基于SHOT特征描述子的自動(dòng)提取球形標(biāo)靶方法研究

王 浩，鄭德華，劉存泰，程宇翔，胡 創(chuàng)

基于SHOT特征描述子的自動(dòng)提取球形標(biāo)靶方法研究

王 浩，鄭德華，劉存泰，程宇翔，胡 創(chuàng)

(河海大學(xué)地球科學(xué)與工程學(xué)院，江蘇 南京 210098)

針對(duì)復(fù)雜場景下的三維激光點(diǎn)云球形標(biāo)靶精確自動(dòng)化提取問題，提出了一種基于SHOT特征的自動(dòng)精確提取球形標(biāo)靶的方法。該方法設(shè)計(jì)了粗提取和精提取處理過程，粗提取過程首先采用SHOT特征描述子提取場景內(nèi)全部的球形標(biāo)靶點(diǎn)云；其次，利用歐氏聚類分割球形標(biāo)靶點(diǎn)云，并采用最小二乘方法計(jì)算球形標(biāo)靶的粗略參數(shù)。精提取過程依據(jù)迭代最小二乘方法和法向?yàn)V波剔除非球面點(diǎn)，得到球形標(biāo)靶點(diǎn)云和精確的球形標(biāo)靶參數(shù)。設(shè)計(jì)了含有4個(gè)球形標(biāo)靶的實(shí)驗(yàn)場景，使用德國Z+F Image 5016掃描儀進(jìn)行場景數(shù)據(jù)采集，自動(dòng)提取得到實(shí)驗(yàn)場景中的球形標(biāo)靶點(diǎn)云和球形標(biāo)靶參數(shù)。結(jié)果表明，在10 m范圍內(nèi)，該方法自動(dòng)提取的球形標(biāo)靶半徑中誤差為0.25～0.33 mm，較人工提取球形標(biāo)靶點(diǎn)云的半徑中誤差減小0.02～0.06 mm，較基于微分方法減少0.01～0.09 mm；該方法能夠得到較高的球形標(biāo)靶定位精度和穩(wěn)健地去除場景點(diǎn)云中的噪聲，可在30 s內(nèi)完成百萬級(jí)點(diǎn)云球形標(biāo)靶的自動(dòng)提取任務(wù)。

球形標(biāo)靶點(diǎn)云；SHOT特征描述子；迭代最小二乘；歐氏距離聚類；法向?yàn)V波

地面三維激光掃描技術(shù)可以對(duì)物體進(jìn)行全方位、多角度、無接觸的自動(dòng)化掃描，得到物體表面一系列點(diǎn)的三維坐標(biāo)和其他物理屬性[1]；點(diǎn)云配準(zhǔn)是點(diǎn)云處理中的關(guān)鍵步驟，能夠得到完整場景的點(diǎn)云。點(diǎn)云配準(zhǔn)可分為基于特征的配準(zhǔn)和無特征的配準(zhǔn)[2]；無特征的配準(zhǔn)方法主要采用迭代最近點(diǎn)算法[3](iterative closest point，ICP)，存在運(yùn)算量大、依賴初始配準(zhǔn)結(jié)果的問題?；谔卣鞯呐錅?zhǔn)方法主要采用以球形或平面標(biāo)靶作為匹配特征，輔助點(diǎn)云配準(zhǔn)[4-5]。其中，球形標(biāo)靶具有各向同性、配準(zhǔn)精度高等特點(diǎn)，在點(diǎn)云配準(zhǔn)方面有著廣泛地應(yīng)用[6]。隨著三維激光掃描技術(shù)的發(fā)展，點(diǎn)云的獲取越來越容易，但是基于球形標(biāo)靶的點(diǎn)云配準(zhǔn)的自動(dòng)化水平還不成熟。其中，從點(diǎn)云場景中提取球形標(biāo)靶的自動(dòng)化技術(shù)是提高基于球形標(biāo)靶的點(diǎn)云配準(zhǔn)自動(dòng)化水平的關(guān)鍵；自動(dòng)提取球形標(biāo)靶并得到可靠的球心坐標(biāo)和半徑對(duì)點(diǎn)云的后續(xù)處理有著重要的影響。

目前，國內(nèi)外學(xué)者對(duì)球形標(biāo)靶點(diǎn)云的自動(dòng)化提取方法開展了較為全面地研究。王利華等[7]針對(duì)球形標(biāo)靶邊緣完全暴露情況，通過距離突變發(fā)現(xiàn)疑似球面邊緣點(diǎn)，并采用隨機(jī)采樣一致性(random sample consensus，RANSAC)算法探測球面邊緣的近似圓結(jié)構(gòu)，根據(jù)半徑和圓形區(qū)域內(nèi)點(diǎn)云得到球形標(biāo)靶模型。張立朔等[8]針對(duì)簡單場景球形標(biāo)靶，提出利用點(diǎn)云反射強(qiáng)度圖像分割和隨機(jī)采樣一致性算法剔除錯(cuò)誤點(diǎn)的球形標(biāo)靶提取方法。藍(lán)秋萍等[9]提出采用點(diǎn)云法向量和曲率得到球心位置以及球心點(diǎn)互斥算法探測場景中球形目標(biāo)點(diǎn)云，該方法存在易受噪聲影響的問題。魏江等[10]采用計(jì)算點(diǎn)的k鄰域的法向及其延長線得到球面點(diǎn)，通過球面數(shù)據(jù)點(diǎn)沿法向平移半徑距離確定球心，由于受到噪聲、點(diǎn)云密度等因素影響，該方法的自適應(yīng)性較差。FRANASZEK等[11]提出采用三點(diǎn)濾波確定候選球面的中心點(diǎn)，根據(jù)測心坐標(biāo)、激光掃描角和球體幾何關(guān)系大致計(jì)算球形標(biāo)靶參數(shù)；該方法的采集區(qū)域較大，易受噪聲的影響。李嘉等[12]基于點(diǎn)云微分屬性和非監(jiān)督分類方法自動(dòng)提取復(fù)雜場景中未知球形目標(biāo)，并采用最小二乘原理擬合球形目標(biāo)。SALTI等[13]提出了適用于目標(biāo)識(shí)別和點(diǎn)云配準(zhǔn)等方面的基于局部坐標(biāo)框架下的SHOT (signature of histogram of orientation)特征描述子。張凱霖和張良[14]提出一種將點(diǎn)云紋理直方圖與形狀直方圖融合成C-SHOT描述符特征的3D物體識(shí)別方法，識(shí)別復(fù)雜點(diǎn)云中的多個(gè)目標(biāo)，通過搜索場景和模型的C-SHOT對(duì)應(yīng)點(diǎn)，并采用霍夫投票機(jī)制完成多目標(biāo)識(shí)別。

針對(duì)上述問題，為了從復(fù)雜點(diǎn)云場景中穩(wěn)健地提取出球形標(biāo)靶目標(biāo)，得到高精度的球形標(biāo)靶參數(shù)，本文提出基于SHOT特征的球形標(biāo)靶粗提取和迭代最小二乘與法向?yàn)V波結(jié)合的精提取方法，實(shí)現(xiàn)球形標(biāo)靶的自動(dòng)化提取。

1 球形標(biāo)靶自動(dòng)提取的基本思路

本文設(shè)計(jì)的球形標(biāo)靶自動(dòng)提取過程，如圖1所示。整個(gè)過程分為粗提取獲取球形標(biāo)靶的大致位置和精提取獲取球形標(biāo)靶的精確參數(shù)兩部分。粗提取分別對(duì)場景點(diǎn)云和模型點(diǎn)云提取關(guān)鍵點(diǎn)，并計(jì)算關(guān)鍵點(diǎn)的SHOT特征描述子，利用KD樹(K-dimension tree，KDTree)搜索模型點(diǎn)云關(guān)鍵點(diǎn)的對(duì)應(yīng)點(diǎn)，通過歐氏聚類將場景中多個(gè)球形標(biāo)靶分割開來，采用最小二乘擬合獲取球形標(biāo)靶的粗略參數(shù)。精提取根據(jù)粗提取得到的球形標(biāo)靶參數(shù)獲取球形標(biāo)靶的全部點(diǎn)云，然后采用迭代最小二乘(iterative least squares，ILS)濾波和法向?yàn)V波獲取準(zhǔn)確的球形標(biāo)靶球面點(diǎn)，得到球形標(biāo)靶的自動(dòng)提取結(jié)果。

圖1 球形標(biāo)靶自動(dòng)提取過程圖

2 球形標(biāo)靶自動(dòng)提取方法

2.1 球形標(biāo)靶粗提取方法

計(jì)算點(diǎn)云表面之間的相似程度是點(diǎn)云目標(biāo)識(shí)別和配準(zhǔn)的關(guān)鍵，通過匹配具有局部特征的點(diǎn)云特征描述算子，可以有效地處理諸如遮擋、雜亂和視點(diǎn)變化等問題，并解決3D目標(biāo)識(shí)別和位姿估計(jì)問題[15]?；诰植刻卣鞯那蛐螛?biāo)靶自動(dòng)提取主要包括：關(guān)鍵點(diǎn)選取、局部特征描述子建立、局部表面特征描述子匹配以及球形標(biāo)靶的分割和擬合。

選取合適的局部特征描述子是球形標(biāo)靶自動(dòng)提取的關(guān)鍵，局部特征描述子有快速點(diǎn)特征直方圖描述子(fast point feature histograms，F(xiàn)PFH)、3D形狀上下文描述子(3D shape context，3DSC)、旋轉(zhuǎn)投影統(tǒng)計(jì)描述子(rotation project statistics，RoPS)和方向直方圖簽名描述子(SHOT)等；基于學(xué)習(xí)的特征描述子，例如D3Feat和FCGF等，對(duì)點(diǎn)云中的旋轉(zhuǎn)不變特征提取效果有限。FPFH 構(gòu)建兩點(diǎn)及其法向量之間幾何關(guān)系形成的四維特征作為點(diǎn)對(duì)特征。3DSC采用一種基于形狀輪廓的特征描述方法，對(duì)于輪廓不明顯的目標(biāo)識(shí)別效果較差。SHOT特征描述子是一種基于局部特征的描述子，在構(gòu)建的局部參考框架內(nèi)，統(tǒng)計(jì)特征點(diǎn)周圍的拓?fù)涮卣?，將鄰域點(diǎn)的法線特征信息保存在直方圖中，并進(jìn)行歸一化。SHOT特征描述算子具有旋轉(zhuǎn)和平移不變性[13]，同時(shí)對(duì)點(diǎn)云密度和噪聲具有魯棒性，廣泛應(yīng)用于目標(biāo)識(shí)別和點(diǎn)云配準(zhǔn)等領(lǐng)域。

2.1.1 基于SHOT特征描述子的球形標(biāo)靶識(shí)別

(1) 點(diǎn)云關(guān)鍵點(diǎn)提取。均勻采樣保留三維體素柵格中距離體素中心最近的點(diǎn)作為采樣點(diǎn)，不改變點(diǎn)云的表面幾何特征，使得后續(xù)計(jì)算的特征描述子符合真實(shí)表面的幾何特征。均勻采樣關(guān)鍵點(diǎn)提取主要思路如圖2所示，首先創(chuàng)建一個(gè)場景點(diǎn)云的最小包圍盒，然后設(shè)置合適的體素柵格邊長，將最小包圍盒分解成個(gè)體素柵格，保留包含數(shù)據(jù)點(diǎn)的體素柵格；在每個(gè)體素柵格中，將距離體素柵格中心最近的點(diǎn)作為關(guān)鍵點(diǎn)。該方法簡單實(shí)用，可快速獲取點(diǎn)云關(guān)鍵點(diǎn)，同時(shí)能夠保留點(diǎn)云表面的幾何特征。

圖2 均勻采樣提取關(guān)鍵點(diǎn)示意圖((a)最小包圍盒；(b)柵格化；(c)采樣結(jié)果)

體素柵格的邊長是均勻采樣的關(guān)鍵，通過設(shè)置合適的體素柵格邊長，得到保留點(diǎn)云表面幾何特征的簡化點(diǎn)云。當(dāng)較大時(shí)可導(dǎo)致點(diǎn)云的局部信息丟失；而較小時(shí)能較好保留局部信息，但提取關(guān)鍵點(diǎn)的效果不明顯，如圖3所示。針對(duì)點(diǎn)云場景密度差異大，采用參數(shù)測試的方法獲取最優(yōu)參數(shù)。

圖3 均勻采樣體素柵格邊長的影響

(2) SHOT特征描述子計(jì)算。SHOT局部特征描述子融合了幾何分布信息的魯棒性和直方圖統(tǒng)計(jì)信息的特異性，具有可重復(fù)檢測性、旋轉(zhuǎn)不變性和尺度不變性[16]。SHOT特征描述子的實(shí)現(xiàn)過程是：建立鄰域點(diǎn)局部坐標(biāo)系，將鄰域空間劃分為32子空間，統(tǒng)計(jì)子空間的法向特征直方圖，將32個(gè)子空間的直方圖組合得到SHOT特征描述子。主要步驟如下：

步驟1.按式(1)求解關(guān)鍵點(diǎn)半徑鄰域內(nèi)的加權(quán)協(xié)方差矩陣，即

其中，為鄰域半徑；d為第個(gè)點(diǎn)到特征點(diǎn)的距離；為鄰域中心點(diǎn)。

對(duì)協(xié)方差矩陣進(jìn)行特征值分解，得到從小到大排列的特征值和對(duì)應(yīng)的特征向量，依次分別為局部參考坐標(biāo)系的軸和軸，軸方向向量的共線向量。局部參考坐標(biāo)系3個(gè)坐標(biāo)軸方向的確定方式為：軸方向與半徑鄰域法向均值的方向相同；軸正方向?yàn)橹赶螯c(diǎn)云密度大的方向；軸方向符合右手定則。

步驟2. 直方圖統(tǒng)計(jì)編碼。根據(jù)局部參考坐標(biāo)系，特征點(diǎn)的球鄰域沿徑向劃分為2、方位角方向劃分為8和高度方向劃分為2，總共32個(gè)子空間。球形域在方位角方向劃分為4部分，如圖4所示。

圖4 球形域劃分示意圖

分別統(tǒng)計(jì)每個(gè)子空間內(nèi)鄰域點(diǎn)法向和軸夾角余弦值，并劃分為11 個(gè)區(qū)段，32個(gè)子空間組合即得到SHOT描述子，長度為32×11=352。其中，鄰域點(diǎn)法向與軸夾角余弦的關(guān)系為

步驟3. 四線性插值。為了減弱SHOT特征描述子邊緣效應(yīng)的影響，采用四線性插值方法修正直方圖和子空間邊緣點(diǎn)，即對(duì)處在邊緣上的點(diǎn)，將其計(jì)數(shù)分?jǐn)偟?個(gè)相鄰的區(qū)間內(nèi)。對(duì)于同一個(gè)子空間，將法線夾角余弦維度進(jìn)行插值統(tǒng)計(jì)，如圖5所示。插值過程中，將邊緣點(diǎn)夾角余弦值與當(dāng)前單元格差值進(jìn)行歸一化得到d，局部直方圖單元格頻數(shù)增量為1–d。同理，在半徑方向、方位角方向和高度方向插值與之類似。

圖5 法線夾角余弦插值對(duì)比圖

插值完成后得到352維特征向量，為了保證特征向量的魯棒性，對(duì)特征向量進(jìn)行歸一化，得到該特征點(diǎn)的SHOT特征描述子，如圖6所示。

圖6 SHOT特征描述子直方圖

(3) 特征描述子匹配。針對(duì)特征描述子的高維特征，采用適合高維空間最近鄰搜索的KDTree進(jìn)行特征匹配。利用2個(gè)特征向量間的歐氏距離衡量相似性，通過設(shè)定合適的閾值獲取球形標(biāo)靶模型關(guān)鍵點(diǎn)的對(duì)應(yīng)點(diǎn)。

KDTree是組織管理k維空間數(shù)據(jù)的一種平衡二叉樹結(jié)構(gòu)，主要應(yīng)用于高維空間數(shù)據(jù)的近鄰搜索。通過建立模型特征點(diǎn)SHOT特征向量的KDTree，獲取小于距離閾值的對(duì)應(yīng)點(diǎn)，即

其中，d=||(1,2,···,352),(1,2,···,352)||為2個(gè)特征向量的歐氏距離；dis為SHOT特征距離閾值。

2.1.2 球形標(biāo)靶分割與擬合

(1) 球形標(biāo)靶分割。場景中球形標(biāo)靶的布設(shè)一般呈均勻分布，在空間上保持一定的距離，且每站有3個(gè)及以上可見的球形標(biāo)靶。針對(duì)場景中含有多個(gè)球形標(biāo)靶，同時(shí)存在少量錯(cuò)誤匹配點(diǎn)的情況，采用適用目標(biāo)空間分布離散且計(jì)算復(fù)雜度低的歐氏聚類算法將球形標(biāo)靶分類；通過設(shè)置合適的最小聚類閾值和聚類間距離閾值，將少量錯(cuò)誤識(shí)別的非球面點(diǎn)刪除，得到不同球形標(biāo)靶點(diǎn)云的聚類結(jié)果。設(shè)計(jì)了歐氏聚類分割過程，如圖7所示。具體實(shí)現(xiàn)步驟如下：

步驟1. 建立空的點(diǎn)云聚類集合，空隊(duì)列，設(shè)定聚類間距離閾值；

步驟2. 將任一點(diǎn)加入聚類集合和隊(duì)列中，搜索的半徑鄰域；

步驟3. 將半徑鄰域內(nèi)的點(diǎn)加入聚類集合和隊(duì)列中，刪除隊(duì)列中的點(diǎn)；

步驟4. 選擇隊(duì)列中的任一點(diǎn)，重復(fù)步驟2和步驟3；

步驟5. 當(dāng)隊(duì)列中的元素為空時(shí)，完成當(dāng)前聚類的識(shí)別；

步驟6. 將剩余點(diǎn)云重復(fù)上述步驟，直到全部點(diǎn)云分類完成。

圖7 歐氏聚類分割過程示意圖

(2) 球形標(biāo)靶擬合。對(duì)聚類得到的點(diǎn)云采用最小二乘法擬合球形目標(biāo)，求解球形目標(biāo)參數(shù)，擬合球形的線性誤差方程為

求解得到參數(shù)，，和，則球形標(biāo)靶的球心坐標(biāo)和半徑分別為

其中，(0,0,0)為球心坐標(biāo)；為球半徑；，，和為最小二乘參數(shù)。半徑中誤差為

其中，||p-S||為數(shù)據(jù)點(diǎn)p到擬合球心S的距離；為擬合球半徑；為擬合球形的數(shù)據(jù)點(diǎn)數(shù)量。半徑中誤差表示數(shù)據(jù)點(diǎn)到擬合球面距離平方和的均值的平方根。

2.2 球形標(biāo)靶精提取方法

依據(jù)最小二乘擬合得到的球形標(biāo)靶參數(shù)，獲取包含一定非球面點(diǎn)的球形標(biāo)靶點(diǎn)云。為了獲取球形標(biāo)靶的準(zhǔn)確參數(shù)，需要對(duì)球形標(biāo)靶點(diǎn)云進(jìn)行濾波處理。球形標(biāo)靶點(diǎn)云可以分為球面點(diǎn)和非球面點(diǎn)，非球面點(diǎn)在空間距離和法向上與球面點(diǎn)有著顯著的差異。針對(duì)擬合過程中半徑誤差大于極限誤差的點(diǎn)，通過迭代最小二乘法的方法進(jìn)行去除；利用法向?yàn)V波去除由于球形標(biāo)靶表面不平整產(chǎn)生的誤差點(diǎn)和球形標(biāo)靶邊緣的混合像元點(diǎn)[17]。

2.2.1 迭代最小二乘法濾波

在球形標(biāo)靶點(diǎn)云中，以三倍中誤差作為偶然誤差的極限誤差，當(dāng)某點(diǎn)的半徑誤差大于極限誤差，則判為非球面點(diǎn)。采用迭代最小二乘法濾波去除球形標(biāo)靶點(diǎn)云中半徑大于極限誤差的點(diǎn)，得到擬合殘差分布，如圖8所示。經(jīng)迭代最小二乘法濾波后點(diǎn)云，數(shù)據(jù)分布特征符合正態(tài)分布。迭代最小二乘法濾波的主要步驟如下：

步驟1.對(duì)球形標(biāo)靶點(diǎn)云進(jìn)行最小二乘球形擬合；

步驟2.剔除大于極限誤差的數(shù)據(jù)點(diǎn)；

步驟3.重復(fù)步驟1和步驟2直到點(diǎn)云數(shù)量不發(fā)生變化；

步驟4.得到球形標(biāo)靶點(diǎn)云迭代最小二乘濾波結(jié)果。

圖8 迭代最小二乘擬合殘值對(duì)比圖(3s=0.78)

2.2.2 法向?yàn)V波

針對(duì)球形標(biāo)靶邊緣的混合像元點(diǎn)，采用法向?yàn)V波進(jìn)行剔除。在球形點(diǎn)云中，球面點(diǎn)的法線與球心指向球面點(diǎn)的向量共線，混合像元點(diǎn)的法向會(huì)產(chǎn)生一定的夾角，通過設(shè)置合適的角度閾值去除混合像元點(diǎn)，如圖9所示。法向?yàn)V波的主要步驟如下：通過設(shè)置合適的鄰域點(diǎn)集，得到球形標(biāo)靶點(diǎn)云的法線；計(jì)算法向與球心到該點(diǎn)向量的夾角余弦值，通過設(shè)置合適的閾值，得到去除混合像元點(diǎn)的球形標(biāo)靶點(diǎn)云。

圖9 法向?yàn)V波去除混合像元點(diǎn)結(jié)果對(duì)比圖((a)混合像元現(xiàn)象；(b)去除混合像元結(jié)果)

為了降低噪聲的影響，將式(8)中引入距離權(quán)修正協(xié)方差矩陣。在散亂點(diǎn)云中，鄰域點(diǎn)集中距離點(diǎn)越近的點(diǎn)對(duì)法線估計(jì)的影響越大，距離越遠(yuǎn)的點(diǎn)對(duì)法線估計(jì)的影響越小，因此協(xié)方差矩陣可修正為

其中，為搜索鄰域點(diǎn)集時(shí)的球半徑；d為鄰域點(diǎn)到點(diǎn)的距離。

改進(jìn)后的協(xié)方差矩陣是對(duì)稱半正定的，通過對(duì)角化協(xié)方差矩陣，獲取協(xié)方差矩陣的特征值(1,2,3)和對(duì)應(yīng)的特征向量(1,2,3)，其中最小特征值3對(duì)應(yīng)的特征向量3就是該點(diǎn)的單位法向。經(jīng)過距離加權(quán)改進(jìn)所得到的法向較傳統(tǒng)法向有顯著的改善，如圖10所示。

圖10 傳統(tǒng)法向與距離加權(quán)法向?qū)Ρ葓D((a)傳統(tǒng)法向；(b)距離加權(quán)法向)

球面點(diǎn)的法向與該球面點(diǎn)指向球心的向量共線，采用式(10)得到小于法向角度閾值的球面點(diǎn)

3 球形標(biāo)靶自動(dòng)提取實(shí)驗(yàn)

3.1 實(shí)驗(yàn)概況

在室外布置的實(shí)驗(yàn)裝置如圖11(a)所示，場景中在上、下、左和右側(cè)位置各布設(shè)一個(gè)球形標(biāo)靶，分別編號(hào)為球形標(biāo)靶1，2，3和4號(hào)；其中1號(hào)球形標(biāo)靶設(shè)置為國產(chǎn)球形標(biāo)靶，2，3和4號(hào)球形標(biāo)靶設(shè)置為儀器原裝球形標(biāo)靶。選取1.2 m×1.0 m的平面板為底板，下部底座裝有2個(gè)固定方向輪及2個(gè)可鎖定萬向輪，以方便移動(dòng)。利用德國Z+F Image 5016三維激光掃描儀在距離10 m的位置進(jìn)行掃描，其掃描點(diǎn)云共計(jì)1 027 060個(gè)點(diǎn)，如圖11(b)所示。由圖可見，點(diǎn)云場景中包含大量的噪聲數(shù)據(jù)，甚至出現(xiàn)少量的錯(cuò)誤點(diǎn)。

圖11 實(shí)驗(yàn)裝置和原始點(diǎn)云示意圖((a)實(shí)驗(yàn)裝置圖；(b)原始點(diǎn)云圖)

算法運(yùn)行環(huán)境為Intel(R) Core(TM) i7-4710HQ CPU @ 2.50 GHz， 12.0 GB DDR3 RAM，Windows 10，Visual Studio 2015，Point Cloud Library(PCL) 1.8.0，Release x64模式。

3.2 球形標(biāo)靶自動(dòng)提取結(jié)果

采用SHOT特征描述子進(jìn)行球形標(biāo)靶的粗提取結(jié)果，從圖12中可以看出，SHOT特征描述子的識(shí)別結(jié)果是準(zhǔn)確的，能夠?qū)鼍爸腥康那蛐螛?biāo)靶識(shí)別出來，并且具有很好的魯棒性，對(duì)噪聲具有一定的抵抗能力。

圖12 場景SHOT特征識(shí)別結(jié)果示意圖

由于SHOT特征描述子計(jì)算復(fù)雜、效率較低，故將場景采樣率設(shè)置為0.02 m，采樣后場景關(guān)鍵點(diǎn)數(shù)為16 399。通過歐氏距離聚類算法將球形標(biāo)靶數(shù)據(jù)進(jìn)行分類，得到自動(dòng)提取10 m距離掃描球形標(biāo)靶的點(diǎn)云分類結(jié)果。從圖13中可以看出，自動(dòng)提取的球形標(biāo)靶結(jié)果仍保持球形特征。

圖13 自動(dòng)提取的球形標(biāo)靶點(diǎn)云

將提取得到的球形標(biāo)靶點(diǎn)云進(jìn)行擬合，得到球形標(biāo)靶的近似坐標(biāo)，見表1。從表中可以看出，場景中各球形標(biāo)靶目標(biāo)關(guān)鍵點(diǎn)近140個(gè)，自動(dòng)識(shí)別的對(duì)應(yīng)點(diǎn)接近100個(gè)，識(shí)別率在71.83%～86.75%之間。其中2號(hào)球形標(biāo)靶的識(shí)別率高于其他3個(gè)球形標(biāo)靶10%以上。由圖13可知，1，3和4號(hào)球形標(biāo)靶的未識(shí)別點(diǎn)位于標(biāo)靶支座銜接處，主要是因產(chǎn)生混合像元現(xiàn)象引起識(shí)別率降低；2號(hào)球形標(biāo)靶位于支座前端處時(shí)，標(biāo)靶點(diǎn)云未形成混合像元現(xiàn)象，識(shí)別率較高。

表1 SHOT特征粗識(shí)別結(jié)果表

由表1可知，粗提取結(jié)果能夠得到球形標(biāo)靶的近似坐標(biāo)和半徑參數(shù)。其中，半徑中誤差在0.78～2.79 mm之間。粗識(shí)別總耗時(shí)為25 723 ms，其中均勻采樣耗時(shí)129 ms，SHOT特征描述子計(jì)算耗時(shí)18 194 ms，KDTree特征匹配耗時(shí)7 400 ms，歐氏聚類和最小二乘擬合耗時(shí)可忽略不計(jì)。

為了得到球形標(biāo)靶的精確參數(shù)，根據(jù)球形標(biāo)靶的近似參數(shù)，提取出原始場景中球形標(biāo)靶點(diǎn)云。從圖14可知，在保證球形標(biāo)靶數(shù)據(jù)完整的前提下，提取的球形標(biāo)靶點(diǎn)云仍包含一部分的非球面點(diǎn)。

對(duì)球形標(biāo)靶點(diǎn)云進(jìn)行迭代最小二乘濾波，得到點(diǎn)云濾波結(jié)果，見表2和圖15所示。經(jīng)過迭代最小二乘濾波，球形標(biāo)靶數(shù)據(jù)去除了大部分的非球面點(diǎn)，半徑中誤差在0.26～0.33 mm范圍內(nèi)，耗費(fèi)總時(shí)間為68 ms?？梢钥闯?，1號(hào)球形標(biāo)靶和2，3，4號(hào)球形標(biāo)靶的擬合半徑值差異約為1 mm，表明國產(chǎn)球形標(biāo)靶和原裝球形標(biāo)靶在擬合結(jié)果上存在顯著的差異。

圖14 原始球形標(biāo)靶點(diǎn)云

表2 迭代最小二乘法濾波結(jié)果表

圖15 迭代最小二乘法濾波點(diǎn)云

經(jīng)過迭代最小二乘濾波后，球形標(biāo)靶點(diǎn)云還存在少量混合像元點(diǎn)，通過法向?yàn)V波，得到混合像元點(diǎn)剔除后的點(diǎn)云擬合結(jié)果，見表3和圖16所示。由圖表可知，4個(gè)球形標(biāo)靶點(diǎn)云擬合得到的半徑誤差在0.25～0.33 mm，優(yōu)于迭代最小二乘法結(jié)果，表明該方法能夠去除少量的混合像元點(diǎn)，提高球形標(biāo)靶擬合精度。迭代最小二乘濾波總耗時(shí)2 934 ms。

表3 法向?yàn)V波結(jié)果表

圖16 法向?yàn)V波點(diǎn)云

將本文方法與人工提取、基于點(diǎn)云微分方法算法比較，結(jié)果見表4，本文方法較人工提取球形標(biāo)靶點(diǎn)云的擬合半徑誤差減小0.02～0.06 mm，較基于微分方法減少0.01～0.09 mm，表明該方法能夠?qū)崿F(xiàn)球形標(biāo)靶點(diǎn)云自動(dòng)提取，并達(dá)到人工提取的準(zhǔn)確性，并得到高精度的擬合結(jié)果；同時(shí)本文方法耗時(shí)分別為人工提取及微分方法耗時(shí)的15.5%和19.5%，能夠提高自動(dòng)提取球形標(biāo)靶的效率。

表4 3種方法提取球形標(biāo)靶結(jié)果對(duì)比

4 結(jié)束語

為了提高球形標(biāo)靶的自動(dòng)提取的效率和精度，本文設(shè)計(jì)了基于SHOT特征的自動(dòng)提取方法，以獲取球形標(biāo)靶部分點(diǎn)云和歐氏聚類方法分割球形標(biāo)靶點(diǎn)云的粗提取方法，以及采用迭代最小二乘濾波和法向?yàn)V波確定球形標(biāo)靶點(diǎn)云參數(shù)的精提取方法，通過實(shí)驗(yàn)驗(yàn)證了提出方法的可行性和可靠性，得到以下幾點(diǎn)結(jié)論：

(1) SHOT特征描述算子能夠識(shí)別場景中全部的球形標(biāo)靶目標(biāo)，識(shí)別結(jié)果與場景關(guān)鍵點(diǎn)的選取有關(guān)，場景采樣率為0.02 m時(shí)，識(shí)別率能夠達(dá)到70%以上，并可得到球形標(biāo)靶的大致位置參數(shù)，以滿足球形標(biāo)靶精提取的要求。

(2) 精提取過程，迭代最小二乘法和法向?yàn)V波能夠去除非球面點(diǎn)，濾波后球形標(biāo)靶點(diǎn)云的擬合半徑中誤差較人工提取球形標(biāo)靶點(diǎn)云的擬合半徑中誤差減小0.02～0.06 mm，較基于微分方法減少0.01～0.09 mm，能夠達(dá)到人工提取的準(zhǔn)確性，得到高精度的擬合結(jié)果。

(3) 法線估計(jì)易受噪聲的干擾，采用距離加權(quán)的協(xié)方差矩陣計(jì)算點(diǎn)云的法向能夠得到更加準(zhǔn)確的法向，提高后續(xù)數(shù)據(jù)處理的精度。

(4) 通過設(shè)計(jì)方案提取球形標(biāo)靶，10 m距離內(nèi)半徑中誤差在0.25～0.33 mm，耗時(shí)28 725 ms，該方案能夠快速提取球形標(biāo)靶，得到毫米級(jí)的精度，適用于高精度球形標(biāo)靶的自動(dòng)化提取。

本文方法通過從復(fù)雜點(diǎn)云場景中準(zhǔn)確地提取出球形標(biāo)靶目標(biāo)，能夠獲得高精度的球形標(biāo)靶參數(shù)。場景差異引起設(shè)置關(guān)鍵點(diǎn)參數(shù)變化，需進(jìn)一步研究提高自適應(yīng)參數(shù)的關(guān)鍵點(diǎn)選取方法，實(shí)現(xiàn)參數(shù)選取的自適應(yīng)性問題。

[1] DISNEY M, BURT A, CALDERS K, et al. Innovations in ground and airborne technologies as reference and for training and validation: terrestrial laser scanning (TLS)[J]. Surveys in Geophysics, 2019, 40(4): 937-958.

[2] DONG Z, LIANG F X, YANG B S, et al. Registration of large-scale terrestrial laser scanner point clouds: a review and benchmark[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 163: 327-342.

[3] DU S Y, XU G L, ZHANG S R, et al. Robust rigid registration algorithm based on pointwise correspondence and correntropy[J]. Pattern Recognition Letters, 2020, 132: 91-98.

[4] YUN D, KIM S, HEO H, et al. Automated registration of multi-view point clouds using sphere targets[J]. Advanced Engineering Informatics, 2015, 29(4): 930-939.

[5] LIANG Y B, ZHAN Q M, CHE E Z, et al. Automatic registration of terrestrial laser scanning data using precisely located artificial planar targets[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(1): 69-73.

[6] LIU W I. Novel method for sphere target detection and center estimation from mobile terrestrial laser scanner data[J]. Measurement, 2019, 137: 617-623.

[7] 王利華, 石宏斌, 殷義程, 等. 地面激光三維掃描中球面標(biāo)靶自動(dòng)檢測方法[J]. 測繪地理信息, 2019, 44(3): 57-61.

WANG L H, SHI H B, YIN Y C, et al. Sphere targets automatic detection in 3D terrestrial laser scanning[J]. Journal of Geomatics, 2019, 44(3): 57-61 (in Chinese).

[8] 張立朔, 程效軍, 譚凱. 基于強(qiáng)度圖像的標(biāo)靶球自動(dòng)提取與參數(shù)擬合[J]. 工程勘察, 2014, 42(12): 65-69.

ZHANG L S, CHENG X J, TAN K. Automatically sphere target extracting and parameter fitting based on intensity image[J]. Geotechnical Investigation & Surveying, 2014, 42(12): 65-69 (in Chinese).

[9] 藍(lán)秋萍, 田青紅, 李子寬, 等. 利用球目標(biāo)的多測站點(diǎn)云自動(dòng)配準(zhǔn)[J]. 測繪地理信息, 2018, 43(6): 91-94.

LAN Q P, TIAN Q H, LI Z K, et al. Study on automatic registration of spherical targets’ multi-station point clouds[J]. Journal of Geomatics, 2018, 43(6): 91-94 (in Chinese).

[10] 魏江, 何明一, 熊邦書, 等. 多視點(diǎn)三維數(shù)據(jù)合并中的定標(biāo)球球心算法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2006, 18(3): 416-420.

WEI J, HE M Y, XIONG B S, et al. Algorithm for finding registration sphere center in merging multiple-view 3D point clouds[J]. Journal of Computer-Aided Design & Computer Graphics, 2006, 18(3): 416-420 (in Chinese).

[11] FRANASZEK M, CHEOK G S, WITZGALL C. Fast automatic registration of range images from 3D imaging systems using sphere targets[J]. Automation in Construction, 2009, 18(3): 265-274.

[12] 李嘉, 阿依古麗·阿曼, 鄭德華. 復(fù)雜場景三維點(diǎn)云中未知球形目標(biāo)的自動(dòng)識(shí)別方法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2013, 25(10): 1489-1495.

LI J, AYIGULI A M, ZHENG D H. Automatically identifying uncertain spherical targets in 3D point clouds of complex scenario[J]. Journal of Computer-Aided Design & Computer Graphics, 2013, 25(10): 1489-1495 (in Chinese).

[13] SALTI S, TOMBARI F, DI STEFANO L. SHOT: Unique signatures of histograms for surface and texture description[J]. Computer Vision and Image Understanding, 2014, 125: 251-264.

[14] 張凱霖, 張良. 復(fù)雜場景下基于C-SHOT特征的3D物體識(shí)別與位姿估計(jì)[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2017, 29(5): 846-853.

ZHANG K L, ZHANG L. 3D object recognition and 6Do F pose estimation in scenes with occlusions and clutter based on C-SHOT 3D descriptor[J]. Journal of Computer-Aided Design & Computer Graphics, 2017, 29(5): 846-853 (in Chinese).

[15] 齊飛飛. 圖像特征點(diǎn)檢測與匹配技術(shù)研究[D]. 蘭州: 蘭州大學(xué), 2021.

QI F F. Research on image feature points detection and matching[D]. Lanzhou: Lanzhou University, 2021 (in Chinese).

[16] 田青華, 白瑞林, 李杜. 基于SHOT特征融合的散亂工件點(diǎn)云配準(zhǔn)算法[J]. 小型微型計(jì)算機(jī)系統(tǒng), 2019, 40(2): 275-279.

TIAN Q H, BAI R L, LI D. Point cloud registration algorithm for scattered workpiece based on SHOT feature fusion[J]. Journal of Chinese Computer Systems, 2019, 40(2): 275-279 (in Chinese).

[17] 王春林, 鄭德華, 孟敏, 等. 點(diǎn)云中混合像元的探測與剔除算法[J]. 測繪與空間地理信息, 2016, 39(1): 102-105.

WANG C L, ZHENG D H, MENG M, et al. Algorithm of detecting and eliminating mixed pixel in dense point cloud[J]. Geomatics & Spatial Information Technology, 2016, 39(1): 102-105 (in Chinese).

Research on automatic extraction of spherical targets based on SHOT feature descriptor

WANG Hao, ZHENG De-hua, LIU Cun-tai, CHENG Yu-xiang, HU Chuang

(School of Earth Sciences and Engineering, Hohai University, Nanjing Jiangsu 210098, China)

To achieve the accurate automatic extraction of spherical targets from 3D laser point clouds in complicated scenes, a method was proposed for the automatic and accurate extraction of spherical targets based on SHOT features. This method designed the processes of rough extraction and refined extraction. In the rough extraction process, SHOT feature descriptor was utilized to extract all spherical target point clouds in the scene; secondly, Euclidean clustering was used to segment spherical target point clouds, and rough spherical target parameters was calculated using the least square. The refined extraction process was based on the iterative least squares method and normal filtering to eliminate the aspherical points, and obtain the spherical target point cloud and accurate spherical target parameters. An experimental scene with 4 spherical targets was designed. The German Z+F Image 5016 scanner was employed to collect the scene data, and the spherical target point cloud and spherical target parameters in the experimental scene were automatically extracted. The results show that in the range of 10 meters, the error of the radius of the spherical target automatically extracted by this method was 0.25–0.33 mm, which was 0.02–0.06 mm less than that of the manually extracted spherical target point cloud, and 0.01–0.09 mm less than that based on the differential method. The proposed method can achieve high positioning accuracy for spherical targets and robustly eliminate noise in the scene point cloud, and can complete the automatic extraction of spherical targets with millions of point clouds within 30 seconds.

spherical target point cloud; SHOT feature descriptor; iterative least squares; Euclidean distance clustering; normal filtering

TP 391

10.11996/JG.j.2095-302X.2022050849

A

2095-302X(2022)05-0849-09

2022-04-07；

2022-06-02

7 April，2022；

2 June，2022

國網(wǎng)新源控股(水電)有限公司科技項(xiàng)目(SGXYKJ-2020-079)

State Grid Xinyuan (Hydropower) Company Ltd. Technology Project (SGXYKJ-2020-079)

王 浩(1998-)，男，碩士研究生。主要研究方向?yàn)槿S點(diǎn)云數(shù)據(jù)處理與應(yīng)用。E-mail：201309020014@hhu.edu.cn

WANG Hao (1998-), master student, His main research interests cover 3D point cloud data processing and application. E-mail：201309020014@hhu.edu.cn

鄭德華(1972-)，男，副教授，博士。主要研究方向?yàn)槿S點(diǎn)云數(shù)據(jù)處理與應(yīng)用及精密工程測量等。E-mail：19950059@hhu.edu.cn

ZHENG De-hua (1972-), associate professor, Ph.D. His main research interests cover 3D point cloud data processing and application, precision engineering measurement, etc. E-mail：19950059@hhu.edu.cn