本發(fā)明涉及點云處理領(lǐng)域，特別涉及一種基于機載激光雷達的最適點云密度預(yù)測方法。

背景技術(shù)：

1、機載lidar技術(shù)能夠快速、精準(zhǔn)地獲取大范圍的地表數(shù)據(jù)，通過多次回波的數(shù)據(jù)采集手段能穿透植被覆蓋生成真實地表的三維地形模型，因此被廣泛應(yīng)用到地質(zhì)災(zāi)害調(diào)查領(lǐng)域，但目前機載lidar現(xiàn)場數(shù)據(jù)采集的點云密度還存在很多問題。由lidar獲取的點云數(shù)據(jù)構(gòu)建的數(shù)字高程模型（digital?elevation?model,dem）在人工目視解譯地質(zhì)災(zāi)害、機器學(xué)習(xí)自動識別裂縫或災(zāi)害范圍中都至關(guān)重要，其精度和可視化質(zhì)量直接關(guān)系識別和分析的準(zhǔn)確度。點云密度的大小直接決定了dem質(zhì)量，僅依靠數(shù)據(jù)采集人員的經(jīng)驗難以準(zhǔn)確判斷采集得到的原始點云經(jīng)處理后，地面點云密度是否能滿足構(gòu)建dem的精度需求。一方面，若采集時所需的激光點云密度較高，數(shù)據(jù)采集人員需要設(shè)置較高的激光點頻與航向重疊度，或較低的飛行速度，這會導(dǎo)致飛行、數(shù)據(jù)儲存和處理成本增加；另一方面，點云密度過低會造成tin插值生成dem時產(chǎn)生局部拉花和微地貌要素（如裂縫、沖溝、下錯陡坎、洼地等）的缺失。此外，從設(shè)備層面看，由于機載lidar系統(tǒng)的定位精度限制，當(dāng)點云密度過高超過定位精度就會形成大量噪點。

2、為明確合適的采集點云密度值，各國制定了相應(yīng)的機載lidar數(shù)據(jù)采集規(guī)范，但是并不足夠支持豐富采集場景。the?united?states?geological?survey(usgs)在2012年8月發(fā)表了針對測繪行業(yè)的激光雷達采集規(guī)范（lidar?base?specification），其2024年的更新規(guī)定了構(gòu)建的三維高程模型質(zhì)量不低于ql2級，相應(yīng)點云密度是2pts/m2，最高的質(zhì)量等級ql0要求點云密度達到8pts/m2，dem的絕對垂直精度（rmse）應(yīng)不大于0.1m。但這份規(guī)范并沒有明確應(yīng)如何根據(jù)調(diào)查需求確定質(zhì)量等級，且實施者不能僅通過構(gòu)建dem所需的地面點云密度推斷現(xiàn)場應(yīng)采集的原始點云密度。日本作為地質(zhì)災(zāi)害頻發(fā)的國家之一，thegeospatial?information?authority?of?japan(gsi)在2016年制定了無人機公共測量手冊，該手冊自2020年進行更新后規(guī)定在受植被影響較高的地方激光雷達采集點云密度需要達到20~200pts/m2，但推薦值范圍太廣，無法準(zhǔn)確指導(dǎo)現(xiàn)場人員根據(jù)不同需求進行點云密度采集。中國現(xiàn)有的機載激光雷達數(shù)據(jù)獲取技術(shù)規(guī)范是2011年由測繪行業(yè)所制定，對不同比例尺下構(gòu)建dem的點云密度做出了規(guī)定。規(guī)定中要求的最高點云密度為不小于16點/平米，是為了滿足測繪領(lǐng)域等高線的識別需求，并沒有考慮植被覆蓋情況下微地貌要素的識別需求。目前，仍缺少針對地質(zhì)災(zāi)害遙感調(diào)查的科學(xué)、完善的機載lidar采集點云密度指導(dǎo)，

3、實際上，目前大多數(shù)研究都是針對構(gòu)成dem的地面點云展開，并未提出合適的采集點云密度。目前用于指導(dǎo)生產(chǎn)的采集點云密度方面的研究還較少，獲得理想的最優(yōu)地面點云密度應(yīng)設(shè)置多少采集點云密度是個比較復(fù)雜的問題。首先激光穿透力極大程度依賴激光雷達傳感器本身的性能；其次，植被覆蓋度極大程度影響了發(fā)射的點云有多少能夠到達地面；最后，測區(qū)內(nèi)的高程變化會導(dǎo)致真實地面距離傳感器的距離不同，即傳感器距離地面較近時，會使得單位面積接受的激光點云數(shù)量更多；測區(qū)內(nèi)的坡度變化會影響接受激光的面積大小，即坡度較陡時會使得陡立面上接受到的激光點云個數(shù)更少。因此，從理想的構(gòu)建dem的地面點云密度推算出現(xiàn)場需要采集的點云密度需要考慮的因素眾多。本技術(shù)引入機器學(xué)習(xí)的方法，在考慮林分郁閉度、坡度、測區(qū)高差影響的情況下，以理想的最優(yōu)地面點為輸入，預(yù)測出無人機載lidar數(shù)據(jù)采集階段應(yīng)設(shè)計的采集點云密度區(qū)間。因為測區(qū)的植被覆蓋、坡度等都呈現(xiàn)出圍繞平均值上下浮動的區(qū)間，所以應(yīng)該為預(yù)測值提供不確定性度量。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的一種解決了現(xiàn)有的點云密度預(yù)測方法缺乏不確定性度量的問題。

2、為了達到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：一種基于機載激光雷達的最適點云密度預(yù)測方法，包括：

3、s1、通過機載激光雷達獲取高密度原始點云和正射影像，并進行預(yù)處理，得到數(shù)據(jù)源；

4、s2、利用數(shù)據(jù)源制作用于訓(xùn)練的數(shù)據(jù)集；

5、s3、使用數(shù)據(jù)集訓(xùn)練icp-nn模型；

6、s4、將待處理的高密度原始點云和正射影像輸入訓(xùn)練后的icp-nn模型，得到最適點云密度的預(yù)測區(qū)間。

7、進一步地：所述s1包括：

8、s11、通過機載激光雷達進行數(shù)據(jù)采集，獲取高密度原始點云和正射影像；

9、s12、將pos數(shù)據(jù)導(dǎo)入正射影像，并使用空三解算獲取目標(biāo)點；

10、s13、根據(jù)目標(biāo)點進行網(wǎng)絡(luò)構(gòu)建，得到處理后的正射影像；

11、s14、對高密度原始點云進行波段拼接和波段調(diào)整，得到處理后的點云；

12、s15、對處理后的點云進行自動分類并過濾掉噪音，得到地面點云；

13、s16、根據(jù)地面點云構(gòu)建數(shù)字高程模型；

14、s17、將處理后的正射影像和數(shù)字高程模型作為數(shù)據(jù)源。

15、進一步地：所述s2包括：

16、s21、提取數(shù)據(jù)源中的點云個數(shù)以及地面點云個數(shù)；

17、s22、計算數(shù)據(jù)源的地表植被覆蓋情況；

18、s23、根據(jù)數(shù)據(jù)源的地理環(huán)境、地表植被覆蓋情況、點云個數(shù)以及地面點云個數(shù)，制作用于訓(xùn)練的數(shù)據(jù)集。

19、進一步地：所述s22中，使用植被郁閉度表征地表植被覆蓋情況。

20、進一步地：所述s3包括：

21、s31、通過數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型；

22、s32、使用歸納共性預(yù)測算法輔助神經(jīng)網(wǎng)絡(luò)，得到icp-nn模型。

23、進一步地：所述s4中，icp-nn模型得到最適點云密度的預(yù)測區(qū)間的方法包括：

24、s41、設(shè)置icp-nn模型的預(yù)測區(qū)間執(zhí)行度，計算未標(biāo)記的數(shù)據(jù) x的預(yù)測集；

25、s42、根據(jù)預(yù)測集的約束，將預(yù)測集轉(zhuǎn)化為最適點云密度的預(yù)測區(qū)間。

26、進一步地：所述s41中，預(yù)測集的表達式為：

27、

28、其中， h(.)是heaviside階躍函數(shù)，為數(shù)據(jù)點的ncm值，和為兩個結(jié)構(gòu)和類型相同的機器學(xué)習(xí)模型，和為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中的權(quán)值集合，為數(shù)據(jù) zj對應(yīng)的ncm值，分別為數(shù)據(jù) zj對應(yīng)的輸入變量和目標(biāo)標(biāo)簽，數(shù)據(jù) zj為獨立同分布的數(shù)據(jù)組中的任一數(shù)據(jù)， x為未標(biāo)記數(shù)據(jù)， y為未標(biāo)記數(shù)據(jù) x對應(yīng)的真實目標(biāo)值， r為實數(shù)， l和 k均表示數(shù)據(jù)組的范圍節(jié)點。

29、進一步地：所述獨立同分布的數(shù)據(jù)組中，為訓(xùn)練集，為校準(zhǔn)集，為測試集。

30、進一步地：所述s42中，預(yù)測集的約束為：

31、

32、其中，pr(.)表示聯(lián)合分布。

33、進一步地：所述最適點云密度的預(yù)測區(qū)間為；

34、其中，，， q為校準(zhǔn)集中所有數(shù)據(jù)的分位數(shù)。

35、本發(fā)明的有益效果為：

36、1.提供了不確定性度量，能夠決策者更好地控制風(fēng)險；

37、2.改進區(qū)間預(yù)測算法，并用于機載激光雷達采集點云密度設(shè)計，能夠指定置信水平的預(yù)測區(qū)間；

38、3.建立了基于地理環(huán)境、植被郁閉度、獲得地面點云密度和采集點云密度的數(shù)據(jù)集，該數(shù)據(jù)可以用于訓(xùn)練其他點云密度預(yù)測模型。