CN107133966B - 一种基于采样一致性算法的三维声纳图像背景分割方法 - Google Patents

Abstract

本发明公开了一种基于采样一致性算法的三维声纳图像背景分割方法，包括：(1)获取声纳数据，将每帧声纳数据对应的三维声纳范围图像信息转换为全局坐标下的点云数据；(2)人为进行背景目标的三维图像建模，得到点云背景模型库；(3)基于已有的点云背景模型库，对点云数据使用RANSAC算法进行检索得到匹配的模型；(4)对比多种匹配结果，选出符合最好的模型；(5)将上述模型对应的点云从总的点云中移除，余下的点云即为检测所需的目标点云。该方法可以适应越来越多的不同场景，具有较好的时效性和可维护性。

Description

一种基于采样一致性算法的三维声纳图像背景分割方法

技术领域

本发明属于三维声纳图像处理领域，具体涉及一种基于采样一致性算法的三维声纳图像背景分割方法。

背景技术

海洋因其独特的战略地位和巨大的经济潜力，越来越受到人们的重视。我国的地理位置也决定了发展海洋科学技术的重要性。其中，水下声纳探测广泛应用于各项海洋资源的开发，同时，也是重要的水下探测手段，在蛙人的探测跟踪、水雷的目标识别、水下遥控航行等多方面具有广阔的应用前景。

三维声纳系统是一种新型的水下三维声学成像系统，具有图像清晰、可视性好等特点，但是在获取三维声纳点云数据时，由于设备精度、操作者经验、水下环境因素等带来的影响，点云数据中将不可避免地出现一些噪声点。实际应用中除了随机误差产生的噪声点外，由于外界干扰如障碍物、鱼群等因素的影响，点云数据中往往存在一些与被测物体点云差距较大的离散点，即离群点，使水下背景中目标的正确识别更加复杂化。

因此，亟需一种数据处理方法，用于将三维声纳点云数据中的噪声数据去除，以提高数据的准确性，实现其重要的工程使用价值。

发明内容

鉴于上述，本发明提供了一种基于采样一致性算法的三维声纳图像背景分割方法，该方法能够从复杂的点云数据中去除重复的背景数据，提高系统运行的效率。

一种基于采样一致性算法的三维声纳图像背景分割方法，包含以下步骤：

(1)获取声纳数据，将每帧声纳数据对应的三维声纳范围图像信息转换为全局坐标下的点云数据集，预设将点云数据分为静态背景点云数据和动态目标点云数据；

(2)提取给定的无组织点云数据的特征，建立用于刻画点云形状的几何体，作为静态背景目标点云数据的标准模型库；

(3)基于建立的标准模型库，采用采样一致性算法检测点云数据集中的“内群”点，并计算得到与点云数据集中的“内群”点匹配的多个标准模型；

(4)比对多个标准模型与点云数据集中的“内群”点匹配的相似度，选取相似度最大时对应的标准模型作为背景模型，并根据点云数据集更新确定背景模型的几何参数；

(5)根据背景模型，将点云数据集中能够用背景模型刻画的点云数据去除，剩下的点云数据为动态目标点云数据，实现三维声纳图像的背景分割。

本发明中，假设得到的点云数据由静态背景点云数据和动态目标点云数据组成，静态背景点云数据(在水下环境中表现为大陆架、抛石等)具有一定的特征值，可以用一些模型参数来叙述其分布；动态目标点云数据(由于操作不当或者随机干扰物引起的噪声和动态目标如蛙人、潜器AUV等)则是不适用模型化的数据，因此，采用一致性算法找到用于刻画静态背景点云数据的背景模型，进而将这部分静态背景点云数据去掉，得到动态目标点云数据。

在步骤(2)中，基于给定的无组织点云数据建立的标准模型作为后续步骤的参照对象，因此，建立的标准模型越多，后续检测的准确性越高，背景去除的效果越精确。

所述步骤(2)中，采用点云分割、模型拟合以及功能推理步骤提取点云数据的特征，建立标准模型库。的具体步骤为：

a，对给定的无组织点云进行分割，通过点云曲率和法线方向的突变寻找目标边缘的连接区域，使用区域生长法将点云分割成块状；

b，对块状点云进行模型拟合，用描述区域的多边形来替换块状点云；建立XYZ世界坐标系，通过边缘查找线和圆等来确定点云的几何形状模型；

以长方体的拟合为例，对块状点云进行2D平面分析，获取边界上的所有点进行直线拟合，若块状点云具有垂直和水平的边线并且满足一定的尺寸标准，则确定其为一个平面；若一个块状点云具有多个平面且满足特定的条件，则确定其为一个长方体。

c，对拟合得到的几何形状模型进行功能推理，确定其是否属于某个对象类。

例如：定义抛石的形状为一定尺寸的长方体或圆柱体，若步骤b得到的模型中存在满足该条件的模型，则将该模型分类到抛石类下，所得到的模型通过实地的测试进行验证。

相较于现有的技术，本发明具有以下有益的技术效果：

(1)该方法能够鲁棒地估计模型参数，适用于从复杂的点云数据中估计出高精度的模型参数，从而进行背景模型去除，降低点云的复杂程度。

(2)该方法具有较强的普适性，通过建立不同的模型，可以实现不同场景下的背景去除。另外，随着标准模型库的修改和扩充，该方法可以适应越来越多的不同场景，具有较好的时效性和可维护性。

(3)对于特定环境下的目标检测，通过该方法可以去除大部分的环境点云数据，只留下少量的待检测点云数据，提高后续处理的计算速度，有助于满足实时性的要求。

附图说明

图1是本发明基于采样一致性算法的三维声纳图像背景分割方法的流程图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

如图1所示的是本发明基于采样一致性算法的三维声纳图像背景分割方法的流程图，根据图1，该方法包括以下步骤：

S01，获取声纳数据，将每帧声纳数据对应的三维声纳范围图像信息转换为全局坐标下的点云数据集，预设将点云数据分为静态背景点云数据和动态目标点云数据。

静态背景点云数据具有一定的特征值，可以用一些模型参数来叙述其分布，在水下环境中表现为大陆架、抛石等；动态目标点云数据则是不适用模型化的数据，如由于操作不当或者随机干扰物引起的噪声和动态目标如蛙人、潜器AUV等。

S02，提取给定的无组织点云数据的特征，建立用于刻画点云形状的几何体，作为静态背景目标点云数据的标准模型库。

S02的具体过程包括：

首先，对给定的无组织点云进行分割，通过点云曲率和法线方向的突变寻找目标边缘的连接区域，使用区域生长法将点云分割成块状；

然后，对块状点云进行模型拟合，用描述区域的多边形来替换块状点云。建立XYZ世界坐标系，通过边缘查找线和圆等来确定点云的几何体。以长方体的拟合为例，对块状点云进行2D平面分析，获取边界上的所有点进行直线拟合，若块状点云具有垂直和水平的边线并且满足一定的尺寸标准，则确定其为一个平面；若一个块状点云具有多个平面且满足特定的条件，则确定其为一个长方体。

最后，对拟合得到的几何体进行功能推理，确定其是否属于某个对象类。比如我们定义抛石的形状为一定尺寸的长方体或圆柱体，若上述得到的模型中存在满足该条件的模型，则将其分类到抛石类下。所得到的模型通过实地的测试进行验证。

S03，基于RANSAC算法，随机选取上述点云数据集的一个子集data，假设这些数据都是“内群”点。

S04，设定相似度阈值X，检索既定的标准模型库，通过比较特征值，获得标准模型库中与data的相似度超过阈值X的模型model，并根据S03中假设的“内群”点计算得到模型model的未知几何参数；

S05，利用S04中得到的模型model测试点云数据集中不属于子集data的点云数据，若某个点数数据可以用模型model刻画，则认为该点云数据属于“内群”点；

S06，设定“内群”点的占据比值的阈值Y，若“内群”点在所有点云数据中的占据比值大于阈值Y，则认为存在足够多的点云数据被归类为假设的“内群”点，表示模型model合理，执行S07，否则，表示模型model不合理，舍弃该模型model，返回S04，重新寻找模型model；

S07，用S05中最终确定的“内群”点重新估计新模型new model，并通过“内群”点与模型new model的当前错误率Z来评估模型；

若当前错误率Z在期望值区间内，则认为模型new model合理，并判断此次迭代是否为第一次迭代，

若是，将该模型new model置为best_model，该当前错误率Z置为best_error，然后，执行S08；

若否，比较当前错误率Z与best_error，当Z<best_error时，用new_model替代已有best_model，然后，执行S08；

若当前错误率Z在期望值区间外，舍弃该模型new model，然后，执行S08；

S08，判断迭代次数是否小于迭代次数k，若是，结束迭代，此时的best_model为背景模型，并执行S09，若否，跳转执行S03；

S09，根据背景模型，将点云数据集中能够用背景模型刻画的点云数据去除，剩下的点云数据为动态目标点云数据，实现三维声纳图像的背景分割。

本实施例中，迭代次数k的估算方法为：

(a)设置p表示迭代过程中所选子集的点都是“内群”点的概率，此时的结果模型很可能有用，所以p也表示算法产生有用结果的概率。

(b)设置w表示每次从点云数据中取出一个点，该点为“内群”点的概率，表示如下：

w＝“内群”点的个数/所有点的个数

(c)一般情况下，可以无法得知w的确定值，但是可以给出一些鲁棒的值。

(d)假设估计模型需要选定n个点，wⁿ是所有n个点均为“内群点”的概率；1-wⁿ是n个点中至少有一个点为“离群”点的概率，此时表明该模型不好；(1-wⁿ)^k表示不会出现一种选择，使得所有被选择的点均为“内群”点的概率，它的值和1-p相同，表示如下：

1-p＝(1-wⁿ)^k

(e)对上式取对数，可以得出迭代次数k的估计值为：

以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于采样一致性算法的三维声纳图像背景分割方法，包含以下步骤：

S01，获取声纳数据，将每帧声纳数据对应的三维声纳范围图像信息转换为全局坐标下的点云数据集，预设将点云数据分为静态背景点云数据和动态目标点云数据；

S02，提取给定的无组织点云数据的特征，建立用于刻画点云形状的几何体，作为静态背景目标点云数据的标准模型库；

S02的具体过程包括：

首先，对给定的无组织点云进行分割，通过点云曲率和法线方向的突变寻找目标边缘的连接区域，使用区域生长法将点云分割成块状；

然后，对块状点云进行模型拟合，用描述区域的多边形来替换块状点云，建立XYZ世界坐标系，通过边缘查找线和圆来确定点云的几何体；

最后，对拟合得到的几何体进行功能推理，确定其是否属于某个对象类；

S03，基于采样一致性算法，随机选取静态背景点云数据的一个子集data，假设这些数据都是“内群”点；

S04，设定相似度阈值X，检索既定的标准模型库，通过比较特征值，获得标准模型库中与子集data的相似度超过阈值X的模型model，并根据S03中假设的“内群”点计算得到模型model的未知几何参数；

S05，利用S04中得到的模型model测试点云数据集中不属于子集data的点云数据，若某个点数数据能够用模型model刻画，则认为该点云数据属于“内群”点；

S06，设定“内群”点的占据比值的阈值Y，若“内群”点在所有点云数据中的占据比值大于阈值Y，则认为存在足够多的点云数据被归类为假设的“内群”点，表示模型model合理，执行S07，否则，表示模型model不合理，舍弃该模型model，返回S04，重新寻找模型model；

S07，用S05中最终确定的“内群”点重新估计新模型new model，并通过“内群”点与模型new model的当前错误率Z来评估模型；

若当前错误率Z在期望值区间内，则认为模型new model合理，并判断此次迭代是否为第一次迭代；

若是，将该模型new model置为best_model，该当前错误率Z置为best_error，然后，执行S08；

若否，比较当前错误率Z与best_error，当Z<best_error时，用new_model替代已有best_model，然后，执行S08；

若当前错误率Z在期望值区间外，舍弃该模型new model，然后，执行S08；

S08，判断迭代次数是否小于迭代次数k，若是，结束迭代，此时的best_model为背景模型，并执行S09，若否，跳转执行S03；

S09，根据背景模型，将点云数据集中能够用背景模型刻画的点云数据去除，剩下的点云数据为动态目标点云数据，实现三维声纳图像的背景分割；

迭代次数k的估算方法为：

(a)设置p表示迭代过程中所选子集的点都是“内群”点的概率，此时的结果模型很可能有用，所以p也表示算法产生有用结果的概率；

(b)设置w表示每次从点云数据中取出一个点，该点为“内群”点的概率，表示如下：

w＝“内群”点的个数/所有点的个数

(c)假设估计模型需要选定n个点，wⁿ是所有n个点均为“内群点”的概率；1-wⁿ是n个点中至少有一个点为“离群”点的概率，此时表明该模型不好；(1-wⁿ)^k表示不会出现一种选择，使得所有被选择的点均为“内群”点的概率，它的值和1-p相同，表示如下：

1-p＝(1-wⁿ)^k

(d)对上式取对数，可以得出迭代次数k的估计值为：

Images