CN115908751A - 一种基于三维点云的飞行器捕获与识别方法 - Google Patents

Abstract

本发明公开了一种基于三维点云的飞行器捕获与识别方法，步骤如下：1）获取原始点云数据；2）对获取到的原始点云数据进行预处理；3）采用二阶反馈聚类包络飞行器目标外接轮廓；4）对飞行器目标外接轮廓进行修正；5）飞行器引擎特征提取并识别机型。本发明实现了泊位引导目标的运动状态稳定监测与异常入侵告警；解决了激光点云稀疏时整体结构断裂的飞行器点云目标难以稳定捕获及异物入侵时难以准确告警的问题，提升了泊位引导系统的场景适应性。

Description

一种基于三维点云的飞行器捕获与识别方法

技术领域

本发明属于激光雷达物体检测识别及测量领域，具体涉及一种基于三维点云的飞行器捕获与识别方法。

背景技术

激光雷达由于受环境因素影响小，能够输出丰富的三维点云信息，这使得其应用场景越来越广泛。飞行器泊位引导系统是以激光雷达为感知器，通过点云处理技术分析激光雷达获取的泊位场景点云数据，捕获飞行器目标及提取特征参数以识别目标机型、检测目标速度、距离、方位角等信息，高效引导飞行器准确停靠到机坪的系统设备。

现有技术对激光雷达扫描获取的激光点云数据，通常是经过平面分割、点云聚类、特征提取流程来实现点云目标的检测与识别，或是基于点云深度学习网络，训练模型，进行目标检测和识别。

现有技术存在如下缺陷：对于激光雷达获取的点云数据存在分布不均匀，尤其是对于外形轮廓复杂的飞行器目标难以稳定捕获，同时对于激光雷达受环境影响产生的随机噪点难以稳定滤除导致难以精确引导飞行器，对于点云稀疏及旋转倾斜导致点云数据变化难以稳定检测到空间圆影响机型识别的可靠性。此外，使用点云深度学习的方法，网络模型复杂，点云目标形态多变，缺乏能囊括多变情形的足够数据样本，对设备算力要求高，检测耗时，准确率不高，尤其对于恶劣天气时，准确率降低较明显。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于三维点云的飞行器捕获与识别方法，以解决现有技术中飞行器泊位引导系统在实际应用中受点云稀疏、噪点干扰、位姿变化等因素影响导致飞行器难以稳定检测、精确引导、准确识别的问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于三维点云的飞行器捕获与识别方法，步骤如下：

1)获取原始点云数据；

2)对获取到的原始点云数据进行预处理；

3)采用二阶反馈聚类包络飞行器目标外接轮廓；

4)对飞行器目标外接轮廓进行修正；

5)飞行器引擎特征提取并识别机型。

进一步地，所述步骤1)中通过激光雷达获取泊位场景原始点云数据。

进一步地，所述步骤2)中的预处理具体包括：

21)依据机坪泊位的实际区域大小，通过引射线法直通滤波裁剪得到检测区域；

22)对直通滤波裁剪得到的检测区域的点云数据，基于随机采样一致性算法分割滤除地面点云数据，保留地面以上的点云数据。

进一步地，所述步骤3)具体包括：

31)设置欧式聚类初始邻域半径系数，一阶聚类分析泊位检测区域内预处理后的点云数据，提取点云簇目标的3D检测框，迭代增大邻域半径系数，直至区域内点云簇目标的3D检测框体积不再增长停止增大邻域半径系数，以保证3D检测框内包含有区域内所有点云目标；

32)对激光雷达覆盖区域根据与激光雷达距离远近进行划分，设置不同大小的二阶聚类邻域半径系数，区域越近对应的邻域半径系数越小，在运动的3D检测框空间内基于行进到各分块区域内预设的邻域半径系数欧式聚类出各分散的点云簇，同时遍历计算各点云簇间的中心间距，合并小间隔的邻近点云簇，形成稳定的各类目标点云簇；

33)对二阶聚类得到的各类目标点云簇在各相应邻域内持续跟踪建立帧间运动关联，采用帧间运动关联跟踪方法分析计算出各类目标点云簇的运动速度及运动方向，剔除其中运动速度及运动方向差异大的飞行器外的目标，缩小3D检测框空间，以保证3D检测框内的所有点云簇为具备一致运动状态的飞行器从属；

34)对经二阶聚类运动分析反馈处理缩小修正得到的3D检测框空间，在飞行器行进方向按预设步长距离进行划分，对各子区域基于卡壳法提取出当前部分的外接长方体，合并各子区域对应的3D检测包络框，形成飞行器整体点云目标结构完整轮廓包络空间区域；

35)基于二阶反馈聚类的点云目标外接轮廓包络方法即可在泊位检测区域内动态包络出入位的飞行器目标外接轮廓，实时监测泊位引导目标的运动状态及异常入侵告警。

进一步地，所述步骤4)具体包括：

41)计算飞行器目标外接轮廓区域内各目标点云簇的密度：基于Kd-tree空间索引计算目标点云簇内各点间距，统计平均值作为点云簇密度ρ；

42)遍历目标点云簇的每个点，并以当前点为种子点搜索其K近邻域内点，形成分块子区域，K＝n/ρ，n为经验值，取值为3；

43)对于各块状子区域，扣除其种子点，通过对剩余点进行高阶多项式插值逼近拟合子区域曲面；

44)计算种子点和近邻点的连线与拟合曲面上过该近邻点法向量的夹角，若与90度的差值小于经验阈值则认为该种子点属于目标点云，否则为离群点，进行剔除。

进一步地，所述步骤43)具体包括：

431)局部拟合的子区域的拟合函数f(x)表示为

式中，m为基函数的项数，α(x)＝[α₁(x),α₂(x),…α_m(x)]为待求系数，p(x)＝[p₁(x),p₂(x),…p_m(x)]为多项式函数的基函数，p^T(x)是p(x)的转置；

432)设定优化目标

对于每个局部区间i，找到目标函数J的系数使其整体误差最小；其中，w(x-x_i)为权函数，n为子区域包含点的数量，x_i,y_i为对应点坐标，a(x)为待求系数，是坐标x表达的函数；

433)对J求偏导，求取目标函数和给定点集误差最小时的系数a(x)；

434)将α(x)带入拟合函数f(x)定义式获取拟合函数。

进一步地，所述步骤44)具体包括：

以点pt3的最近邻点pt0为中心，计算拟合曲面上距中心点最远的点距离记为d，以

为邻域半径R搜索其邻近区域点，计算主成分分析算法的协方差矩阵Cov＝∑(Ni-C)×(Ni-C)，其中，Ni为邻域点，C为pt0的空间坐标，协方差矩阵的最小特征值对应的特征向量即为点pt0的空间法线L方向，计算pt3和pt0的连线与L的夹角，若与90度的差值小于经验阈值则认为点pt3属于目标点云，否则为离群点，进行剔除。

进一步地，所述步骤5)具体包括：

51)对经外接轮廓修正后的飞行器点云目标，提取其内部各点云簇的几何面积特征，选取具有最大几何面积的点云簇即为飞行器的机身点云目标；

52)基于主成分分析算法对机身点云目标进行分析，获取机身主方向，即使得机身点分布方差最大的空间面，提取空间面的中心轴线即为飞行器的主轴线；

53)分别基于离地高度阈值、机身长度阈值在竖直方向与机身轴线方向直通滤波裁剪粗过滤出飞行器引擎所处的空间区域；

54)基于空间法向量评估迭代检测空间圆，筛选得到引擎圆；

55)计算所检测到的引擎圆的中心间距与机型特征参数数据库中的标准参数进行比对，以实现机型的识别。

进一步地，所述步骤54)具体包括：

541)基于随机采样一致性算法在预处理后的点云空间区域内拟合检测出空间圆；

542)提取当前空间圆法平面空间向量N_c，计算其与飞行器中心主轴线N_a的夹角θ，

理想空间圆法平面空间向量应与飞行器中心主轴线平行；

543)提取当前空间圆轮廓法向量分布特征值：将空间圆根据其平面法向量投影到其所属平面，依据圆轮廓点与圆心的空间关系将空间圆点云数据分布到四象限中，统计各象限内有无点，记作

计算出各象限内点的中心(x_i,z_i)，与圆心(x_o,z_o)形成向量并对其归一化

定义空间圆轮廓法向量分布特征值为

其中，α为经验权值以提升轮廓点分布权重，取值2，V越小越接近于理想圆，理想圆的四象限内均有点且轮廓点法向量和为0，即V＝-2；r为空间圆半径；

544)基于卡壳法提取当前空间圆的外接矩形，理想圆的外接矩形长宽比为1；

545)若当前空间圆法平面空间向量与飞行器中心轴线夹角小于经验阈值、圆轮廓法向量分布特征值小于经验阈值、圆长宽比值与1的差值小于阈值,则将当前空间圆归为引擎；

546)抹除当前空间圆的点云数据后在剩余的空间内重复步骤541)-步骤546)直至找到目标个数的正确引擎停止迭代。

本发明的有益效果：

1、本发明实现了泊位引导目标的运动状态稳定监测与异常入侵告警；解决了激光点云稀疏时整体结构断裂的飞行器点云目标难以稳定捕获及异物入侵时难以准确告警的问题，提升了泊位引导系统的场景适应性。

2、本发明依据点云密度分块子区域大小，基于高阶多项式插值逼近拟合各子区域曲面，计算点云目标上各点和其邻域最近点连线与对应子区域曲面法向量的夹角来去除离群点，实现飞行器外接轮廓的精确修正。解决了激光点云出现噪点时干扰飞行器检测引导精度的问题，提升了泊位引导系统的飞行器检测精确性。

3、本发明弱化了基于随机采样一致性检测空间圆时需要严格的区域限制，使用迭代策略同时检测多个空间圆，并基于设计的空间圆轮廓法向量分布特征值评估策略级联空间圆方位角与空间圆长宽比筛选出正确的引擎圆。解决了激光点云稀疏、飞行器旋转倾斜较大时引擎空间圆检测不稳定的问题，提升了泊位引导系统的飞行器识别可靠性。

附图说明

图1为本发明方法的原理图。

图2为基于二阶反馈聚类的点云目标外接轮廓包络流程图。

图3为基于二阶反馈聚类的点云目标外接轮廓包络实现示意图。

图4为子区域拟合曲面空间法向量夹角计算示意图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的一种基于三维点云的飞行器捕获与识别方法，步骤如下：

1)通过激光雷达获取泊位场景原始点云数据；

2)对获取到的原始点云数据进行预处理；

其中，所述的预处理具体包括：

21)依据机坪泊位的实际区域大小，通过引射线法直通滤波裁剪得到检测区域；

22)对直通滤波裁剪得到的检测区域的点云数据，基于随机采样一致性算法(RANSAC)分割滤除地面点云数据，保留地面以上的点云数据。

3)采用二阶反馈聚类包络飞行器目标外接轮廓；参照图2所示，具体包括：

31)设置欧式聚类初始邻域半径系数，一阶聚类分析泊位检测区域内预处理后的点云数据，提取点云簇目标的3D检测框，迭代增大邻域半径系数，直至区域内点云簇目标的3D检测框体积不再增长停止增大邻域半径系数，以保证3D检测框内包含有区域内所有点云目标；

32)对激光雷达覆盖区域根据与激光雷达距离远近进行划分，设置不同大小的二阶聚类邻域半径系数，区域越近对应的邻域半径系数越小，在运动的3D检测框空间内基于行进到各分块区域(泊位检测区域依据离激光雷达远近进行划分)内预设的邻域半径系数欧式聚类出各分散的点云簇，同时遍历计算各点云簇间的中心间距，合并小间隔的邻近点云簇，形成稳定的各类目标点云簇；

33)对二阶聚类得到的各类目标点云簇在各相应邻域内持续跟踪建立帧间运动关联，采用帧间运动关联跟踪方法分析计算出各类目标点云簇的运动速度及运动方向，剔除其中运动速度及运动方向差异大的飞行器外的目标，缩小3D检测框空间，(防止产生欠分割)以保证3D检测框内的所有点云簇为具备一致运动状态的飞行器从属；

34)对经二阶聚类运动分析反馈处理缩小修正得到的3D检测框空间，在飞行器行进方向按预设步长距离进行划分，对各子区域(对一阶聚类形成的整体目标点云区域按预设步长距离进行划分)基于卡壳法提取出当前部分的外接长方体，合并各子区域对应的3D检测包络框，形成飞行器整体点云目标结构完整轮廓包络空间区域，其实现过程如图3所示；

35)基于二阶反馈聚类的点云目标外接轮廓包络方法即可在泊位检测区域内动态包络出入位的飞行器目标外接轮廓，实时监测泊位引导目标的运动状态及异常入侵告警。

4)对飞行器目标外接轮廓进行修正；具体包括：

41)计算飞行器目标外接轮廓区域内各目标点云簇的密度：基于Kd-tree空间索引计算目标点云簇内各点间距，统计平均值作为点云簇密度ρ；

42)遍历目标点云簇的每个点，并以当前点为种子点搜索其K近邻域内点，形成分块子区域，K＝n/ρ，n为经验值，取值为3；

43)对于各块状子区域，扣除其种子点，通过对剩余点进行高阶多项式插值逼近拟合子区域曲面；

44)计算种子点和近邻点的连线与拟合曲面上过该近邻点法向量的夹角，若与90度的差值小于经验阈值则认为该种子点属于目标点云，否则为离群点，进行剔除；

各块状子区域的曲面拟合与曲面法向量夹角的计算均在GPU中并行化执行，以提高离群点处理速度；

其中，所述步骤43)具体包括：

431)局部拟合的子区域的拟合函数f(x)表示为

式中，m是基函数的项数，α(x)＝[α₁(x),α₂(x),…α_m(x)]为待求系数，p(x)＝[p₁(x),p₂(x),…p_m(x)]为多项式函数的基函数，p^T(x)是p(x)的转置；

432)设定优化目标

对于每个局部区间i，找到目标函数J的系数使其整体误差最小；其中，w(x-x_i)为权函数，n为子区域包含点的数量，x_i,y_i为对应点坐标，a(x)为待求系数，是坐标x表达的函数；

433)对J求偏导，求取目标函数和给定点集误差最小时的系数a(x)；

434)将α(x)带入拟合函数f(x)定义式获取拟合函数。

其中，所述步骤44)具体包括：

参照图4所示，以点pt3的最近邻点pt0为中心，计算拟合曲面上距中心点最远的点距离记为d，以

为邻域半径R搜索其邻近区域点，计算主成分分析算法的协方差矩阵Cov＝∑(Ni-C)×(Ni-C)，其中，Ni为邻域点，C为pt0的空间坐标，协方差矩阵的最小特征值对应的特征向量即为点pt0的空间法线L方向，计算pt3和pt0的连线与L的夹角，若与90度的差值小于经验阈值则认为点pt3属于目标点云，否则为离群点，进行剔除。

5)飞行器引擎特征提取并识别机型；具体包括：

51)对经外接轮廓修正后的飞行器点云目标，提取其内部各点云簇的几何面积特征，选取具有最大几何面积的点云簇即为飞行器的机身点云目标；

52)基于主成分分析算法(PCA)对机身点云目标进行分析，获取机身主方向，即使得机身点分布方差最大的空间面，提取空间面的中心轴线即为飞行器的主轴线；

53)分别基于离地高度阈值、机身长度阈值在竖直方向与机身轴线方向直通滤波裁剪粗过滤出飞行器引擎所处的空间区域；

54)基于空间法向量评估迭代检测空间圆，筛选得到引擎圆；

55)计算所检测到的引擎圆的中心间距与机型特征参数数据库中的标准参数进行比对，以实现机型的识别。

所述步骤54)具体包括：

541)基于随机采样一致性算法在预处理后的点云空间区域内拟合检测出空间圆；

542)提取当前空间圆法平面空间向量N_c，计算其与飞行器中心主轴线N_a的夹角θ，

理想空间圆法平面空间向量应与飞行器中心主轴线平行；

543)提取当前空间圆轮廓法向量分布特征值：将空间圆根据其平面法向量投影到其所属平面，依据圆轮廓点与圆心的空间关系将空间圆点云数据分布到四象限中，统计各象限内有无点，记作

计算出各象限内点的中心(x_i,z_i)，与圆心(x_o,z_o)形成向量并对其归一化

定义空间圆轮廓法向量分布特征值为

其中，α为经验权值以提升轮廓点分布权重，取值2，V越小越接近于理想圆，理想圆的四象限内均有点且轮廓点法向量和为0，即V＝-2；r为空间圆半径；

544)基于卡壳法提取当前空间圆的外接矩形，理想圆的外接矩形长宽比为1；

545)若当前空间圆法平面空间向量与飞行器中心轴线夹角小于经验阈值、圆轮廓法向量分布特征值小于经验阈值、圆长宽比值与1的差值小于阈值,则将当前空间圆归为引擎；

546)抹除当前空间圆的点云数据后在剩余的空间内重复步骤541)-步骤546)直至找到目标个数的正确引擎停止迭代。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (9)

1.一种基于三维点云的飞行器捕获与识别方法，其特征在于，步骤如下：

1)获取原始点云数据；

2)对获取到的原始点云数据进行预处理；

3)采用二阶反馈聚类包络飞行器目标外接轮廓；

4)对飞行器目标外接轮廓进行修正；

5)飞行器引擎特征提取并识别机型。

2.根据权利要求1所述的基于三维点云的飞行器捕获与识别方法，其特征在于，所述步骤1)中通过激光雷达获取泊位场景原始点云数据。

3.根据权利要求1所述的基于三维点云的飞行器捕获与识别方法，其特征在于，所述步骤2)中的预处理具体包括：

21)依据机坪泊位的实际区域大小，通过引射线法直通滤波裁剪得到检测区域；

22)对直通滤波裁剪得到的检测区域的点云数据，基于随机采样一致性算法分割滤除地面点云数据，保留地面以上的点云数据。

4.根据权利要求1所述的基于三维点云的飞行器捕获与识别方法，其特征在于，所述步骤3)具体包括：

31)设置欧式聚类初始邻域半径系数，一阶聚类分析泊位检测区域内预处理后的点云数据，提取点云簇目标的3D检测框，迭代增大邻域半径系数，直至区域内点云簇目标的3D检测框体积不再增长停止增大邻域半径系数，以保证3D检测框内包含有区域内所有点云目标；

32)对激光雷达覆盖区域根据与激光雷达距离远近进行划分，设置不同大小的二阶聚类邻域半径系数，区域越近对应的邻域半径系数越小，在运动的3D检测框空间内基于行进到各分块区域内预设的邻域半径系数欧式聚类出各分散的点云簇，同时遍历计算各点云簇间的中心间距，合并小间隔的邻近点云簇，形成稳定的各类目标点云簇；

33)对二阶聚类得到的各类目标点云簇在各相应邻域内持续跟踪建立帧间运动关联，采用帧间运动关联跟踪方法分析计算出各类目标点云簇的运动速度及运动方向，剔除其中运动速度及运动方向差异大的飞行器外的目标，缩小3D检测框空间，以保证3D检测框内的所有点云簇为具备一致运动状态的飞行器从属；

34)对经二阶聚类运动分析反馈处理缩小修正得到的3D检测框空间，在飞行器行进方向按预设步长距离进行划分，对各子区域基于卡壳法提取出当前部分的外接长方体，合并各子区域对应的3D检测包络框，形成飞行器整体点云目标结构完整轮廓包络空间区域；

35)基于二阶反馈聚类的点云目标外接轮廓包络方法即可在泊位检测区域内动态包络出入位的飞行器目标外接轮廓，实时监测泊位引导目标的运动状态及异常入侵告警。

5.根据权利要求1所述的基于三维点云的飞行器捕获与识别方法，其特征在于，所述步骤4)具体包括：

41)计算飞行器目标外接轮廓区域内各目标点云簇的密度：基于Kd-tree空间索引计算目标点云簇内各点间距，统计平均值作为点云簇密度ρ；

42)遍历目标点云簇的每个点，并以当前点为种子点搜索其K近邻域内点，形成分块子区域，K＝n/ρ，n为经验值，取值为3；

43)对于各块状子区域，扣除其种子点，通过对剩余点进行高阶多项式插值逼近拟合子区域曲面；

44)计算种子点和近邻点的连线与拟合曲面上过该近邻点法向量的夹角，若与90度的差值小于经验阈值则认为该种子点属于目标点云，否则为离群点，进行剔除。

6.根据权利要求5所述的基于三维点云的飞行器捕获与识别方法，其特征在于，所述步骤43)具体包括：

431)局部拟合的子区域的拟合函数f(x)表示为

式中，m为基函数的项数，α(x)＝[α₁(x),α₂(x),…α_m(x)]为待求系数，p(x)＝[p₁(x),p₂(x),…p_m(x)]为多项式函数的基函数，p^T(x)是p(x)的转置；

432)设定优化目标

对于每个局部区间i，找到目标函数J的系数使其整体误差最小；其中，w(x-x_i)为权函数，n为子区域包含点的数量，x_i,y_i为对应点坐标，a(x)为待求系数，是坐标x表达的函数；

433)对J求偏导，求取目标函数和给定点集误差最小时的系数a(x)；

434)将α(x)带入拟合函数f(x)定义式获取拟合函数。

7.根据权利要求6所述的基于三维点云的飞行器捕获与识别方法，其特征在于，所述步骤44)具体包括：

以点pt3的最近邻点pt0为中心，计算拟合曲面上距中心点最远的点距离记为d，以

为邻域半径R搜索其邻近区域点，计算主成分分析算法的协方差矩阵Cov＝∑(Ni-C)×(Ni-C)，其中，Ni为邻域点，C为pt0的空间坐标，协方差矩阵的最小特征值对应的特征向量即为点pt0的空间法线L方向，计算pt3和pt0的连线与L的夹角，若与90度的差值小于经验阈值则认为点pt3属于目标点云，否则为离群点，进行剔除。

8.根据权利要求1所述的基于三维点云的飞行器捕获与识别方法，其特征在于，所述步骤5)具体包括：

51)对经外接轮廓修正后的飞行器点云目标，提取其内部各点云簇的几何面积特征，选取具有最大几何面积的点云簇即为飞行器的机身点云目标；

52)基于主成分分析算法对机身点云目标进行分析，获取机身主方向，即使得机身点分布方差最大的空间面，提取空间面的中心轴线即为飞行器的主轴线；

53)分别基于离地高度阈值、机身长度阈值在竖直方向与机身轴线方向直通滤波裁剪粗过滤出飞行器引擎所处的空间区域；

54)基于空间法向量评估迭代检测空间圆，筛选得到引擎圆；

55)计算所检测到的引擎圆的中心间距与机型特征参数数据库中的标准参数进行比对，以实现机型的识别。

9.根据权利要求8所述的基于三维点云的飞行器捕获与识别方法，其特征在于，所述步骤54)具体包括：

541)基于随机采样一致性算法在预处理后的点云空间区域内拟合检测出空间圆；

542)提取当前空间圆法平面空间向量N_c，计算其与飞行器中心主轴线N_a的夹角θ，

理想空间圆法平面空间向量应与飞行器中心主轴线平行；

543)提取当前空间圆轮廓法向量分布特征值：将空间圆根据其平面法向量投影到其所属平面，依据圆轮廓点与圆心的空间关系将空间圆点云数据分布到四象限中，统计各象限内有无点，记作

计算出各象限内点的中心(x_i,z_i)，与圆心(x_o,z_o)形成向量并对其归一化

定义空间圆轮廓法向量分布特征值为

其中，α为经验权值以提升轮廓点分布权重，取值2，V越小越接近于理想圆，理想圆的四象限内均有点且轮廓点法向量和为0，即V＝-2；r为空间圆半径；

544)基于卡壳法提取当前空间圆的外接矩形，理想圆的外接矩形长宽比为1；

545)若当前空间圆法平面空间向量与飞行器中心轴线夹角小于经验阈值、圆轮廓法向量分布特征值小于经验阈值、圆长宽比值与1的差值小于阈值,则将当前空间圆归为引擎；

546)抹除当前空间圆的点云数据后在剩余的空间内重复步骤541)-步骤546)直至找到目标个数的正确引擎停止迭代。

Images