(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 20221025815 0.7 (22)申请日 2022.03.16 (71)申请人 中关村科 学城城市大脑 股份有限公 司 地址 100081 北京市海淀区中关村南大街5 号1区689号楼海淀科技大厦6层 (72)发明人 马建峰　谷雨明　王辉　梅一多　 郭宝松　赵丽媛　李蹊　张昆鹏　 (74)专利代理 机构 北京劲创知识产权代理事务 所(普通合伙) 11589 专利代理师 王闯 (51)Int.Cl. G06T 17/20(2006.01) G06T 19/20(2011.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06K 9/62(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) (54)发明名称 一种应用 于城市大脑的激光点云建模方法 和系统 (57)摘要 本发明是关于一种应用于城市大脑的激光 点云建模方法和系统。 该方法包括： 步骤1、 构建 深度神经网络， 采用Softplus激活函数对获取的 点云数据进行特征表述， 并基于LargeVi s对形成 的特征进行降维， 然后利用自适应聚类算法进行 聚类， 把聚类的结果作为伪标签， 进而通过反向 传播更新网络的权重参数； 步骤2、 让更新权重参 数后的网络重新预测 伪标签； 步骤3、 依次交替执 行步骤1和步骤2， 直至完成激光点云数据建模。 本发明提供的技术方案， 可以快速、 便捷、 准确的 在数字空间对物理实物建立3D 模型 （网格面边） ， 保证了孪生模型具有高保真、 高可靠、 高精度的 特征， 对于具有高精度应用需求的场景尤为适 用。 权利要求书1页 说明书6页 附图2页 CN 114596420 A 2022.06.07 CN 114596420 A 1.一种应用于城市大脑的激光 点云建模方法， 其特 征在于， 包括： 步骤1、 构建深度神经网络， 采用Softplus激活函数对获取的点云数据进行特征表述， 并基于Lar geVis对形成的特征进行降维， 然后利用自适应聚类算法进行聚类， 把聚类的结 果作为伪标签， 进 而通过反向传播更新网络的权 重参数； 步骤2、 让 更新权重参数后的网络 重新预测伪标签； 步骤3、 依次交替执 行步骤1和步骤2， 直至 完成激光 点云数据建模。 2.根据权利要求1所述的方法， 其特 征在于， 在步骤1之前， 还 包括： 对获取的点云数据和全景影 像数据进行 预处理的步骤。 3.根据权利要求2所述的方法， 其特 征在于， 对获取的点云数据进行 预处理， 具体包括： 对获取的点云数据进行去噪、 去冗、 抽稀和简化处 理。 4.根据权利要求2所述的方法， 其特征在于， 对获取的全景影像数据进行预处理， 具体 包括： 根据空间一 致性， 将点云数据和全景影 像配准、 关联及映射。 5.根据权利要求1至4任一项所述的方法， 其特 征在于， 步骤3之后， 还 包括： 步骤4、 按照步骤1、 步骤2及步骤3逐一建立每 个部件的三维网格模型； 步骤5、 通过重 叠区域或公共点将所有三维网格模型拼接成整体的三维模型。 6.一种应用于城市大脑的激光 点云建模系统， 其特 征在于， 包括： 构建及更新模块， 用于构建深度神经网络， 采用Softplus激活函数对获取的点云数据 进行特征表述， 并基于Lar geVis对形成的特征进行降维， 然后利用自适应聚类算法进行聚 类， 把聚类的结果作为伪标签， 进 而通过反向传播更新网络的权 重参数； 预测模块， 用于让 更新权重参数后的网络 重新预测伪标签； 建模模块， 用于依次交替调用所述构建及更新模块和所述预测模块， 直至完成激光点 云数据建模。 7.根据权利要求6所述的系统， 其特 征在于， 还 包括： 预处理模块， 用于对获取的点云数据和全景影 像数据进行 预处理。 8.根据权利要求7 所述的系统， 其特 征在于， 所述预处 理模块， 具体包括： 第一预处 理单元， 用于对获取的点云数据进行去噪、 去冗、 抽稀和简化处 理。 9.根据权利要求7 所述的系统， 其特 征在于， 所述预处 理模块， 具体包括： 第二预处 理单元， 用于根据空间一 致性， 将点云数据和全景影 像配准、 关联及映射。 10.根据权利要求6 ‑9任一项所述的系统， 其特 征在于， 还 包括： 建立模块， 用于调用所述构建及更新模块、 所述预测模块和所述建模模块逐一建立每 个部件的三维网格模型； 拼接模块， 用于通过重叠区域或公共点将每个部件的所有三维网格模型拼接成整体的 三维模型。权　利　要　求　书 1/1 页 2 CN 114596420 A 2一种应用于城市大脑的激光点 云建模方 法和系统 技术领域 [0001]本发明涉及 点云数据处理领域， 尤其涉及 一种应用于城市大脑的激光点云建模方 法和系统。 背景技术 [0002]在数字孪生城市三维场景中， 建模是数字孪生的技术基础和支柱。 激光扫描仪扫 描实体采集的点云数据， 传统的建模技术需要在辅助软件的帮助下由人工依 托点云进 行建 模， 以实现对物理实物还原， 不仅工作量大、 建模周期 长， 对建模人员技术要求也高， 严重地 限制了在数字城市 建设这种大规模数据体量下的应用。 发明内容 [0003]为克服传统建模方法存在的工作量大、 建模周期长、 对技术人员要求高等问题， 本 发明提供一种应用于城市大脑的激光点云建模方法和系统， 能够可以快速、 便捷、 准确的在 数字空间对物理实物建立3D模 型 （网格面边） ， 保证了孪生模型具有高保真、 高可靠、 高精度 的特征， 对于具有高精度应用需求的场景 尤为适用。 [0004]根据本发明实施例的第一方面， 提供一种应用于城市大脑的激光点云建模方法， 包括： 步骤1、 构建深度神经网络， 采用Softplus激活函数对获取的点云数据 进行特征表 述， 并基于LargeV is对形成的特征进 行降维， 然后利用自适应聚类算法进行聚类， 把聚类的 结果作为伪标签， 进 而通过反向传播更新网络的权 重参数； 步骤2、 让 更新权重参数后的网络 重新预测伪标签； 步骤3、 依次交替执 行步骤1和步骤2， 直至 完成激光 点云数据建模。 [0005]进一步， 在步骤1之前， 该 方法还包括： 对获取的点云数据和全景影 像数据进行 预处理的步骤。 [0006]进一步， 对获取的点云数据进行 预处理， 具体包括： 对获取的点云数据进行去噪、 去冗、 抽稀和简化处 理。 [0007]进一步， 对获取的全景影 像数据进行 预处理， 具体包括： 根据空间一 致性， 将点云数据和全景影 像配准、 关联及映射。 [0008]进一步， 步骤3之后， 该 方法还包括： 步骤4、 按照步骤1、 步骤2及步骤3逐一建立每 个部件的三维网格模型； 步骤5、 通过重 叠区域或公共点将所有三维网格模型拼接成整体的三维模型。 [0009]根据本发明实施例的第二方面， 提供一种应用于城市大脑的激光点云建模系统， 包括： 构建及更新模块， 用于构建深度神 经网络， 采用Softplus激活函数对获取的点云 数据进行特征表述， 并基于LargeVis对形成的特征进行降维， 然后利用自适应聚类算法进 行聚类， 把聚类的结果作为伪标签， 进 而通过反向传播更新网络的权 重参数；说　明　书 1/6 页 3 CN 114596420 A 3