機(jī)器學(xué)習(xí)算法的船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)分類

施亮，邢俊鑫，蔡艷婧

(1.香港理工大學(xué) 工程學(xué)院，香港 999077；2.江蘇省物聯(lián)網(wǎng)與視覺(jué)智能處理工程技術(shù)研發(fā)中心，江蘇 南通 226011)

0 引 言

船舶在航行過(guò)程中，附近環(huán)境狀況，特別是海上其他船舶、島嶼和礁石等各種目標(biāo)通常是駕駛?cè)藛T最關(guān)注的問(wèn)題。準(zhǔn)確分類海上目標(biāo)，能有效提升駕駛?cè)藛T對(duì)本船的控制能力，以及對(duì)本船附近環(huán)境的感知能力，不僅可以發(fā)現(xiàn)及追蹤其他船舶，還可以避開(kāi)危險(xiǎn)障礙物，確保船舶安全穩(wěn)定航行。激光雷達(dá)具有快速獲取高精度點(diǎn)云數(shù)據(jù)的能力，且不受天氣和季節(jié)等因素的影響，是采集海上環(huán)境信息的有效手段，研究船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)分類方法已成為眾多學(xué)者關(guān)注的熱點(diǎn)課題。

雷相達(dá)等利用整合遷移學(xué)習(xí)獲取包含強(qiáng)度值和高程等信息的點(diǎn)云特征圖，將其當(dāng)作全卷積網(wǎng)絡(luò)的輸入，分類船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)，該方法對(duì)單一和多目標(biāo)均具有較好的分類性能，但創(chuàng)建分類模型時(shí)的參數(shù)優(yōu)化過(guò)程較為復(fù)雜。任永梅等使用密度網(wǎng)格法將點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為體素網(wǎng)格圖像，將其作為三維卷積神經(jīng)網(wǎng)絡(luò)的輸入，通過(guò)特征提取和網(wǎng)絡(luò)訓(xùn)練獲得船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)分類結(jié)果，該方法能避免不均勻訓(xùn)練樣本對(duì)分類結(jié)果的影響，但參數(shù)設(shè)定主觀性較強(qiáng)。為解決以上方法存在的不足，本文提出機(jī)器學(xué)習(xí)算法的船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)分類方法，利用機(jī)器學(xué)習(xí)算法中學(xué)習(xí)速率快，且具有平衡誤差能力的隨機(jī)森林算法，分類船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)。

1 船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)分類

1.1 船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)濾波

使用多旋翼無(wú)人機(jī)搭載激光雷達(dá)系統(tǒng)，獲取船舶所處海洋環(huán)境的激光雷達(dá)點(diǎn)云數(shù)據(jù)，并將其運(yùn)用形態(tài)學(xué)濾波算法進(jìn)行處理，以區(qū)分出海洋點(diǎn)和海洋表面上的船舶以及礁石等非海洋點(diǎn)。形態(tài)學(xué)濾波算法由腐蝕、膨脹、開(kāi)啟和閉合4 種運(yùn)算組成。設(shè)置(,)代表船舶海洋環(huán)境激光雷達(dá)點(diǎn)云數(shù)據(jù)，(,)代表與點(diǎn)云數(shù)據(jù)尺寸和形狀均相關(guān)的結(jié)構(gòu)元，若使用二維網(wǎng)格保存點(diǎn)云數(shù)據(jù)，其中行列 (,) 值與網(wǎng)格標(biāo)號(hào) (,)相對(duì)應(yīng)，則腐蝕和膨脹2 種運(yùn)算的定義分別如下式：

式中：結(jié)構(gòu)元素的窗口用描述；原始點(diǎn)云數(shù)據(jù)中網(wǎng)格標(biāo)號(hào) (,) 的像素值用(,)描述；完成形態(tài)學(xué)運(yùn)算后，點(diǎn)云數(shù)據(jù)中網(wǎng)格標(biāo)號(hào) (,)的 像素值用(,)描述。

結(jié)合以上2 個(gè)公式，可以得到開(kāi)啟和閉合運(yùn)算的定義：

船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)濾波的過(guò)程如下：

1) 選取規(guī)模固定的結(jié)構(gòu)元窗口，并設(shè)置點(diǎn)云高程閾值；

2) 采用開(kāi)啟運(yùn)算對(duì)船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行濾波，利用腐蝕運(yùn)算獲取窗口內(nèi)各點(diǎn)的最小高程值，在此基礎(chǔ)上，運(yùn)用膨脹運(yùn)算獲取相應(yīng)點(diǎn)的最大高程值；

3) 比較點(diǎn)云數(shù)據(jù)中各點(diǎn)的高程差，若其值超過(guò)設(shè)定閾值，則相應(yīng)點(diǎn)為非海洋點(diǎn)，當(dāng)完成全部點(diǎn)的判斷后，即可實(shí)現(xiàn)海洋與其表面物體的分離。

1.2 船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)紋理特征提取

根據(jù)獲得的船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)濾波結(jié)果，使用灰度共生矩陣提取其中非海洋點(diǎn)部分的紋理特征，具體過(guò)程描述如下：

2) 利用鄰近點(diǎn)集生成灰度共生矩陣。將船舶激光雷達(dá)非海洋點(diǎn)云數(shù)據(jù)的高程信息歸一化到 [0,]區(qū)間內(nèi)，并結(jié)合上式創(chuàng)建灰度共生矩陣：

3) 船舶激光雷達(dá)非海洋點(diǎn)云數(shù)據(jù)紋理特征的計(jì)算。點(diǎn)云紋理特征主要包括同質(zhì)度、不相似性和角二階矩，其中同質(zhì)度用于反映紋理信息的清晰度，不相似性用于反映紋理信息的相似程度，角二階矩用于反映紋理信息的穩(wěn)定性。描述3 種點(diǎn)云紋理特征的計(jì)算過(guò)程為：

針對(duì)船舶激光雷達(dá)非海洋點(diǎn)云數(shù)據(jù)中各點(diǎn)，分別計(jì)算0°，45°，90°和135°四個(gè)方向的3 種紋理特征，并進(jìn)行平均值計(jì)算，所得結(jié)果即為提取的點(diǎn)云數(shù)據(jù)紋理特征。

1.3 船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)分類

將提取的船舶激光雷達(dá)非海洋點(diǎn)云數(shù)據(jù)紋理特征當(dāng)作輸入樣本，將船舶、礁石、淺灘、海上養(yǎng)殖場(chǎng)、海草、島嶼、漁柵以及垃圾堆積物8 種海洋表面常見(jiàn)物體作為輸出，運(yùn)用隨機(jī)森林算法對(duì)船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行分類。

隨機(jī)森林由若干棵相互獨(dú)立的決策樹(shù)組成，并且這些決策樹(shù)可以并行構(gòu)建。決策樹(shù)包含節(jié)點(diǎn)和有方向邊，其中節(jié)點(diǎn)分為葉節(jié)點(diǎn)和非葉子節(jié)點(diǎn)，兩者分別表示樣本的類別、判斷樣本類別的特征，各分支則代表輸出結(jié)果。在利用決策樹(shù)進(jìn)行船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)分類的過(guò)程中，以根節(jié)點(diǎn)為起點(diǎn)，依據(jù)非葉子節(jié)點(diǎn)表示的特征，搜索樣本中與之相匹配的特征，并依據(jù)輸出結(jié)果劃分樣本至相應(yīng)分支的子節(jié)點(diǎn)，在此基礎(chǔ)上繼續(xù)移動(dòng)到葉節(jié)點(diǎn)，樣本的類別即為葉節(jié)點(diǎn)所表示的類別。生成決策樹(shù)的關(guān)鍵環(huán)節(jié)為分裂特征選取，通?？梢岳眯畔㈧赝瓿伞＜僭O(shè)船舶激光雷達(dá)非海洋點(diǎn)云數(shù)據(jù)紋理特征數(shù)據(jù)集用描述，則其信息熵的計(jì)算過(guò)程如下式：

式中：為數(shù)據(jù)集中包含的類別數(shù)，本文取8，即輸出的8 種海洋表面常見(jiàn)物體；p為數(shù)據(jù)集內(nèi)類別的占比。由該式可得，數(shù)據(jù)集的信息熵與數(shù)據(jù)集內(nèi)不同類別樣本占比的相似度具有正比關(guān)系。

設(shè)船舶激光雷達(dá)非海洋點(diǎn)云數(shù)據(jù)紋理特征數(shù)據(jù)集的分裂特征用描述，當(dāng)完成分裂時(shí)，數(shù)據(jù)集的信息熵可轉(zhuǎn)化為下式：

式中：利用分裂特征將數(shù)據(jù)集進(jìn)行劃分，所得份數(shù)用描述；第份數(shù)據(jù)集用R描述。

在分裂特征選取過(guò)程中，應(yīng)將使數(shù)據(jù)集信息熵達(dá)到最小的特征，換言之，使數(shù)據(jù)集信息增益達(dá)到最大的特征選作分裂特征。數(shù)據(jù)集信息增益的計(jì)算過(guò)程如下式：

以下為運(yùn)用隨機(jī)森林算法分類船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)的具體過(guò)程：

1) 針對(duì)船舶激光雷達(dá)非海洋點(diǎn)云數(shù)據(jù)紋理特征構(gòu)成的訓(xùn)練樣本集，采用Bagging 算法從中抽取N個(gè)樣本當(dāng)作訓(xùn)練樣本子集，剩余樣本當(dāng)作測(cè)試樣本子集。

2) 依據(jù)式(10)～式(12)所示過(guò)程，利用N個(gè)訓(xùn)練樣本子集完成N個(gè)決策樹(shù)的構(gòu)建。

3) 隨機(jī)從決策樹(shù)各節(jié)點(diǎn)的個(gè)特征中選擇N個(gè)待選特征，并從中選擇最優(yōu)分裂特征以最大程度地分裂各決策樹(shù)，停止條件為節(jié)點(diǎn)內(nèi)的訓(xùn)練樣本具有相同的類別。

4) 隨機(jī)森林即N個(gè)決策樹(shù)構(gòu)成的集合，利用該隨機(jī)森林對(duì)測(cè)試樣本子集進(jìn)行分類，通過(guò)各決策樹(shù)的投票，將得票最多的類別作為船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)分類結(jié)果。

2 結(jié)果分析

選取范圍為875 m×695 m 的船舶航行海域當(dāng)作實(shí)驗(yàn)對(duì)象，海域內(nèi)包含船舶、礁石和淺灘等目標(biāo)，將激光雷達(dá)系統(tǒng)的回波次數(shù)設(shè)置為1～3 次，飛行高度設(shè)置為200～3 000 m，掃描角度和掃描頻率分別設(shè)置為0～60°、0～50 Hz，使用多旋翼無(wú)人機(jī)搭載該系統(tǒng)采集范圍海域的船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)，將其運(yùn)用本文方法依次實(shí)現(xiàn)濾波、紋理特征提取和分類處理。

本文方法采集的船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)部分結(jié)果，用圖1 描述。從圖1 可以看出，本文方法采集的船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)質(zhì)量較高，可以清晰、完整地呈現(xiàn)船舶所處海域環(huán)境信息，因此表明，本文方法能為后續(xù)船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)分類提供可靠的數(shù)據(jù)基礎(chǔ)。

圖1 船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)部分結(jié)果Fig.1 Partial results of ship LIDAR point cloud data

隨機(jī)選取4 張艦船激光雷達(dá)點(diǎn)云數(shù)據(jù)，在不同結(jié)構(gòu)元窗口大小下，利用Kappa 系數(shù)衡量本文方法對(duì)4 張點(diǎn)云數(shù)據(jù)的濾波效果，該指標(biāo)的取值介于0～1 區(qū)間內(nèi)，其值越接近于1，方法的濾波效果越優(yōu)異，具體測(cè)試結(jié)果用表1 描述。分析表1 可以發(fā)現(xiàn)，隨著結(jié)構(gòu)元窗口大小持續(xù)增加，經(jīng)過(guò)本文方法的濾波處理后，4 張點(diǎn)云數(shù)據(jù)對(duì)應(yīng)的Kappa 系數(shù)均呈現(xiàn)出先上升，后下降的趨勢(shì)，當(dāng)結(jié)構(gòu)元窗口為20 m 時(shí)，4 張點(diǎn)云數(shù)據(jù)對(duì)應(yīng)的Kappa 系數(shù)均達(dá)到最大值，此時(shí)的濾波效果處于最高水平。因此表明，將結(jié)構(gòu)元窗口設(shè)置為20 m，能獲得更理想的船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)濾波性能。

表1 船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)濾波Kappa 系數(shù)Tab.1 Filtering test results of ship LIDAR point cloud data

使用本文方法提取某船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)中，船舶和漁柵2 種目標(biāo)區(qū)域的紋理特征，所得結(jié)果用圖2描述。從圖2 可以看出，船舶目標(biāo)區(qū)域的紋理特征值呈均勻分布，漁柵目標(biāo)區(qū)域的紋理特征值呈現(xiàn)出中間高、兩邊低的分布趨勢(shì)，可表明本文方法能清晰呈現(xiàn)不同目標(biāo)區(qū)域的點(diǎn)云數(shù)據(jù)特點(diǎn)，提取的紋理特征具有良好的可分性。

圖2 船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)紋理特征提取結(jié)果Fig.2 Texture feature extraction results of ship LIDAR point cloud data

假設(shè)某船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)中共包含4 個(gè)船舶、2 個(gè)海上養(yǎng)殖場(chǎng)和1 個(gè)垃圾堆積物，三者分別用實(shí)心三角形、正方形以及圓形表示，使用本文方法分類該點(diǎn)云數(shù)據(jù)，并分別以實(shí)線框、虛線框、加粗虛線框標(biāo)記各目標(biāo)的分類結(jié)果，具體用圖3 描述。從圖3可以看出，各標(biāo)記框所標(biāo)記的目標(biāo)與其代表的目標(biāo)類型完全一致，并且每個(gè)目標(biāo)均被標(biāo)記，因此表明本文方法可以全面、準(zhǔn)確地分類船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)。

圖3 船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)分類結(jié)果Fig.3 Classification results of ship LIDAR point cloud data

3 結(jié) 語(yǔ)

為了全面掌握船舶所處海域的環(huán)境信息，從而保證船舶順利完成既定任務(wù)，提出了基于機(jī)器學(xué)習(xí)算法的船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)分類方法，該方法使用多旋翼無(wú)人機(jī)搭載激光雷達(dá)系統(tǒng)，采集的海域環(huán)境點(diǎn)云數(shù)據(jù)質(zhì)量較高，并且該方法具有較理想的點(diǎn)云數(shù)據(jù)濾波和紋理特征提取效果，同時(shí)能實(shí)現(xiàn)船舶激光雷達(dá)點(diǎn)云數(shù)據(jù)中多種目標(biāo)的全面、準(zhǔn)確分類，對(duì)提升船舶領(lǐng)域的探測(cè)水平具有重要意義。