较 大。 发明内容 [0004]本发明的目的是提供一种融入注意力机制多尺度CNN的LiDAR点云滤波方法， 以解 决上述现有技 术存在的问题。 [0005]为实现上述目的， 本 发明提供了一种融入注意力机制多尺度CNN的LiDAR点云滤波 方法， 包括： [0006]获取激光雷达点云数据的标准化坐标值， 将所述点云数据转换成多通道图像； 其 中所述多通道图像包括： 训练图像和 测试图像； [0007]构建融入注意力机制多尺度CNN 的LiDAR点云滤波模型， 所述点云滤波模型包括： 输入层、 卷积层、 注意力层和全连接层； [0008]基于所述训练图像， 训练与优化所述 点云滤波模型； [0009]将所述测试 图像输入至训练好的点云滤波模型， 输出预测结果； 所述预测结果包 括： 地面点和非地 面点。 [0010]优选地， 获取激光雷达点云数据的标准 化坐标值的过程包括： [0011]获取激光雷达点云数据的均值和标准差， 基于所述均值和标准差， 对所述点云数 据的初始坐标值进行 标准化处理， 得到点云数据的标准 化坐标值。 [0012]优选地， 将所述 点云数据转换成多通道图像的过程包括： [0013]定义一个可移动的二维 “方形窗口 ”， 将该窗口划分为若干个等面积的栅格， 通过说　明　书 1/10 页 3 CN 115512226 A 3