本发明涉及地理信息处理，具体涉及一种基于多源点云与倾斜摄影融合的城市基础数据估算方法、装置、存储介质及设备。
背景技术：
1、城市基础数据估算是指通过采集、处理、分析城市相关数据，从而了解城市的基本信息和特征，准确的城市基础数据对城市规划、土地管理、环境保护等领域都具有重要意义。目前，传统的城市基础数据的获取方法主要通过航空摄影和地面调查，存在成本高、数据获取周期长、数据精度低等问题。近年来随着多源点云与倾斜摄影技术的发展，城市基础数据的采集方法越来越多，现阶段常见的采集方法主要有遥感影像解译、倾斜摄影以及激光雷达扫描等方法。
2、然而，上述的常见方法均存在着一些不可忽视的缺陷：(1)遥感影像分辨率较低，不适合获取高精度的地形特征；倾斜摄影需要航空器或无人机进行拍摄，成本较高且可能受到天气等条件限制；激光雷达扫描虽然能够提供精确的三维点云数据，但其获取范围较为有限；(2)传统的基于单一数据源的城市基础数据估算方法存在一定的局限性，无法全面捕捉城市的细节信息；(3)传统的城市基础估算方法中，数据处理通常需要大量的复杂的算法进行分类、配准等操作，这限制了方法的效率和可扩展性。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本发明提供了一种基于多源点云与倾斜摄影融合的城市基础数据估算方法，其目的在于，解决现有采用单一数据源进行城市基础数据估算，难以全面准确地捕捉城市的细节信息问题，以及现有城市数据信息处理通常需要大量的人工操作和复杂的算法；以及传统方法的数据采集和处理过程较为耗时，使得方法的应用无法及时跟上城市发展的变化和需求，随着城市的快速变化，传统方法可能无法对新的城市特征和基础数据变化做出及时估算等问题。
2、本发明采用的技术方案如下：一种基于多源点云与倾斜摄影融合的城市基础数据估算方法，包括以下步骤：
3、(1)通过信息采集设备采集城市基础信息，获取原始的倾斜摄影数据和多源点云数据；
4、(2)对步骤(1)获取的原始的倾斜摄影数据和多源点云数据进行预处理，获取准确性更高的倾斜摄影数据和多源点云数据；
5、(3)对步骤(2)预处理后的倾斜摄影数据和多源点云数据进行数据融合，融合到同一点云数据集；
6、(4)对步骤(3)获取的点云数据集的点云数据进行特征提取，以获取城市基础数据的特征参数；
7、(5)将步骤(4)得到的城市基础数据的特征参数输入预先训练好的机器学习模型，以获取城市基础数据特征参数值。
8、进一步的，所述步骤(2)包括以下子步骤：
9、(2-1)对步骤(1)采集到的原始的倾斜摄影数据通过图像滤波和分割来去除噪点，并将采集到的多源点云数据通过离群点移除与滤波，以得到滤波后的倾斜摄影数据和多源点云数据；
10、(2-2)对步骤(2-1)得到的滤波后的倾斜摄影数据进行转换，以得到点云格式的倾斜摄影数据。
11、进一步的，步骤(3)包括以下子步骤：
12、(3-1)对步骤(2)预处理后得到的点云格式的倾斜摄影数据和多源点云数据进行特征提取，以得到倾斜摄影点云和多源点云的特征参数；
13、(3-2)对步骤(3-1)得到的倾斜摄影点云和多源点云的特征参数采用icp算法进行点云匹配，以得到两个点云的对应点对、姿态和位置信息以及配准的误差度量；
14、(3-3)对步骤(3-2)得到的对应点对、姿态和位置信息以及配准的误差度量进行点云对齐处理，以得到共享相同坐标系统的两个点云数据集；
15、(3-4)对步骤(3-3)点云对齐后的数据信息进行融合处理，以得到整合两个数据源的点云数据集；
16、(3-5)对步骤(3-4)得到点云数据集进行后处理，以得到高质量和高准确性的点云数据集。
17、进一步的，步骤(4)包括以下子步骤：
18、(4-1)对步骤(3)得到的点云数据集进行种子点选择处理，以得到当前簇的起始点；
19、(4-2)对步骤(4-1)得到的起始点与点云数据集中所有未分类的数据点进行距离计算处理，并设定距离阈值l0，以得到同一簇数据集；
20、(4-3)对步骤(4-2)得到的同一簇数据集内任意一点与所有未分类的数据点进行距离计算处理，并判断其是否小于设定的距离阈值l0，如果是则输出到当前同一簇数据集中，否则进入步骤(4-4)；
21、(4-4)对步骤(4-3)得到的未分类的点云数据集进行种子点选择处理，以得到未分类的点云数据集的当前簇的起始点；
22、(4-5)设置计数器i＝1；
23、(4-6)判断i是否大于步骤(4-3)得到的未分类的点云数据集的数据总数，如果是则进入步骤(4-12)，否则进入步骤(4-8)；
24、(4-7)设置计数器i＝i+1，并返回步骤(4-6)；
25、(4-8)设置计数器j＝1；
26、(4-9)对步骤(4-3)得到的起始点与点云数据集中所有未分类的数据点进行距离计算处理，并设定距离阈值lj，以得到同一簇数据集；
27、(4-10)记录步骤(4-9)得到的未分类的点云数据集的数据总数，并判断其是否为0，如果是则进入步骤(4-12)，否则进入步骤(4-11)；
28、(4-11)对步骤(4-9)得到的同一簇数据集内任意一点与所有未分类的数据点进行距离计算处理，并判断其是否小于设定的距离阈值lj，如果是则输出到当前同一簇数据集中，否则进入步骤(4-12)；
29、(4-12)设置计数器j＝j+1，并返回步骤(4-9)。
30、进一步的，步骤(5)中的机器学习模型为cnn-lstm网络模型，其具体结构如下：
31、第一层是卷积层，其输入为融合后的提取的数据特征参数的三维张量x∈rb×t×i，输出为提取空间特征后生成的一组三维张量特征图x∈rb×c×f，其中x表示提取的数据特征参数，r表示向量的实数域，b表示特征参数的数量，t表示每个连续数据的长度，i表示每个时间步的特征向量大小，c表示卷积后得到的新的时间步数，f表示卷积核的数量；
32、第二层是池化层，其输入为卷积层输出的三维张量特征图x∈rb×c×f，输出为缩小尺寸后的三维张量特征图x∈rb1×c1×f1，其中b1表示数据数量，c1表示池化后得到的新的时间步数，f1表示卷积核的数量；
33、第三层是lstm层，其输入为池化层输出的三维特征图x∈rb1×c1×f1，输出为时序信息建模后的二维张量特征图x∈rb×s，其中s表示lstm层输出的序列长度；
34、第四层是全连接层，其输入为lstm层输出的二维张量特征图x∈rb×s，输出为二维张量特征图x∈rb×d，其中d表示输出维度。
35、进一步的，所述机器学习模型是通过以下步骤训练得到的：
36、(5-1)获取机器学习模型数据集，将该机器学习模型数据集进行预处理，并将预处理后的机器学习模型数据集按照8:1:1的比例划分成训练集、验证集和测试集，并对机器学习模型数据集中的所有样本进行标注；
37、(5-2)根据步骤(5-1)标注的结果对步骤(5-1)得到的训练集中的所有样本进行分类，按照固定的时间间隔对每一类样本进行采样，以得到采样后的多个样本，将每个采样后的样本、该样本的采样时间、以及该样本的类别按照时间顺序排序并整合为三元组，所有采样后的样本对应的三元组构成三元组集合；
38、(5-3)通过时间窗口方法对步骤(5-2)得到的三元组集合进行划分处理，以得到包含多个时间步长的输入特征和多个输入特征对应的多个三元组；
39、(5-4)将步骤(5-3)得到的多个三元组输入机器学习模型的卷积层和池化层进行特征提取处理，以得到多个特征图；
40、(5-5)将步骤(5-4)得到的多个特征图输入机器学习模型的lstm层进行序列建模处理，以得到输出结果，所有特征图对应的输出结果构成输出序列；
41、(5-6)对步骤(5-5)得到的输出序列与步骤(5-2)的三元组集合进行比较，以得到损失函数lmse；
42、(5-7)利用反向传播算法对步骤(5-6)得到的损失函数值lmse进行更新处理，以得到卷积层和池化层中更新后的参数、以及lstm层中更新后的参数；
43、(5-8)对步骤(5-5)的输出序列进行分类器直连处理，以得到分类结果；
44、(5-9)重复执行上述步骤(5-4)到步骤(5-8)，直到达到预设的训练轮数或者损失函数收敛为止，从而得到初步训练好的机器学习模型；
45、(5-10)使用步骤(5-1)得到的测试集对步骤(5-9)初步训练好的机器学习模型进行验证，直到得到的机器学习模型的准确率达到最优为止，从而得到训练好的机器学习模型。
46、进一步的，步骤(5-4)中，第i个三元组经过机器学习模型的卷积层和池化层后的输出可以表示为：
47、
48、其中，i∈[1，步骤(5-3)得到的三元组总数]，wj表示第j个卷积核的权重矩阵，xi,j表示第i个神经元中的第j个输入，b表示偏置向量，σ表示激活函数，pool表示池化操作，j∈[1，输入机器学习模型的卷积层中卷积核的总数]。
49、进一步的，步骤(5-6)中，损失函数lmse是采用以下公式：
50、
51、其中，yreg,i表示步骤(5-3)得到的所有三元组中第i个三元组的真实值，表示模型对步骤(5-3)得到的所有三元组中第i个三元组预测的目标变量值，k表示类别的数量。
52、进一步的，步骤(5-7)是采用以下公式：
53、
54、
55、其中，α表示学习率，w为卷积层和池化层中更新后的参数，u为lstm层中更新后的参数。
56、一种基于多源点云与倾斜摄影融合的城市基础数据估算装置，包括：
57、数据采集模块，用于获取信息采集设备采集的原始的倾斜摄影数据和多源点云数据；
58、数据预处理模块，用于对数据采集模块获取的倾斜摄影数据和多源点云数据进行预处理，以获取准确性更高的倾斜摄影数据和多源点云数据；
59、数据融合模块，用于对数据预处理模块预处理后的倾斜摄影数据和多源点云数据进行数据融合，以获取一致的点云数据集；
60、特征提取模块，用于将数据融合模块获取的点云数据进行特征提取，以获取城市基础数据的特征参数；
61、基础数据估算模块，用于将特征提取模块得到的城市基础数据的特征参数输入预先训练好的机器学习模型，最终获取城市基础数据特征参数的结果。
62、一种存储介质，其上存储有能被处理器执行的计算机程序，所述计算机程序被执行时实现所述基于多源点云与倾斜摄影融合的城市基础数据估算方法的步骤。
63、一种计算机设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，所述计算机程序被执行时实现所述基于多源点云与倾斜摄影融合的城市基础数据估算方法的步骤。
64、本发明具有以下有益效果：
65、(1)由于本发明采用了步骤(2)、步骤(3)、步骤(4)，通过多源点云与倾斜摄影融合的方式，结合遥感影像、倾斜摄影、激光雷达等多源数据信息，能够全面准确地捕捉城市的细节信息问题。
66、(2)由于本发明采用了步骤(5)，通过机器学习算法进行综合分析，可自动化地完成对城市基础信息的估算，从而提高了城市基础信息估算效率，节省时间和人力资源。
67、(3)由于本发明采用了步骤(5)，其通过采用cnn-lstm神经网络模型，能够有效地提取数据中的特征和规律，提高城市基础信息估算精度；
68、(4)由于本发明采用了步骤(5)，其通过cnn-lstm神经网络模型；
69、实时处理输入的新数据，并迅速给出预测结果，从而能够及时响应城市发展的变化；
70、能够捕获序列数据中的时空依赖性，并利用历史数据和现有特征对未来进行精确预测；这有助于决策者更好地了解城市发展的趋势和变化，为规划和管理提供依据；
71、可以处理不同类型的数据和特征，并根据需要调整参数和结构，以适应不同的城市环境和需求。
1.一种基于多源点云与倾斜摄影融合的城市基础数据估算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源点云与倾斜摄影融合的城市基础数据估算方法，其特征在于，所述步骤(2)包括以下子步骤：
3.根据权利要求1所述的基于多源点云与倾斜摄影融合的城市基础数据估算方法，其特征在于，步骤(3)包括以下子步骤：
4.根据权利要求1所述的基于多源点云与倾斜摄影融合的城市基础数据估算方法，其特征在于，步骤(4)包括以下子步骤：
5.根据权利要求1至4中任一项所述的基于多源点云与倾斜摄影融合的城市基础数据估算方法，其特征在于，步骤(5)中的机器学习模型为cnn-lstm网络模型，其具体结构如下：
6.根据权利要求5所述的基于多源点云与倾斜摄影融合的城市基础数据估算方法在于，所述机器学习模型是通过以下步骤训练得到的：
7.根据权利要求6所述的基于多源点云与倾斜摄影融合的城市基础数据估算方法，其特征在于，步骤(5-4)中，第i个三元组经过机器学习模型的卷积层和池化层后的输出可以表示为：
8.根据权利要求7所述的基于多源点云与倾斜摄影融合的城市基础数据估算方法，其特征在于，步骤(5-6)中，损失函数lmse是采用以下公式：
9.根据权利要求8所述的基于多源点云与倾斜摄影融合的城市基础数据估算方法，其特征在于，步骤(5-7)是采用以下公式：
10.一种基于多源点云与倾斜摄影融合的城市基础数据估算装置，其特征在于，包括：
11.一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～4任一项所述基于多源点云与倾斜摄影融合的城市基础数据估算方法的步骤。
12.一种计算机设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～4任意一项所述基于多源点云与倾斜摄影融合的城市基础数据估算方法的步骤。
