CN106096570A - 一种基于回溯自适应匹配追踪的农用植株3d数据重构方法 - Google Patents

Abstract

本发明公开了一种基于回溯自适应匹配追踪的农用植株3D数据重构方法，首先运用该方法在感知矩阵中寻找绝对值的相关度满足一定条件的原子存入候选集，然后对已选出的原子进行回溯检验，剔除先前迭代过程中错选的原子并存入删除集，同时更新支撑集与残差。当满足迭代终止条件时，退出迭代，完成对激光扫描传感器信号的精确重构。该方法无需将激光扫描传感器信号稀疏度作为先验条件，同时运用了回溯的思想，在计算复杂度与重构性能之间获得了很好的平衡。本发明直接从激光扫描传感器返回的植株目标深度数据入手，降低了对数据的存储和传输的压力，并能准确恢复植株的形态特征，对植株的成长分析具有重要意义。

Description

一种基于回溯自适应匹配追踪的农用植株3D数据重构方法

技术领域

本发明涉及植株3D目标数据重构方法，尤其是一种基于压缩感知理论的激光数据回溯自适应匹配追踪的重构方法。

背景技术

随着我国农业现代化的大力发展，机械化和电气化在农业领域的运用越来越广泛。对农作物生长信息的有效掌控以及对这些生长信息的压缩、传输和处理，对植株的监护和病虫害的防止有着重要的意义，能够实现农场品的高产丰收，对农业经济的发展也有着重要意义。

在以往的农业生产过程中，主要依靠人工的观测或照片、视频的办法对植株的形态特征进行观测。由于植株数量巨大和其生长周期较长，上述方法并不适合对大量植株的高效检测以及观测产生的监测数据对存储和传输带来巨大的挑战，更不利于对农作物生长状况的有效分析。

具有稀疏特性信号的压缩感知理论由Donoho等人于2006年提出。该理论采用少量信号的随机向量，能够以很高的概率准确重构原始信号。作为信号处理领域中诞生的全新理论，突破了传统的奈奎斯特采样定理的局限性。

本发明是基于回溯匹配追踪算法开展的，该方法是由AnamitraMakur等人于2011年提出的。本发明创新性地将此方法运用于激光扫描传感器信号的恢复重构中，为激光扫描传感器信号的分析与处理开辟了新的思路。

发明内容

针对传统植株形态检测数据分析和重构方法中存在的弊端，本发明提出了一种基于压缩感知理论的植株3D数据回溯自适应匹配追踪重构方法。该方法首先在感知矩阵中自适应地选取一些原子，然后使用回溯思想灵活地去除了初选过程中错选的原子，从而实现激光扫描传感器信号的精确重构。

本发明的技术方案是：一种基于回溯自适应匹配追踪的农用植株3D数据重构方法，包括以下步骤：

步骤1：激光扫描传感器返回的每一组帧数据按顺序记为f_n(i)，f_n(i)表示f_n的第i个 数据，f_n表示f的第n组数据，则原始激光深度数据f＝[f₁,f₂,…,f_n]^T，其中i∈(1,2,…,Ι)，n∈(1,2,…,N)；

步骤2：采用小波变换基对激光深度数据进行稀疏表示，信号f稀疏表示为f＝Ψx，x为激光扫描传感器返回的深度数据f∈R^N×I在变换基Ψ下的系数向量x；

步骤3：采用高斯分布白噪声生成随机测量矩阵Φ，Φ∈R^M×N(M＜＜N)，M为测量维数，N为原始信号的维数；

步骤4：测量矩阵Φ与稀疏变换基Ψ相乘得到感知矩阵其中Φ是M×N(M＜＜N)维的压缩感知观测矩阵，Ψ是N×N维的稀疏变换基矩阵，则激光原始信号f的测量值表示为

步骤5：采用回溯自适应匹配追踪算法对植株的3D数据进行重构，得到重构后的激光数据并与原始数据进行对比得出结论；

进一步，所述步骤5的具体过程为：

步骤5.1，确立激光扫描传感器信号的压缩采样值序列与感知矩阵的关系，令初始残差等于激光扫描传感器信号的测量值(r₀＝y)，初始化三个集合：支撑集候选集删除集

步骤5.2，对感知矩阵中的原子进行初次筛选，当满足条件时，将挑选出的原子存入候选集Cⁿ，完成初次筛选；其中μ₁为一个介于0到1之间的原子常数，选取μ₁＝0.4，Ω＝[1,2,3,…,N]，|Cⁿ|≤M-|Λ|，M为测量维数，Λ为支撑集，<·>表示内积运算；

步骤5.3，计算并选择满足条件的原子并将其删除，存入删除集Γⁿ，其中μ₂同为一个介于0到1之间的删除原子常数；

步骤5.4，通过以上对激光扫描传感器数据进行的数学运算过程，以下变量发生了变化，故对其进行更新，包括更新支撑集Λ＝{Λ∩Cⁿ}\Γⁿ，系数残差

步骤5.5，一次迭代过程过后，如果||rⁿ||≥ε或n≤n_max，则令n＝n+1，转第六步继续进行迭代；否则，停止迭代，输出其中||r||₂表示残差的二范数，ε表示停止迭代的阈值，n_max为最大迭代次数；

步骤5.6，还原激光扫描数据，通过计算重构出原始激光扫描传感器信号。

进一步，所述步骤5.2中，要求|Cⁿ|≤M-|Λ|的目的是使存在，把感知矩阵的每一列当作一个原子 和表示残差与感知矩阵列元素的内积。

进一步，所述步骤5.2中，μ₁表示添加原子常数，当μ₁＝1时，每次迭代只会选择相关性最大的原子，当μ₁变小时，每次迭代过程会选择更多的原子，以此加快迭代速度。

进一步，自适应地调整μ₁和μ₂，在计算成本和重建性能之间提供了一些灵活性，经过实验对比最终选择μ₁＝0.4和μ₂＝0.6。

进一步，该方法在回溯过程，两次检验了被选原子的稳定性；第一次通过求最大相关性，第二次通过回溯检验集合Λ∩Cⁿ，以便获得了更好的信号稀疏重构性能。

本发明的有益效果是：

本发明首次提出基于回溯自适应匹配追踪的植株3D数据重构方法。

本发明方法首先在感知矩阵中自适应地选取一些原子，然后在接下来的处理过程中，采用回溯迭代方法，移除某些选择错误的原子，从而实现植株3D数据的重构。

本发明方法用于重构激光扫描传感器信号，利用回溯的方法逐步修正支撑集，它通过当前激光扫描传感器信号的特征自适应地选择添加或删除一些原子。即当稀疏度K较小时，较少数目的原子被添加或删除；当稀疏度K较大时，较多数目的原子被添加或删除。当大多数的正确原子被选定后，每次初选的原子数目会逐步变少，从而加速收敛，这就在计算复杂度和重构精度之间获得了很好的平衡。回溯追踪方法的采用使得本方法检验了所选原子的可靠性，在考察残差与观测向量的相关性和在考察支撑集时，这两次检验使稀疏重构精确性得到了很大的提高，达到了精确重构激光数据的目的。

本发明方法有效地采样并压缩了激光扫描传感器返回的大量植株数据，方便了数据的上传和备份，并确保了数据的保密性，更能精确原始重构激光扫描传感器信号。

附图说明

图1是本发明基于回溯自适应匹配追踪的激光数据重构方法的流程图；

具体实施方式

下面结合附图对本发明作进一步的详细说明。

本发明基于回溯自适应匹配追踪的激光扫描传感器信号重构方法的步骤如下：

第一步：激光扫描传感器工作600s，并返回数据，将激光扫描传感器返回的每一组帧数据按顺序记为f_n(i)，i∈(1,I)，(I＝1080)，激光传感器扫描一圈用时0.25s，产生1080个深度数据，则原始激光深度数据f＝[f₁,f₂,…,f_n]^T，n∈(1,N)，(N＝2400)，

第二步：根据压缩感知理论，确定所需稀疏变换基Ψ。本发明采用小波变换基对激光扫描传感器数据进行稀疏表示。激光扫描传感器信号f∈R^N×I在变换基Ψ下的稀疏向量为x，即f＝Ψx。

第三步：采用高斯分布白噪声生成随机测量矩阵Φ，其中Φ∈R^M×N(M＜＜N)，矩阵Φ中的元素采用独立同分布的高斯随机变量，即各元素是相互独立的，且服从均值为零，方差为 的高斯分布，即m∈(1,M)，n∈(1,N)。其中m和n分别代表测量矩阵Φ的行和列，M为测量维数，N为原始信号的维数。

第四步：测量矩阵Φ与变换基Ψ相乘可得到感知矩阵由前三步可将激光扫描传感器信号f的测量值表示为：

$y=\mathrm{\&Phi;}f=\mathrm{\&Phi;}\mathrm{\&Psi;}x=\widetilde{\mathrm{\&Psi;}}x$

式中y是M×1维的测量值即观测向量，f是N×1维的激光扫描传感器数据，Φ是M×N(M＜＜N)维的测量矩阵，Ψ是N×N维的稀疏变换基矩阵，是M×N维的感知矩阵，x是N×1维的稀疏变换向量。向量x仅有K(K<<N)个系数值非零，其余N-K个系数值为零。重构要求是求解测量方程中稀疏信号x以及非零元素对应的位置。

选取测量维数M＝64，测量值y的维数M要远远低于激光扫描传感器数据f维数N，即实现了高维数据f(N×1)维到低维数据y(M×1)维的投影，实现了数据的压缩过程，y即为激光扫描数据压缩后的数据。在y包含有足够的重构信息的前提下，感知矩阵满足约束等距条件(restricted isometry property，RIP)，即可通过回溯自适应匹配重构算法由测量值向量y及 感知矩阵能够重构出原始激光扫描传感器信号。

第五步：运用回溯自适应匹配追踪重构方法，确立激光扫描传感器信号的压缩采样值序列与感知矩阵的关系，令初始残差等于激光扫描传感器信号的测量值(r₀＝y)，初始化三个集合：支撑集候选集删除集

第六步：对感知矩阵中的原子进行初次筛选，当满足条件时，将挑选出的原子存入候选集Cⁿ，完成初次筛选。其中μ₁为一个介于0到1之间的原子常数，在本发明中，选取μ₁＝0.4，Ω＝[1,2,3,…,N]，|Cⁿ|≤M-|Λ|，M为测量维数，Λ为支撑集，<·>表示内积运算。

第七步：计算并选择满足条件的原子并将其删除，存入删除集Γⁿ，其中μ₂同为一个介于0到1之间的删除原子常数，本发明中选取μ₂＝0.6。在第六步中，使|Cⁿ|≤M-|Λ|的目的就是为了本步骤中逆矩阵存在。

第八步：通过以上对激光扫描传感器数据进行的数学运算过程，以下变量发生了变化，故对其进行更新，包括更新支撑集Λ＝{Λ∩Cⁿ}\Γⁿ，系数残差第九步：一次迭代过程过后，如果||rⁿ||≥ε或n≤n_max，则令n＝n+1，转第六步继续进行迭代；否则，停止迭代，输出其中||r||₂表示残差的二范数，ε表示停止迭代的阈值，n_max为最大迭代次数。本发明中，选取ε＝10^-5，n_max＝M。

第十步：还原激光扫描数据。通过计算重构出原始激光扫描传感器信号。

与其他激光信号压缩重构方法相比，本发明方法在用于激光扫描传感器信号的重构中可以移除先前选择错误的原子，提供了更好的重构性能，并且能够在计算复杂度和重构性能方面达到很好的平衡。另外，在激光扫描传感器信号稀疏度K往往是未知的这种情况下，应用本发明方法可以达到很好的重构效果。本方法创新性地运用在了激光数据上，能对激光数据在保留原始信息的条件下有效压缩，更能以高精度重构，效果比较理想。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示 意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.一种基于回溯自适应匹配追踪的农用植株3D数据重构方法，其特征在于，包括以下步骤：

步骤1：激光扫描传感器返回的每一组帧数据按顺序记为f_n(i)，f_n(i)表示f_n的第i个数据，f_n表示f的第n组数据，则原始激光深度数据f＝[f₁,f₂,…,f_n]^T，其中i∈(1,2,…,Ι)，n∈(1,2,…,N)；

步骤2：采用小波变换基对激光深度数据进行稀疏表示，信号f稀疏表示为f＝Ψx，x为激光扫描传感器返回的深度数据f∈R^N×I在变换基Ψ下的系数向量x；

步骤3：采用高斯分布白噪声生成随机测量矩阵Φ，Φ∈R^M×N(M＜＜N)，M为测量维数，N为原始信号的维数；

步骤4：测量矩阵Φ与稀疏变换基Ψ相乘得到感知矩阵其中Φ是M×N(M＜＜N)维的压缩感知观测矩阵，Ψ是N×N维的稀疏变换基矩阵，则激光原始信号f的测量值表示为

步骤5：采用回溯自适应匹配追踪算法对植株的3D数据进行重构，得到重构后的激光数据并与原始数据进行对比得出结论。

2.根据权利要求1所述的一种基于回溯自适应匹配追踪的农用植株3D数据重构方法，其特征在于，所述步骤5的具体过程为：

步骤5.1，确立激光扫描传感器信号的压缩采样值序列与感知矩阵的关系，令初始残差等于激光扫描传感器信号的测量值(r₀＝y)，初始化三个集合：支撑集候选集删除集

步骤5.2，对感知矩阵中的原子进行初次筛选，当满足条件 时，将挑选出的原子存入候选集Cⁿ，完成初次筛选；其中μ₁为一个介于0到1之间的原子常数，选取μ₁＝0.4，Ω＝[1,2,3,…,N]，|Cⁿ|≤M-|Λ|，M 为测量维数，Λ为支撑集，<·>表示内积运算；

步骤5.3，计算并选择满足条件的原子并将其删除，存入删除集Γⁿ，其中μ₂同为一个介于0到1之间的删除原子常数；

步骤5.4，通过以上对激光扫描传感器数据进行的数学运算过程，以下变量发生了变化，故对其进行更新，包括更新支撑集Λ＝{Λ∩Cⁿ}\Γⁿ，系数残差

步骤5.5，一次迭代过程过后，如果||rⁿ||≥ε或n≤n_max，则令n＝n+1，转第六步继续进行迭代；否则，停止迭代，输出其中||r||₂表示残差的二范数，ε表示停止迭代的阈值，n_max为最大迭代次数；

步骤5.6，还原激光扫描数据，通过计算重构出原始激光扫描传感器信号。

3.根据权利要求2所述的一种基于回溯自适应匹配追踪的农用植株3D数据重构方法，其特征在于，所述步骤5.2中，要求|Cⁿ|≤M-|Λ|的目的是使存在，把感知矩阵的每一列当作一个原子 和表示残差与感知矩阵列元素的内积。

4.根据权利要求2所述的一种基于回溯自适应匹配追踪的农用植株3D数据重构方法，其特征在于，所述步骤5.2中，μ₁表示添加原子常数，当μ₁＝1时，每次迭代只会选择相关性最大的原子，当μ₁变小时，每次迭代过程会选择更多的原子，以此加快迭代速度。

5.根据权利要求2所述的一种基于回溯自适应匹配追踪的农用植株3D数据重构方法，其特征在于，自适应地调整μ₁和μ₂，在计算成本和重建性能之间提供了一些灵活性，经过实验对比最终选择μ₁＝0.4和μ₂＝0.6。

6.根据权利要求2所述的一种基于回溯自适应匹配追踪的农用植株3D数据重构方法，其特征在于，该方法在回溯过程，两次检验了被选原子的稳定性；第一次通过求最大相关性，第二次通过回溯检验集合Λ∩Cⁿ，以便获得了更好的信号稀疏重构性能。