CN116148878A - 船舶干舷高度识别方法及系统 - Google Patents
船舶干舷高度识别方法及系统 Download PDFInfo
- Publication number
- CN116148878A CN116148878A CN202310411141.1A CN202310411141A CN116148878A CN 116148878 A CN116148878 A CN 116148878A CN 202310411141 A CN202310411141 A CN 202310411141A CN 116148878 A CN116148878 A CN 116148878A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- topside
- plane
- candidate
- cloud data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0608—Height gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种船舶干舷高度识别方法及系统,其中该方法包括:S1、获取目标船舶的中间段所在帧的目标点云数据集;S2、根据激光雷达的扫描线间距确定预设间隔及距离阈值区间,采用预设间隔将距离阈值区间分割为多个调节距离阈值;S3、自第一个调节距离阈值开始按顺序依次在多个调节距离阈值下,根据目标点云数据集及ransac算法计算候选干舷平面,并根据候选干舷平面内的点云数据计算对应的置信度,根据候选干舷平面的置信度确定最优干舷平面;S4、对最优干舷平面进行切片并计算每个切片的切片高度,根据所有的切片高度进行加权计算得到目标船舶的干舷高度。提高了干舷高度的计算精度及效率,具有良好的通用性。
Description
技术领域
本发明涉及船舶识别领域,尤其涉及一种船舶干舷高度识别方法及系统。
背景技术
船舶的干舷是指船舶中部由满载吃水线到甲板上缘的垂直距离。船舶最小干舷是保证船舶安全浮于水面的限度,所有船舶都是按国家船舶检验局勘定的船舶载重线所规定的最小干舷。如果船舶超载、干舷减小到小于规定的限度时,船舶就不能安全浮于水面,故最小干舷也叫安全干舷,根据干舷高度可确定船舶是否超载,因此对干舷高度的识别是一种必要技术。
现有船舶识别系统,主要通过两种方法对干舷高度进行计算。第一种方法是通过图像或视频提取船舶航行的侧视图,通过像素距离的比值和相邻吃水线读数计算实际干舷高度。这种方法有两个问题:1、受摄像头安装距离、位置等限制,同时受光照因素、雾天气影响大,在夜晚或者恶劣的天气条件下, 现有摄像头采集的视频或者图像质量不高,清晰度不足、分辨率不够,导致发生漏检和识别错误的情况。同时在航运情况复杂的河道交汇处和检测范围较大的江面、入海口等情况时由于摄像头拍摄距离有限,不能很好的识别船舶。2、不是所有的船上都有吃水线,如果遇到没有吃水线的船舶该方法难以生效。
第二种方法是通过激光产生的点云数据定位甲板位置,然后通过甲板位置和水面的高度来确定干舷高度。但由于前后遮挡或者设备安装角度的问题,有些时候生成的船舶点云上甲板处的点云非常稀疏甚至没有,这个时候这种方法显然不奏效。
针对现有技术中干舷高度识别精度差的问题,目前还没有一个有效的解决方法。
发明内容
为解决上述问题,本发明提供一种船舶干舷高度识别方法及系统,通过自动调节距离阈值,在不同距离阈值下采用ransac算法对干舷平面进行提取,保证低干舷和高干舷的船舶均能进行精确度较高的干舷高度计算;通过计算每个干舷平面的完整性得分及位置得分确定点云平面的置信度,进而根据置信度的高度挑选最优的干舷平面,根据最优干舷平面计算得到的干舷高度精确度更高;通过对最优干舷平面进行切片后对切片高度差进行加权计算,获得更为精准的干舷高度,从而解决了现有技术中干舷高度识别精度差的问题。
为达到上述目的,本发明实施例提供了一种船舶干舷高度识别方法,包括:S1、获取目标船舶的中间段所在帧的目标点云数据集;S2、根据激光雷达的扫描线间距确定预设间隔及距离阈值区间,采用预设间隔将距离阈值区间分割为多个调节距离阈值;S3、自第一个调节距离阈值开始按顺序依次在多个调节距离阈值下,根据所述目标点云数据集及ransac算法计算候选干舷平面,并根据候选干舷平面内的点云数据计算对应的置信度,根据候选干舷平面的置信度确定最优干舷平面;S4、对所述最优干舷平面进行切片并计算每个切片的切片高度,根据所有的切片高度进行加权计算得到所述目标船舶的干舷高度。
进一步可选的,自第一个调节距离阈值开始按顺序依次在多个调节距离阈值下,根据所述目标点云数据集及ransac算法计算候选干舷平面,并根据候选干舷平面内的点云数据计算对应的置信度,根据候选干舷平面的置信度确定最优干舷平面,包括:S301、在第一个调节距离阈值下,将所述目标点云数据集作为初始输入,随机选择三个点云数据组成一个平面,将距该平面的距离小于预设距离阈值的点云数据加入该平面内,进行预设次数次迭代后得到多个平面;S302、在所述多个平面中选取含有最多点云数据的平面作为候选干舷平面,根据所述候选干舷平面内的点云数据计算对应的置信度;S303、将所述候选干舷平面的置信度与预设置信度阈值进行比较,当所述候选干舷平面的置信度大于所述预设置信度阈值时,将所述候选干舷平面作为最优干舷平面;当所述候选干舷平面的置信度小于所述预设置信度阈值时,将所述候选干舷平面的点云数据从所述目标点云数据集中剔除,并将进行剔除操作后的目标点云数据集作为新输入重复步骤S301-S303,直至得到置信度小于预设置信度阈值的预设数量个候选干舷平面,并调整到下一调节距离阈值;S304、在下一个调节距离阈值下,重复步骤S301- S303,直至在所有调节距离阈值下得到的候选干舷平面的置信度均小于预设置信度阈值,从所有候选干舷平面中选择置信度最大的候选干舷平面作为最优干舷平面。
进一步可选的,所述根据候选干舷平面内的点云数据计算对应的置信度,包括:S305、根据第一间距在所述候选干舷平面的Y方向上进行分割,根据第二间距在所述候选干舷平面的Z方向上进行分割,得到多个点云块;S306、根据每个点云块中点云数据的X坐标值计算对应厚度差;S307、统计每个点云块中点云数据的数量;S308、统计所有点云块中厚度差大于预设厚度阈值且点云数据的数量大于预设点数阈值的点云块的数量,记为完整点云块数量;S309、根据所述完整点云块数量及所有点云块的数量计算所述候选干舷平面的完整性得分;S310、根据所述候选干舷平面内的点云数据的坐标均值及目标点云数据集内的极点坐标值,计算所述候选干舷平面的位置得分;S311、根据所述完整性得分及位置得分进行加权计算,得到所述候选干舷平面对应的置信度。
进一步可选的,所述获取目标船舶的中间段所在帧的目标点云数据集包括:S101、获取目标船舶自进入画面到从画面中消失过程中的所有帧画面;S102、根据所有帧画面的时间戳选择中间的帧画面作为中间段所在帧,提取所述中间段所在帧中的船舶点云作为初始点云数据集;S103、对所述初始点云数据集进行滤波以过滤掉位于水平面以下的点云数据及离群点云数据,得到所述目标点云数据集。
进一步可选的,所述对所述最优干舷平面进行切片并计算每个切片的切片高度,根据所有的切片高度进行加权计算得到所述目标船舶的干舷高度,包括:S401、根据第三间距在所述最优干舷平面的Y方向上进行切割,得到多个点云切片;S402、计算每个点云切片在Z方向上的最大值及最小值;S403、根据每个点云切片在Z正方向上的最大值及最小值计算得到对应的切片高度,对所有切片对应的切片高度进行加权计算得到所述目标船舶的干舷高度。
另一方面,本发明还提供了一种船舶干舷高度识别系统,包括:数据获取模块,用于获取目标船舶的中间段所在帧的目标点云数据集;距离阈值确定模块,用于根据激光雷达的扫描线间距确定预设间隔及距离阈值区间,采用预设间隔将距离阈值区间分割为多个调节距离阈值;最优干舷平面确定模块,用于自第一个调节距离阈值开始按顺序依次在多个调节距离阈值下,根据所述目标点云数据集及ransac算法计算候选干舷平面,并根据候选干舷平面内的点云数据计算对应的置信度,根据候选干舷平面的置信度确定最优干舷平面;干舷高度计算模块,用于对所述最优干舷平面进行切片并计算每个切片的切片高度,根据所有的切片高度进行加权计算得到所述目标船舶的干舷高度。
进一步可选的,所述最优干舷平面确定模块包括:迭代子模块,用于在第一个调节距离阈值下,将所述目标点云数据集作为初始输入,随机选择三个点云数据组成一个平面,将距该平面的距离小于预设距离阈值的点云数据加入该平面内,进行预设次数次迭代后得到多个平面;候选干舷平面置信度计算子模块,用于在所述多个平面中选取含有最多点云数据的平面作为候选干舷平面,根据所述候选干舷平面内的点云数据计算对应的置信度;第一置信度比较子模块,用于将所述候选干舷平面的置信度与预设置信度阈值进行比较,当所述候选干舷平面的置信度大于所述预设置信度阈值时,将所述候选干舷平面作为最优干舷平面;当所述候选干舷平面的置信度小于所述预设置信度阈值时,将所述候选干舷平面的点云数据从所述目标点云数据集中剔除,并将进行剔除操作后的目标点云数据集作为新输入重复迭代子模块、候选干舷平面置信度计算子模块及第一置信度比较子模块的操作,直至得到置信度小于预设置信度阈值的预设数量个候选干舷平面,并调整到下一调节距离阈值;第二置信度比较子模块,用于在下一个调节距离阈值下,重复重复迭代子模块、候选干舷平面置信度计算子模块及第一置信度比较子模块的操作,直至在所有调节距离阈值下得到的候选干舷平面的置信度均小于预设置信度阈值,从所有候选干舷平面中选择置信度最大的候选干舷平面作为最优干舷平面。
进一步可选的,所述最优干舷平面确定模块还包括:点云块分割子模块,用于根据第一间距在所述候选干舷平面的Y方向上进行分割,根据第二间距在所述候选干舷平面的Z方向上进行分割,得到多个点云块;厚度差计算子模块,用于根据每个点云块中点云数据的X坐标值计算对应厚度差;点云数据数量统计子模块,用于统计每个点云块中点云数据的数量;完整点云块数量统计子模块,用于统计所有点云块中厚度差大于预设厚度阈值且点云数据的数量大于预设点数阈值的点云块的数量,记为完整点云块数量;完整性得分计算子模块,用于根据所述完整点云块数量及所有点云块的数量计算所述候选干舷平面的完整性得分;位置得分计算子模块,用于根据所述候选干舷平面内的点云数据的坐标均值及目标点云数据集内的极点坐标值,计算所述候选干舷平面的位置得分;加权计算子模块,用于根据所述完整性得分及位置得分进行加权计算,得到所述候选干舷平面对应的置信度。
进一步可选的,所述数据获取模块包括:船舶跟踪子模块,用于获取目标船舶自进入画面到从画面中消失过程中的所有帧画面;初始点云数据集获取子模块,用于根据所有帧画面的时间戳选择中间的帧画面作为中间段所在帧,提取所述中间段所在帧中的船舶点云作为初始点云数据集;滤波子模块,用于对所述初始点云数据集进行滤波以过滤掉位于水平面以下的点云数据及离群点云数据,得到所述目标点云数据集。
进一步可选的,所述干舷高度计算模块包括:切片子模块,用于根据第三间距在所述最优干舷平面的Y方向上进行切割,得到多个点云切片;极值计算子模块,用于计算每个点云切片在Z方向上的最大值及最小值;高度计算子模块,用于根据每个点云切片在Z正方向上的最大值及最小值计算得到对应的切片高度,对所有切片对应的切片高度进行加权计算得到所述目标船舶的干舷高度。
上述技术方案具有如下有益效果:根据激光的线间距设置了一个距离阈值区间,通过距离阈值区间划分不同的调节距离阈值,按顺序在不同的调节距离阈值采用ransac算法进行平面提取,从而得到精度较高的干舷平面,使低干舷的船舶点云通过较低的阈值进行分割,使高干舷的船舶点云,采用较高的阈值进行分割,保证所有船舶的干舷的精确测量;通过公式量化计算得到干舷平面的置信度,从而能够直接通过置信度的高低挑选最优干舷平面;采用ransac算法进行分割,即使甲板处没有点云扫到也能有效识别,且不需要测量船舶的吃水线,在夜晚和大雾等恶劣天气下,也能够精准测得干舷高度,既能适用在较窄的内河河道上,同样适用于情况复杂的航道和河道较宽的江面,具有较好的通用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的船舶干舷高度识别方法的流程图;
图2是本发明实施例提供的最优干舷平面选取方法的流程图;
图3是本发明实施例提供的置信度计算方法的流程图;
图4是本发明实施例提供的目标点云数据集计算方法的流程图;
图5是本发明实施例提供的干舷高度计算方法的流程图;
图6是本发明实施例提供的船舶干舷高度识别系统的结构示意图;
图7是本发明实施例提供的最优干舷平面确定模块的结构示意图;
图8是本发明实施例提供的最优干舷平面用于计算置信度的子模块的结构示意图;
图9是本发明实施例提供的数据获取模块的结构示意图;
图10是本发明实施例提供的干舷高度计算模块的结构示意图。
附图标记:100-数据获取模块;1001-船舶跟踪子模块;1002-初始点云数据集获取子模块;1003-滤波子模块;200-距离阈值确定模块;300-最优干舷平面确定模块;3001-迭代子模块;3002-候选干舷平面置信度计算子模块;3003-第一置信度比较子模块;3004-第二置信度比较子模块;3005-点云块分割子模块;3006-厚度差计算子模块;3007-点云数据数量统计子模块;3008-完整点云块数量统计子模块;3009-完整性得分计算子模块;3010-位置得分计算子模块;3011-加权计算子模块;400-干舷高度计算模块;4001-切片子模块;4002-极值计算子模块;4003-高度计算子模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为解决现有技术中干舷高度识别精度差的问题,本发明实施例提供了一种船舶干舷高度识别方法,图1是本发明实施例提供的船舶干舷高度识别方法的流程图,如图1所示,该方法包括:
S1、获取目标船舶的中间段所在帧的目标点云数据集;
船舶的干舷高度为船舶中部的数据,因此需要提取船舶中间段所在帧的点云数据,在点云数据中删除无关点云数据及噪点等,得到船舶中段的点云数据,即目标点云数据集。
本实施例中采用激光雷达对船舶进行扫描,得到三维的点云数据,激光雷达安装在岸边。通常采用激光雷达得到的三维坐标系,以激光雷达为原点,垂直对面河岸方向为X轴正方向,平行河岸向左方向为Y轴正方向,垂直水面向上为Z轴正方向,本实施例也采用该三维坐标系作为基准。
首先通过激光进行水面调平,确保船底的Z值误差较小。对激光雷达扫描得到的船舶点云数据,采用欧式聚类算法和点云跟踪算法,得到多帧的船舶点云,刚好覆盖了船舶从出现到消失的整个过程,将这些帧画面按时间戳从早到晚进行排序,并选取其中位于中间位置的帧画面,由于这一段刚好是船舶的中间段所在帧,只有干舷、甲板和货舱这几部分,没有船首和船尾,这样能大大提升后续干舷平面分割和船舷高度计算的精确度。
对于中间段所在帧的船舶点云数据进行一系列滤波处理,过滤掉水面以下及其他离群点,从而将船的倒影、水花、漂浮物等其他异物过滤掉,得到目标点云数据集,记为Pship。
S2、根据激光雷达的扫描线间距确定预设间隔及距离阈值区间,采用预设间隔将距离阈值区间分割为多个调节距离阈值;
确认线扫激光上下两条线之间的距离s,那么模型距离阈值的设置区间为(0,2s],自调节阈值的预设间隔为d,这样共可设置n个调节距离阈值(d,2d,..,2s)。
同时,初始化ransac算法的距离阈值参数T=d。
S3、自第一个调节距离阈值开始按顺序依次在多个调节距离阈值下,根据目标点云数据集及ransac算法计算候选干舷平面,并根据候选干舷平面内的点云数据计算对应的置信度,根据候选干舷平面的置信度确定最优干舷平面;
首先,以目标点云数据集Pship为输入,在第一个调节距离阈值T=d下采用ransac算法进行平面提取,得到候选干舷平面,每得到一个候选干舷平面即根据该候选干舷平面内的点云数据计算对应的置信度,通过置信度确认该候选干舷平面是否为最优干舷平面,得到最优干舷平面后即转入下一步骤,不再采用ransac算法进行平面提取。
若在第一个调节距离阈值下没有得到最优干舷平面,则自动调节到下一调节距离阈值T=2d,重复上述操作,直至得到最优干舷平面。若在所有的调节距离阈值下均没有得到置信度符合条件的最优干舷平面,则在所有候选干舷平面中选取置信度最大的候选干舷平面作为最优干舷平面并转入下一步骤。
S4、对最优干舷平面进行切片并计算每个切片的切片高度,根据所有的切片高度进行加权计算得到目标船舶的干舷高度。
对于最优干舷平面,将其按Y轴方向从左到右等间距进行横向切片,得到多个点云切片,通过统计每个点云切片最大的Z坐标值及最小的Z坐标值得到对应的切片高度,最终将所有切片高度进行加权平均,得到船舶的干舷高度。
作为一种可选的实施方式,图2是本发明实施例提供的最优干舷平面选取方法的流程图,如图2所示,自第一个调节距离阈值开始按顺序依次在多个调节距离阈值下,根据目标点云数据集及ransac算法计算候选干舷平面,并根据候选干舷平面内的点云数据计算对应的置信度,根据候选干舷平面的置信度确定最优干舷平面,包括:
S301、在第一个调节距离阈值下,将目标点云数据集作为初始输入,随机选择三个点云数据组成一个平面,将距该平面的距离小于预设距离阈值的点云数据加入该平面内,进行预设次数次迭代后得到多个平面;
在第一个调节距离阈值T=d下,利用Ransac算法提取干舷平面,将目标点云数据集Pship作为输入,随机选取三个点p1(x1,y1,z1) ,p2 (x2,y2,z2) ,p3 (x3,y3,z3)组成一个平面,平面模型为Ax+By+Cz+D = 0,计算目标点云数据集Pship中所有其它点pi(xi,yi,zi)到该平面的距离,如小于预设距离阈值T,则认为该点在平面内,加入局内点集合。当迭代次数达到预设次数时,得到多个平面。
S302、在多个平面中选取含有最多点云数据的平面作为候选干舷平面,根据候选干舷平面内的点云数据计算对应的置信度;
在以上得到的多个平面的基础上,选择包含最多点的模型,也就是所有平面中含有最多点的平面认为是候选干舷平面,得到候选干舷平面后即根据其平面内的点云数据计算对应的置信度。
S303、将候选干舷平面的置信度与预设置信度阈值进行比较,当候选干舷平面的置信度大于预设置信度阈值时,将候选干舷平面作为最优干舷平面;当候选干舷平面的置信度小于预设置信度阈值时,将候选干舷平面的点云数据从目标点云数据集中剔除,并将进行剔除操作后的目标点云数据集作为新输入重复步骤S301-S303,直至得到置信度小于预设置信度阈值的预设数量个候选干舷平面,并调整到下一调节距离阈值;
在剩余点(进行剔除操作后的目标点云数据集)中,重复利用Ransac算法提取干舷平面,并将提取得到的候选干舷平面的置信度与预设置信度阈值进行比较,直至提取到预设数量m个候选干舷平面为止,这m个候选干舷平面的置信度都小于预设置信度阈值/>,此时自动调整Ransac算法的距离阈值到下一调节距离阈值,即T=2d。
S304、在下一个调节距离阈值下,重复步骤S301- S303,直至在所有调节距离阈值下得到的候选干舷平面的置信度均小于预设置信度阈值,从所有候选干舷平面中选择置信度最大的候选干舷平面作为最优干舷平面。
在新的调节距离阈值下,重复上述步骤,直至在剩下的n-1个调节距离阈值下,还是没有一个候选干舷平面的置信度大于预设置信度阈值,那么就从所有(n*m个)候选干舷平面中选择一个置信度最大的候选干舷平面作为最优干舷平面。
作为一种可选的实施方式,图3是本发明实施例提供的置信度计算方法的流程图,如图3所示,根据候选干舷平面内的点云数据计算对应的置信度,包括:
S305、根据第一间距在候选干舷平面的Y方向上进行分割,根据第二间距在候选干舷平面的Z方向上进行分割,得到多个点云块;
在候选干舷平面的Y方向及Z方向上分别按第一间距dy与第二间距dz对候选干舷平面进行分块,在Y方向上以等间隔dy分割M份,Z方向上等间隔dz分割为N份,那么总共可得N*M个点云块。
本实施例中的干舷平面为在X方向上有一定厚度的三维平面。
S306、根据每个点云块中点云数据的X坐标值计算对应厚度差;
对于每个点云块来说,统计每个点云块内的厚度差,即具有最大X坐标值的点云数据及具有最小X坐标值的点云数据的差值。
S307、统计每个点云块中点云数据的数量;
还需统计每个点云块中的点云数据的数量。
S308、统计所有点云块中厚度差大于预设厚度阈值且点云数据的数量大于预设点数阈值的点云块的数量,记为完整点云块数量;
如果某个点云块的厚度差大于预设厚度阈值,同时点云数据的数量也大于预设点数阈值,则认为该点云块为完整点云块,遍历所有点云块,统计完整点云块数量K。
S309、根据完整点云块数量及所有点云块的数量计算候选干舷平面的完整性得分;
作为一种具体的实施方式,候选干舷平面的完整性得分Sint通过下式计算:
S310、根据候选干舷平面内的点云数据的坐标均值及目标点云数据集内的极点坐标值,计算候选干舷平面的位置得分;
除完整性得分外,本实施例还计算了每个候选干舷平面的位置得分Sloc:
其中,表示目标点云数据集Pship在X方向上的最大值,/>表示候选干舷平面内点云数据的平均x值,/>表示候选干舷平面内点云数据的平均z值,/>表示目标点云数据集Pship在Z方向上最大值,/>表示目标点云数据集Pship在Z方向上最小值。
候选干舷平面的平均x值越小,平均z值越小,位置得分越大。
S311、根据完整性得分及位置得分进行加权计算,得到候选干舷平面对应的置信度。
作为一种可选的实施方式,图4是本发明实施例提供的目标点云数据集计算方法的流程图,如图4所示,获取目标船舶的中间段所在帧的目标点云数据集包括:
S101、获取目标船舶自进入画面到从画面中消失过程中的所有帧画面;
对于激光雷达扫描得到的船舶点云数据,采用欧式聚类算法和点云跟踪算法,得到目标船舶自进入扫描范围至驶离扫描范围内的所有帧画面。
S102、根据所有帧画面的时间戳选择中间的帧画面作为中间段所在帧,提取中间段所在帧中的船舶点云作为初始点云数据集;
根据所有帧画面的时间戳,将这些帧画面进行时间排序,从中选取位于中间的帧画面作为中间段所在帧。具体的,若所有帧画面的数量为奇数,则直接选取中间的帧画面为中间段所在帧;若所有帧画面的数量为偶数,则在中间的两个帧画面中任选其一。
在中间段所在帧中进行船舶点云数据提取,得到目标船舶中间段的初始点云数据集Pobj。
S103、对初始点云数据集进行滤波以过滤掉位于水平面以下的点云数据及离群点云数据,得到目标点云数据集。
对于初始点云数据集Pobj,首先通过水位计获取较精准的水位值Zwater,再采用直通滤波器过滤小于Zwater以下的点云;通过statistical Outlier Removal即统计滤波器移除其他离群点。经过前面一系列的滤波,过滤掉船的倒影、水花、漂浮物等其他异物,最后得到目标点云数据集Pship。
作为一种可选的实施方式,图5是本发明实施例提供的干舷高度计算方法的流程图,如图5所示,对最优干舷平面进行切片并计算每个切片的切片高度,根据所有的切片高度进行加权计算得到目标船舶的干舷高度,包括:
S401、根据第三间距在最优干舷平面的Y方向上进行切割,得到多个点云切片;
对于最优干舷平面进行横向切割,设点云在Y方向上的最大值为maxY,最小值为minY,那么点云的长度为maxY-minY,将点云以d为第三间距按Y轴方向从左往右依次切割,共获得n个点云切片Si。
S402、计算每个点云切片在Z方向上的最大值及最小值;
对切片Si中的点云,根据z值的大小,从大到小排序,得到最大值maxZ 和最小值minZ。用同样的方法,统计所有点云切片在Z方向上的最大、最小值,得到{(maxZ1,minZ1),...,(maxZi,minZi),...,(maxZn,minZn)}。其中(maxZi,minZi)表示第i个点云切片在Z方向的最大值和最小值。
S403、根据每个点云切片在Z正方向上的最大值及最小值计算得到对应的切片高度,对所有切片对应的切片高度进行加权计算得到目标船舶的干舷高度。
用每个切片的Z方向的最大值和最小值相减得到该切片的切片高度,并对所有切片的切片高度进行加权得到船舶干舷高度值H,设wi为每个切片的加权系数:
上面公式中,i表示第i个点云切片,n表示共分成了n个点云切片。
这里不采用求平均的方式,而是考虑到现实场景应用中,越靠近中间的点云通常越密集,因此它们的可靠程度也越高,因此对每个切片的切片高度进行加权赋值,越靠近中间的切片加权系数越大,以此使最终的结果更接近真实情况,提高高度计算的精准度。
作为一种可选的实施方式,本发明实施例还提供了一种船舶干舷高度识别系统,图6是本发明实施例提供的船舶干舷高度识别系统的结构示意图,如图6所示,该系统包括:
数据获取模块100,用于获取目标船舶的中间段所在帧的目标点云数据集;
船舶的干舷高度为船舶中部的数据,因此需要提取船舶中间段所在帧的点云数据,在点云数据中删除无关点云数据及噪点等,得到船舶中段的点云数据,即目标点云数据集。
本实施例中采用激光雷达对船舶进行扫描,得到三维的点云数据,激光雷达安装在岸边。通常采用激光雷达得到的三维坐标系,以激光雷达为原点,垂直对面河岸方向为X轴正方向,平行河岸向左方向为Y轴正方向,垂直水面向上为Z轴正方向,本实施例也采用该三维坐标系作为基准。
首先通过激光进行水面调平,确保船底的Z值误差较小。对激光雷达扫描得到的船舶点云数据,采用欧式聚类算法和点云跟踪算法,得到多帧的船舶点云,刚好覆盖了船舶从出现到消失的整个过程,将这些帧画面按时间戳从早到晚进行排序,并选取其中位于中间位置的帧画面,由于这一段刚好是船舶的中间段所在帧,只有干舷、甲板和货舱这几部分,没有船首和船尾,这样能大大提升后续干舷平面分割和船舷高度计算的精确度。
对于中间段所在帧的船舶点云数据进行一系列滤波处理,过滤掉水面以下及其他离群点,从而将船的倒影、水花、漂浮物等其他异物过滤掉,得到目标点云数据集,记为Pship。
距离阈值确定模块200,用于根据激光雷达的扫描线间距确定预设间隔及距离阈值区间,采用预设间隔将距离阈值区间分割为多个调节距离阈值;
确认线扫激光上下两条线之间的距离s,那么模型距离阈值的设置区间为(0,2s],自调节阈值的间隔为d,这样共可设置n组调节距离阈值(d,2d,..,2s)。
同时,初始化ransac算法的距离阈值参数T=d。
最优干舷平面确定模块300,用于自第一个调节距离阈值开始按顺序依次在多个调节距离阈值下,根据目标点云数据集及ransac算法计算候选干舷平面,并根据候选干舷平面内的点云数据计算对应的置信度,根据候选干舷平面的置信度确定最优干舷平面;
首先,以目标点云数据集Pship为输入,在第一个调节距离阈值T=d下采用ransac算法进行平面提取,得到候选干舷平面,每得到一个候选干舷平面即根据该候选干舷平面内的点云数据计算对应的置信度,通过置信度确认该候选干舷平面是否为最优干舷平面,得到最优干舷平面后即转入下一步骤,不再采用ransac算法进行平面提取。
若在第一个调节距离阈值下没有得到最优干舷平面,则自动调节到下一调节距离阈值T=2d,重复上述操作,直至得到最优干舷平面。若在所有的调节距离阈值下均没有得到置信度符合条件的最优干舷平面,则在所有候选干舷平面中选取置信度最大的候选干舷平面作为最优干舷平面并转入下一步骤。
干舷高度计算模块400,用于对最优干舷平面进行切片并计算每个切片的切片高度,根据所有的切片高度进行加权计算得到目标船舶的干舷高度。
对于最优干舷平面,将其按Y轴方向从左到右等间距进行横向切片,得到多个点云切片,通过统计每个点云切片最大的Z坐标值及最小的Z坐标值得到对应的切片高度,最终将所有切片高度进行加权平均,得到船舶的干舷高度。
作为一种可选的实施方式,图7是本发明实施例提供的最优干舷平面确定模块的结构示意图,如图7所示,最优干舷平面确定模块300包括:
迭代子模块3001,用于在第一个调节距离阈值下,将目标点云数据集作为初始输入,随机选择三个点云数据组成一个平面,将距该平面的距离小于预设距离阈值的点云数据加入该平面内,进行预设次数次迭代后得到多个平面;
在第一个调节距离阈值T=d下,利用Ransac算法提取干舷平面,将目标点云数据集Pship作为输入,随机选取三个点p1(x1,y1,z1) ,p2 (x2,y2,z2) ,p3 (x3,y3,z3)组成一个平面,平面模型为Ax+By+Cz+D = 0,计算目标点云数据集Pship中所有其它点pi(xi,yi,zi)到该平面的距离,如小于预设距离阈值T,则认为该点在平面内,加入局内点集合。当迭代次数达到预设次数时,得到多个平面。
候选干舷平面置信度计算子模块3002,用于在多个平面中选取含有最多点云数据的平面作为候选干舷平面,根据候选干舷平面内的点云数据计算对应的置信度;
在以上得到的多个平面的基础上,选择包含最多点的模型,也就是所有平面中含有最多点的平面认为是候选干舷平面,得到候选干舷平面后即根据其平面内的点云数据计算对应的置信度。
第一置信度比较子模块3003,用于将候选干舷平面的置信度与预设置信度阈值进行比较,当候选干舷平面的置信度大于预设置信度阈值时,将候选干舷平面作为最优干舷平面;当候选干舷平面的置信度小于预设置信度阈值时,将候选干舷平面的点云数据从目标点云数据集中剔除,并将进行剔除操作后的目标点云数据集作为新输入重复迭代子模块、候选干舷平面置信度计算子模块及第一置信度比较子模块的操作,直至得到置信度小于预设置信度阈值的预设数量个候选干舷平面,并调整到下一调节距离阈值;
每得到一个候选干舷平面即计算其对应的置信度,得到置信度后即与预设置信度阈值进行比较,若当前候选干舷平面的置信度大于预设置信度阈值/>,则认为当前候选干舷平面即为最优干舷平面,可以直接转入干舷高度计算模块进行干舷高度计算。
在剩余点(进行剔除操作后的目标点云数据集)中,重复利用Ransac算法提取干舷平面,并将提取得到的候选干舷平面的置信度与预设置信度阈值进行比较,直至提取到预设数量m个候选干舷平面为止,这m个候选干舷平面的置信度都小于预设置信度阈值/>,此时自动调整Ransac算法的距离阈值到下一调节距离阈值,即T=2d。
第二置信度比较子模块3004,用于在下一个调节距离阈值下,重复重复迭代子模块、候选干舷平面置信度计算子模块及第一置信度比较子模块的操作,直至在所有调节距离阈值下得到的候选干舷平面的置信度均小于预设置信度阈值,从所有候选干舷平面中选择置信度最大的候选干舷平面作为最优干舷平面。
在新的调节距离阈值下,重复上述步骤,直至在剩下的n-1个调节距离阈值下,还是没有一个候选干舷平面的置信度大于预设置信度阈值,那么就从所有(n*m个)候选干舷平面中选择一个置信度最大的候选干舷平面作为最优干舷平面。
作为一种可选的实施方式,图8是本发明实施例提供的最优干舷平面用于计算置信度的子模块的结构示意图,如图8所示,最优干舷平面确定模块300还包括:
点云块分割子模块3005,用于根据第一间距在候选干舷平面的Y方向上进行分割,根据第二间距在候选干舷平面的Z方向上进行分割,得到多个点云块;
在候选干舷平面的Y方向及Z方向上分别按第一间距dy与第二间距dz对候选干舷平面进行分块,在Y方向上以等间隔dy分割M份,Z方向上等间隔dz分割为N份,那么总共可得N*M个点云块。
本实施例中的干舷平面为在X方向上有一定厚度的三维平面。
厚度差计算子模块3006,用于根据每个点云块中点云数据的X坐标值计算对应厚度差;
对于每个点云块来说,统计每个点云块内的厚度差,即具有最大X坐标值的点云数据及具有最小X坐标值的点云数据的差值。
点云数据数量统计子模块3007,用于统计每个点云块中点云数据的数量;
还需统计每个点云块中的点云数据的数量。
完整点云块数量统计子模块3008,用于统计所有点云块中厚度差大于预设厚度阈值且点云数据的数量大于预设点数阈值的点云块的数量,记为完整点云块数量;
如果某个点云块的厚度差大于预设厚度阈值,同时点云数据的数量也大于预设点数阈值,则认为该点云块为完整点云块,遍历所有点云块,统计完整点云块数量K。
完整性得分计算子模块3009,用于根据完整点云块数量及所有点云块的数量计算候选干舷平面的完整性得分;
作为一种具体的实施方式,候选干舷平面的完整性得分Sint通过下式计算:
位置得分计算子模块3010,用于根据候选干舷平面内的点云数据的坐标均值及目标点云数据集内的极点坐标值,计算候选干舷平面的位置得分;
除完整性得分外,本实施例还计算了每个候选干舷平面的位置得分Sloc:
其中,表示目标点云数据集Pship在X方向上的最大值,/>表示候选干舷平面内点云数据的平均x值,/>表示候选干舷平面内点云数据的平均z值,/>表示目标点云数据集Pship在Z方向上最大值,/>表示目标点云数据集Pship在Z方向上最小值。
候选干舷平面的平均x值越小,平均z值越小,位置得分越大。
加权计算子模块3011,用于根据完整性得分及位置得分进行加权计算,得到候选干舷平面对应的置信度。
作为一种可选的实施方式,图9是本发明实施例提供的数据获取模块的结构示意图,如图9所示,数据获取模块100包括:
船舶跟踪子模块1001,用于获取目标船舶自进入画面到从画面中消失过程中的所有帧画面;
对于激光雷达扫描得到的船舶点云数据,采用欧式聚类算法和点云跟踪算法,得到目标船舶自进入扫描范围至驶离扫描范围内的所有帧画面。
初始点云数据集获取子模块1002,用于根据所有帧画面的时间戳选择中间的帧画面作为中间段所在帧,提取中间段所在帧中的船舶点云作为初始点云数据集;
根据所有帧画面的时间戳,将这些帧画面进行时间排序,从中选取位于中间的帧画面作为中间段所在帧。具体的,若所有帧画面的数量为奇数,则直接选取中间的帧画面为中间段所在帧;若所有帧画面的数量为偶数,则在中间的两个帧画面中任选其一。
在中间段所在帧中进行船舶点云数据提取,得到目标船舶中间段的初始点云数据集Pobj。
滤波子模块1003,用于对初始点云数据集进行滤波以过滤掉位于水平面以下的点云数据及离群点云数据,得到目标点云数据集。
对于初始点云数据集Pobj,首先通过水位计获取较精准的水位值Zwater,再采用直通滤波器过滤小于Zwater以下的点云;通过statistical Outlier Removal即统计滤波器移除其他离群点。经过前面一系列的滤波,过滤掉船的倒影、水花、漂浮物等其他异物,最后得到目标点云数据集Pship。
作为一种可选的实施方式,图10是本发明实施例提供的干舷高度计算模块的结构示意图,如图10所示,干舷高度计算模块400包括:
切片子模块4001,用于根据第三间距在最优干舷平面的Y方向上进行切割,得到多个点云切片;
对于最优干舷平面进行横向切割,设点云在Y方向上的最大值为maxY,最小值为minY,那么点云的长度为maxY-minY,将点云以d为第三间距按Y轴方向从左往右依次切割,共获得n个点云切片Si。
极值计算子模块4002,用于计算每个点云切片在Z方向上的最大值及最小值;
对切片Si中的点云,根据z值的大小,从大到小排序,得到最大值maxZ 和最小值minZ。用同样的方法,统计所有点云切片在Z方向上的最大、最小值,得到{(maxZ1,minZ1),...,(maxZi,minZi),...,(maxZn,minZn)}。其中(maxZi,minZi)表示第i个点云切片在Z方向的最大值和最小值。
高度计算子模块4003,用于根据每个点云切片在Z正方向上的最大值及最小值计算得到对应的切片高度,对所有切片对应的切片高度进行加权计算得到目标船舶的干舷高度。
用每个切片的Z方向的最大值和最小值相减得到该切片的切片高度,并对所有切片的切片高度进行加权得到船舶干舷高度值H,设wi为每个切片的加权系数:
上面公式中,i表示第i个点云切片,n表示共分成了n个点云切片。
这里不采用求平均的方式,而是考虑到现实场景应用中,越靠近中间的点云通常越密集,因此它们的可靠程度也越高,因此对每个切片的切片高度进行加权赋值,越靠近中间的切片加权系数越大,以此使最终的结果更接近真实情况,提高高度计算的精准度。
上述技术方案具有如下有益效果:根据激光的线间距设置了一个距离阈值区间,通过距离阈值区间划分不同的调节距离阈值,按顺序在不同的调节距离阈值采用ransac算法进行平面提取,从而得到精度较高的干舷平面,使低干舷的船舶点云通过较低的阈值进行分割,使高干舷的船舶点云,采用较高的阈值进行分割,保证所有船舶的干舷的精确测量;通过公式量化计算得到干舷平面的置信度,从而能够直接通过置信度的高低挑选最优干舷平面;采用ransac算法进行分割,即使甲板处没有点云扫到也能有效识别,且不需要测量船舶的吃水线,在夜晚和大雾等恶劣天气下,也能够精准测得干舷高度,既能适用在较窄的内河河道上,同样适用于情况复杂的航道和河道较宽的江面,具有较好的通用性。
以上发明的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上内容仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种船舶干舷高度识别方法,其特征在于,包括:
S1、获取目标船舶的中间段所在帧的目标点云数据集;
S2、根据激光雷达的扫描线间距确定预设间隔及距离阈值区间,采用预设间隔将距离阈值区间分割为多个调节距离阈值;
S3、自第一个调节距离阈值开始按顺序依次在多个调节距离阈值下,根据所述目标点云数据集及ransac算法计算候选干舷平面,并根据候选干舷平面内的点云数据计算对应的置信度,根据候选干舷平面的置信度确定最优干舷平面;
S4、对所述最优干舷平面进行切片并计算每个切片的切片高度,根据所有的切片高度进行加权计算得到所述目标船舶的干舷高度。
2.根据权利要求1所述的船舶干舷高度识别方法,其特征在于,自第一个调节距离阈值开始按顺序依次在多个调节距离阈值下,根据所述目标点云数据集及ransac算法计算候选干舷平面,并根据候选干舷平面内的点云数据计算对应的置信度,根据候选干舷平面的置信度确定最优干舷平面,包括:
S301、在第一个调节距离阈值下,将所述目标点云数据集作为初始输入,随机选择三个点云数据组成一个平面,将距该平面的距离小于预设距离阈值的点云数据加入该平面内,进行预设次数次迭代后得到多个平面;
S302、在所述多个平面中选取含有最多点云数据的平面作为候选干舷平面,根据所述候选干舷平面内的点云数据计算对应的置信度;
S303、将所述候选干舷平面的置信度与预设置信度阈值进行比较,当所述候选干舷平面的置信度大于所述预设置信度阈值时,将所述候选干舷平面作为最优干舷平面;当所述候选干舷平面的置信度小于所述预设置信度阈值时,将所述候选干舷平面的点云数据从所述目标点云数据集中剔除,并将进行剔除操作后的目标点云数据集作为新输入重复步骤S301-S303,直至得到置信度小于预设置信度阈值的预设数量个候选干舷平面,并调整到下一调节距离阈值;
S304、在下一个调节距离阈值下,重复步骤S301- S303,直至在所有调节距离阈值下得到的候选干舷平面的置信度均小于预设置信度阈值,从所有候选干舷平面中选择置信度最大的候选干舷平面作为最优干舷平面。
3.根据权利要求2所述的船舶干舷高度识别方法,其特征在于,所述根据候选干舷平面内的点云数据计算对应的置信度,包括:
S305、根据第一间距在所述候选干舷平面的Y方向上进行分割,根据第二间距在所述候选干舷平面的Z方向上进行分割,得到多个点云块;
S306、根据每个点云块中点云数据的X坐标值计算对应厚度差;
S307、统计每个点云块中点云数据的数量;
S308、统计所有点云块中厚度差大于预设厚度阈值且点云数据的数量大于预设点数阈值的点云块的数量,记为完整点云块数量;
S309、根据所述完整点云块数量及所有点云块的数量计算所述候选干舷平面的完整性得分;
S310、根据所述候选干舷平面内的点云数据的坐标均值及目标点云数据集内的极点坐标值,计算所述候选干舷平面的位置得分;
S311、根据所述完整性得分及位置得分进行加权计算,得到所述候选干舷平面对应的置信度。
4.根据权利要求1所述的船舶干舷高度识别方法,其特征在于,所述获取目标船舶的中间段所在帧的目标点云数据集包括:
S101、获取目标船舶自进入画面到从画面中消失过程中的所有帧画面;
S102、根据所有帧画面的时间戳选择中间的帧画面作为中间段所在帧,提取所述中间段所在帧中的船舶点云作为初始点云数据集;
S103、对所述初始点云数据集进行滤波以过滤掉位于水平面以下的点云数据及离群点云数据,得到所述目标点云数据集。
5.根据权利要求1所述的船舶干舷高度识别方法,其特征在于,所述对所述最优干舷平面进行切片并计算每个切片的切片高度,根据所有的切片高度进行加权计算得到所述目标船舶的干舷高度,包括:
S401、根据第三间距在所述最优干舷平面的Y方向上进行切割,得到多个点云切片;
S402、计算每个点云切片在Z方向上的最大值及最小值;
S403、根据每个点云切片在Z正方向上的最大值及最小值计算得到对应的切片高度,对所有切片对应的切片高度进行加权计算得到所述目标船舶的干舷高度。
6.一种船舶干舷高度识别系统,其特征在于,包括:
数据获取模块,用于获取目标船舶的中间段所在帧的目标点云数据集;
距离阈值确定模块,用于根据激光雷达的扫描线间距确定预设间隔及距离阈值区间,采用预设间隔将距离阈值区间分割为多个调节距离阈值;
最优干舷平面确定模块,用于自第一个调节距离阈值开始按顺序依次在多个调节距离阈值下,根据所述目标点云数据集及ransac算法计算候选干舷平面,并根据候选干舷平面内的点云数据计算对应的置信度,根据候选干舷平面的置信度确定最优干舷平面;
干舷高度计算模块,用于对所述最优干舷平面进行切片并计算每个切片的切片高度,根据所有的切片高度进行加权计算得到所述目标船舶的干舷高度。
7.根据权利要求6所述的船舶干舷高度识别系统,其特征在于,所述最优干舷平面确定模块包括:
迭代子模块,用于在第一个调节距离阈值下,将所述目标点云数据集作为初始输入,随机选择三个点云数据组成一个平面,将距该平面的距离小于预设距离阈值的点云数据加入该平面内,进行预设次数次迭代后得到多个平面;
候选干舷平面置信度计算子模块,用于在所述多个平面中选取含有最多点云数据的平面作为候选干舷平面,根据所述候选干舷平面内的点云数据计算对应的置信度;
第一置信度比较子模块,用于将所述候选干舷平面的置信度与预设置信度阈值进行比较,当所述候选干舷平面的置信度大于所述预设置信度阈值时,将所述候选干舷平面作为最优干舷平面;当所述候选干舷平面的置信度小于所述预设置信度阈值时,将所述候选干舷平面的点云数据从所述目标点云数据集中剔除,并将进行剔除操作后的目标点云数据集作为新输入重复迭代子模块、候选干舷平面置信度计算子模块及第一置信度比较子模块的操作,直至得到置信度小于预设置信度阈值的预设数量个候选干舷平面,并调整到下一调节距离阈值;
第二置信度比较子模块,用于在下一个调节距离阈值下,重复迭代子模块、候选干舷平面置信度计算子模块及第一置信度比较子模块的操作,直至在所有调节距离阈值下得到的候选干舷平面的置信度均小于预设置信度阈值,从所有候选干舷平面中选择置信度最大的候选干舷平面作为最优干舷平面。
8.根据权利要求7所述的船舶干舷高度识别系统,其特征在于,所述最优干舷平面确定模块还包括:
点云块分割子模块,用于根据第一间距在所述候选干舷平面的Y方向上进行分割,根据第二间距在所述候选干舷平面的Z方向上进行分割,得到多个点云块;
厚度差计算子模块,用于根据每个点云块中点云数据的X坐标值计算对应厚度差;
点云数据数量统计子模块,用于统计每个点云块中点云数据的数量;
完整点云块数量统计子模块,用于统计所有点云块中厚度差大于预设厚度阈值且点云数据的数量大于预设点数阈值的点云块的数量,记为完整点云块数量;
完整性得分计算子模块,用于根据所述完整点云块数量及所有点云块的数量计算所述候选干舷平面的完整性得分;
位置得分计算子模块,用于根据所述候选干舷平面内的点云数据的坐标均值及目标点云数据集内的极点坐标值,计算所述候选干舷平面的位置得分;
加权计算子模块,用于根据所述完整性得分及位置得分进行加权计算,得到所述候选干舷平面对应的置信度。
9.根据权利要求6所述的船舶干舷高度识别系统,其特征在于,所述数据获取模块包括:
船舶跟踪子模块,用于获取目标船舶自进入画面到从画面中消失过程中的所有帧画面;
初始点云数据集获取子模块,用于根据所有帧画面的时间戳选择中间的帧画面作为中间段所在帧,提取所述中间段所在帧中的船舶点云作为初始点云数据集;
滤波子模块,用于对所述初始点云数据集进行滤波以过滤掉位于水平面以下的点云数据及离群点云数据,得到所述目标点云数据集。
10.根据权利要求6所述的船舶干舷高度识别系统,其特征在于,所述干舷高度计算模块包括:
切片子模块,用于根据第三间距在所述最优干舷平面的Y方向上进行切割,得到多个点云切片;
极值计算子模块,用于计算每个点云切片在Z方向上的最大值及最小值;
高度计算子模块,用于根据每个点云切片在Z正方向上的最大值及最小值计算得到对应的切片高度,对所有切片对应的切片高度进行加权计算得到所述目标船舶的干舷高度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310411141.1A CN116148878B (zh) | 2023-04-18 | 2023-04-18 | 船舶干舷高度识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310411141.1A CN116148878B (zh) | 2023-04-18 | 2023-04-18 | 船舶干舷高度识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116148878A true CN116148878A (zh) | 2023-05-23 |
CN116148878B CN116148878B (zh) | 2023-07-07 |
Family
ID=86373938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310411141.1A Active CN116148878B (zh) | 2023-04-18 | 2023-04-18 | 船舶干舷高度识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116148878B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543182A (zh) * | 2023-07-04 | 2023-08-04 | 浙江华是科技股份有限公司 | 水位识别方法及系统 |
CN117576185A (zh) * | 2024-01-16 | 2024-02-20 | 浙江华是科技股份有限公司 | 基于深度学习和ransac算法的干舷高度识别方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090112510A1 (en) * | 2007-10-31 | 2009-04-30 | Crane John C | Method and system for continuously determining vessel draft and amount of cargo in a vessel undergoing loading |
US20160009410A1 (en) * | 2014-07-08 | 2016-01-14 | Sikorsky Aircraft Corporation | Lidar-based shipboard tracking and state estimation for autonomous landing |
US9513130B1 (en) * | 2014-09-24 | 2016-12-06 | Rockwell Collins, Inc. | Variable environment high integrity registration transformation system and related method |
CN107330894A (zh) * | 2017-06-22 | 2017-11-07 | 同济大学 | 面向平面舱壁类型船舱的点云数据自动分割方法 |
CN108919299A (zh) * | 2018-06-27 | 2018-11-30 | 武汉理工大学 | 基于多线激光面扫描的船舶干舷高度智能感测系统及方法 |
CN109375235A (zh) * | 2018-11-30 | 2019-02-22 | 武汉理工大学 | 基于深度强化神经网络的内河船舶干舷检测方法 |
CN113570005A (zh) * | 2021-09-26 | 2021-10-29 | 中国人民解放军国防科技大学 | 一种基于机载光子雷达的远距离舰船类型识别方法 |
CN113776544A (zh) * | 2020-06-10 | 2021-12-10 | 杭州海康威视数字技术股份有限公司 | 一种点云地图更新方法、装置、电子设备及定位系统 |
WO2022041437A1 (zh) * | 2020-08-31 | 2022-03-03 | 深圳大学 | 植物模型生成方法、装置、计算机设备和存储介质 |
CN114548277A (zh) * | 2022-02-22 | 2022-05-27 | 电子科技大学 | 基于点云数据的地面点拟合、作物高度提取的方法及系统 |
WO2022199472A1 (zh) * | 2021-03-23 | 2022-09-29 | 长沙智能驾驶研究院有限公司 | 障碍物检测方法、车辆、设备及计算机存储介质 |
CN115456970A (zh) * | 2022-08-30 | 2022-12-09 | 苏州星航综测科技有限公司 | 一种基于降维回归的干舷分割船舶载重线识别方法 |
CN115953444A (zh) * | 2023-01-20 | 2023-04-11 | 江南造船(集团)有限责任公司 | 基于无人机的船舶检验方法、装置、系统以及电子设备 |
-
2023
- 2023-04-18 CN CN202310411141.1A patent/CN116148878B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090112510A1 (en) * | 2007-10-31 | 2009-04-30 | Crane John C | Method and system for continuously determining vessel draft and amount of cargo in a vessel undergoing loading |
US20160009410A1 (en) * | 2014-07-08 | 2016-01-14 | Sikorsky Aircraft Corporation | Lidar-based shipboard tracking and state estimation for autonomous landing |
US9513130B1 (en) * | 2014-09-24 | 2016-12-06 | Rockwell Collins, Inc. | Variable environment high integrity registration transformation system and related method |
CN107330894A (zh) * | 2017-06-22 | 2017-11-07 | 同济大学 | 面向平面舱壁类型船舱的点云数据自动分割方法 |
CN108919299A (zh) * | 2018-06-27 | 2018-11-30 | 武汉理工大学 | 基于多线激光面扫描的船舶干舷高度智能感测系统及方法 |
CN109375235A (zh) * | 2018-11-30 | 2019-02-22 | 武汉理工大学 | 基于深度强化神经网络的内河船舶干舷检测方法 |
CN113776544A (zh) * | 2020-06-10 | 2021-12-10 | 杭州海康威视数字技术股份有限公司 | 一种点云地图更新方法、装置、电子设备及定位系统 |
WO2022041437A1 (zh) * | 2020-08-31 | 2022-03-03 | 深圳大学 | 植物模型生成方法、装置、计算机设备和存储介质 |
WO2022199472A1 (zh) * | 2021-03-23 | 2022-09-29 | 长沙智能驾驶研究院有限公司 | 障碍物检测方法、车辆、设备及计算机存储介质 |
CN113570005A (zh) * | 2021-09-26 | 2021-10-29 | 中国人民解放军国防科技大学 | 一种基于机载光子雷达的远距离舰船类型识别方法 |
CN114548277A (zh) * | 2022-02-22 | 2022-05-27 | 电子科技大学 | 基于点云数据的地面点拟合、作物高度提取的方法及系统 |
CN115456970A (zh) * | 2022-08-30 | 2022-12-09 | 苏州星航综测科技有限公司 | 一种基于降维回归的干舷分割船舶载重线识别方法 |
CN115953444A (zh) * | 2023-01-20 | 2023-04-11 | 江南造船(集团)有限责任公司 | 基于无人机的船舶检验方法、装置、系统以及电子设备 |
Non-Patent Citations (5)
Title |
---|
LIHUI DENG ET AL.: "Obstacle Detection of Unmanned Surface Vehicle Based on Lidar Point Cloud Data", 《OCEANS 2022, HAMPTON ROADS》, pages 1 - 8 * |
孙彦魁等: "基于RANSAC算法的船体分段平面区域点云关键点提取方法研究", 《2022年度船舶先进制造工艺技术学术交流会论文集》, pages 5 - 11 * |
朱飞祥等: "基于三维激光雷达的沿海泊位码头识别算法", 《中国航海》, vol. 43, no. 3, pages 75 - 78 * |
郭一汉: "基于CUDA的实时图像拼接技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 7, pages 36 - 44 * |
高长海等: "基于激光雷达扫描建模的可视化交互式船舶超载超吃水监测技术", 《中国水运》, vol. 19, no. 12, pages 52 - 53 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543182A (zh) * | 2023-07-04 | 2023-08-04 | 浙江华是科技股份有限公司 | 水位识别方法及系统 |
CN116543182B (zh) * | 2023-07-04 | 2023-08-25 | 浙江华是科技股份有限公司 | 水位识别方法及系统 |
CN117576185A (zh) * | 2024-01-16 | 2024-02-20 | 浙江华是科技股份有限公司 | 基于深度学习和ransac算法的干舷高度识别方法及系统 |
CN117576185B (zh) * | 2024-01-16 | 2024-04-16 | 浙江华是科技股份有限公司 | 基于深度学习和ransac算法的干舷高度识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116148878B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116148878B (zh) | 船舶干舷高度识别方法及系统 | |
CN107818326B (zh) | 一种基于场景多维特征的船只检测方法及系统 | |
WO2016112714A1 (zh) | 一种船舶辅助泊岸方法和系统 | |
CN111091095B (zh) | 一种遥感图像中船只目标的检测方法 | |
CN108919299A (zh) | 基于多线激光面扫描的船舶干舷高度智能感测系统及方法 | |
CN115456970B (zh) | 一种基于降维回归的干舷分割船舶载重线识别方法 | |
CN104992172B (zh) | 基于沿岸突异区扫描的港口遥感图像靠岸船舶检测方法 | |
KR102345873B1 (ko) | 해양관측 부이용 영상촬영 카메라를 이용한 파랑관측 방법 및 시스템 | |
WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 | |
CN111723632B (zh) | 一种基于孪生网络的船舶跟踪方法及系统 | |
CN107942329A (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
CN112614177B (zh) | 一种适用于船舶冰区走航测试的海冰厚度识别系统及海冰厚度识别方法 | |
CN106205214A (zh) | 一种基于三维激光点云数据的船舶靠泊监测系统 | |
CN113112540A (zh) | 一种在vts系统中使用ais标定cctv摄像头进行船舶图像目标定位的方法 | |
CN109064479A (zh) | 一种基于邻近视频帧灰度动态特征的海天线检测方法 | |
CN113899349B (zh) | 海浪参数检测方法、设备及存储介质 | |
CN109325958B (zh) | 一种基于轮廓精化和改进广义霍夫变换的近岸船只检测方法 | |
CN108288268A (zh) | 基于投影分析的高分辨率遥感图像中靠岸舰船检测方法 | |
CN114627367A (zh) | 一种侧扫声呐图像的海底线探测方法 | |
CN116071694B (zh) | 船舶检测方法、装置及计算机可读存储介质 | |
CN117291967A (zh) | 一种基于单目图像的内河船舶干舷像素高度自动测量方法 | |
CN113344148A (zh) | 一种基于深度学习的海上舰船目标识别方法 | |
CN109917414B (zh) | 一种基于激光技术的船舶干舷测定方法及系统 | |
CN115165027A (zh) | 基于无人机的水位尺监测方法、系统、电子设备、介质 | |
Zhang et al. | Application Research of ship overload identification algorithm based on lidar point cloud |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |