(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 202211209998.7 (22)申请日 2022.09.30 (71)申请人 深圳市规划 和自然资源数据管理中 心 地址 518034 广东省深圳市福田区新闻路 69号1楼 申请人 河海大学　南京大学 (72)发明人 陈焱明　刘小强　程亮　李满春　 李国立　蔡欣宇　陈瑶　陈丹晖　 万思达　陈坚利　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 朱小兵 (51)Int.Cl. G06V 10/764(2022.01)G06V 10/82(2022.01) G06V 10/40(2022.01) G06V 10/26(2022.01) G06V 20/10(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于图神经网络的LiDAR点云与OSM标注信 息流耦合分类方法 (57)摘要 本发明公开了一种基于图神经网络的LiDAR 点云与OSM标注信息流耦合分类方法。 以图神经 网络为理论依据， 首先超分割激光雷达点云得到 “超点”， 并根据超点之间的邻接关系构建超点邻 接图； 利用PiontNet嵌入超 点特征并设计邻接图 边特征从而形成完整的 图神经网络； 再将超点与 对应的众源地图平台标注信息关联， 将其纳入基 于图卷积网络的超点特征更新 以实现众源地图 平台标注信息全局传递， 从而实现地表地物分 类。 本发明提出的激光雷达点云分类策略可以解 决众源地图平台标注的稀 疏性， 表达众源地图平 台标注对其他地物对象 的影响， 在地表分类上均 取得较优的性能， 实现了高质量、 智 能化的城市 地表覆盖三维分类 。 权利要求书2页 说明书7页 附图2页 CN 115546544 A 2022.12.30 CN 115546544 A 1.基于图神经网络的LiDAR点云与OSM标注信息流耦合分类方法， 其特征在于， 包括如 下步骤： S1、 超分割激光雷达点云得到超点， 将其作为分类单元， 并根据 各个超点之间的欧式邻 接关系， 构造超点邻接图； S2、 利用PiontNet为超点嵌入特征并设计邻接图中超边的特征， 形成完整的图神经网 络； S3、 将众源地图平台标注中的建筑物与对应超点关联， 固定该类超点的特征， 将未与 众 源地图平台标注关联的超点， 使用相邻超点的聚合进行迭代更新； S4、 使用迭代过程中所有的状态组合预测未关联超点类别， 获得城市三维土地覆盖分 类结果。 2.根据权利要求1所述的基于图神经网络的LiDAR点云与OSM标注信息流耦合分类方 法， 其特征在于， 步骤S1包括如下子步骤： S1.1、 利用激光雷达点云超分割方法获得超点， 其优化目标利用如下分割能量 函数： 其中， 为激光雷达点云表征特征， fseg由点云邻域定义的协方差奇异值分解 计算得到， 包括： 点状、 线状、 面状、 垂度四个特征； (i,j)∈E表示第i个点云与第j个点云相 邻； 优化结果g*是具有重复分量的张量， 相同分量的连通区域为超点； λ为超参数， 用于表达 分割数量与分割形状之间的一个调整参数,该能量 函数利用l0‑cut算法近似求 解； S1.2、 利用狄洛尼算法构建包含所有激光雷达点云的三角网以确定点云之间的邻接关 系， 之后筛选出狄洛尼三角网中连接不同点云的边， 这些边两端的点云所对应的超点视为 存在邻接关系， 加入邻接图 的边集合 ε 中， 如下式： 其中， 图结构 表示各个超点之间的欧式邻接关系， 是超点的集合， ε是超 点之间的边集合， 表达超点间邻接关系； V和U表 示超点， 表示所有超点对 所在的集合， i、 j分别表示超点V、 U中的任一超点， εΔ表示狄洛尼三角网中所有边的集 合。 3.根据权利要求2所述的基于图神经网络的LiDAR点云与OSM标注信息流耦合分类方 法， 其特征在于， 步骤S2包括如下子步骤： S2.1、 利用Po intNet的多层感知机对邻域内每 个点云进行多重的一维卷积； S2.2、 在一维卷积之后使用卷积 ‑最大池化 概括邻域内所有点云的特 征； S2.3、 利用超点之间的边 集合 ε为超边嵌入特 征。 4.根据权利要求3所述的基于图神经网络的LiDAR点云与OSM标注信息流耦合分类方 法， 其特征在于， 步骤S3具体为3具体为： 选取众源地图平台中比较准确的建筑物面状矢量， 将其与对应的超点进行关联， 对于 未关联的超点， 聚合 其相邻超点的信息， 聚合方式如下式： 其中， 超点状态的初始值 为使用PointNet嵌入的特征； 是超点邻接图中与未关联权　利　要　求　书 1/2 页 2 CN 115546544 A 2超点V邻接的已关联超点的特 征的聚合； ε是超点邻接图的边 集合； MLPedge是一个多层感知机模型， 用于将边特征fVU转化为与隐状态维度一致的向量， ⊙ 表示逐元素相乘。 5.根据权利要求1所述的基于图神经网络的LiDAR点云与OSM标注信息流耦合分类方 法， 其特征在于， 步骤S4具体为： 利用迭代流的点云语义进行地物类别推断， 在门控循环单元网络的迭代过程中， 未关 联众源地图平台标注 的超点会产生 隐状态 利用线性模型计算迭代流 中产生的隐状态映射的类别空间， 如下式： 其中， W表示需要学习的线性模型的参 数矩阵， 为类别空间， L(v)表示超点分类的概率 向量， 其类别l(c)是最大概 率对应的类别。 6.根据权利要求3所述的基于图神经网络的LiDAR点云与OSM标注信息流耦合分类方 法， 其特征在于， 步骤S2.1中， 随机对128个点云进行一维卷积和卷积 ‑最大池化以嵌入特 征。 7.根据权利要求3所述的基于图神经网络的LiDAR点云与OSM标注信息流耦合分类方 法， 其特征在于， 步骤S2.3中， 所述超边特 征采用5种类型， 13个维度表示。权　利　要　求　书 2/2 页 3 CN 115546544 A 3