本發(fā)明屬于三維聲納圖像處理領域，具體涉及一種基于采樣一致性算法的三維聲納圖像背景分割方法。
背景技術：
海洋因其獨特的戰(zhàn)略地位和巨大的經(jīng)濟潛力，越來越受到人們的重視。我國的地理位置也決定了發(fā)展海洋科學技術的重要性。其中，水下聲納探測廣泛應用于各項海洋資源的開發(fā)，同時，也是重要的水下探測手段，在蛙人的探測跟蹤、水雷的目標識別、水下遙控航行等多方面具有廣闊的應用前景。
三維聲納系統(tǒng)是一種新型的水下三維聲學成像系統(tǒng)，具有圖像清晰、可視性好等特點，但是在獲取三維聲納點云數(shù)據(jù)時，由于設備精度、操作者經(jīng)驗、水下環(huán)境因素等帶來的影響，點云數(shù)據(jù)中將不可避免地出現(xiàn)一些噪聲點。實際應用中除了隨機誤差產(chǎn)生的噪聲點外，由于外界干擾如障礙物、魚群等因素的影響，點云數(shù)據(jù)中往往存在一些與被測物體點云差距較大的離散點，即離群點，使水下背景中目標的正確識別更加復雜化。
因此，亟需一種數(shù)據(jù)處理方法，用于將三維聲納點云數(shù)據(jù)中的噪聲數(shù)據(jù)去除，以提高數(shù)據(jù)的準確性，實現(xiàn)其重要的工程使用價值。
技術實現(xiàn)要素：
鑒于上述，本發(fā)明提供了一種基于采樣一致性算法的三維聲納圖像背景分割方法，該方法能夠從復雜的點云數(shù)據(jù)中去除重復的背景數(shù)據(jù)，提高系統(tǒng)運行的效率。
一種基于采樣一致性算法的三維聲納圖像背景分割方法，包含以下步驟：
(1)獲取聲納數(shù)據(jù)，將每幀聲納數(shù)據(jù)對應的三維聲納范圍圖像信息轉換為全局坐標下的點云數(shù)據(jù)集，預設將點云數(shù)據(jù)分為靜態(tài)背景點云數(shù)據(jù)和動態(tài)目標點云數(shù)據(jù)；
(2)提取給定的無組織點云數(shù)據(jù)的特征，建立用于刻畫點云形狀的幾何體，作為靜態(tài)背景目標點云數(shù)據(jù)的標準模型庫；
(3)基于建立的標準模型庫，采用采樣一致性算法檢測點云數(shù)據(jù)集中的“內(nèi)群”點，并計算得到與點云數(shù)據(jù)集中的“內(nèi)群”點匹配的多個標準模型；
(4)比對多個標準模型與點云數(shù)據(jù)集中的“內(nèi)群”點匹配的相似度，選取相似度最大時對應的標準模型作為背景模型，并根據(jù)點云數(shù)據(jù)集更新確定背景模型的幾何參數(shù)；
(5)根據(jù)背景模型，將點云數(shù)據(jù)集中能夠用背景模型刻畫的點云數(shù)據(jù)去除，剩下的點云數(shù)據(jù)為動態(tài)目標點云數(shù)據(jù)，實現(xiàn)三維聲納圖像的背景分割。
本發(fā)明中，假設得到的點云數(shù)據(jù)由靜態(tài)背景點云數(shù)據(jù)和動態(tài)目標點云數(shù)據(jù)組成，靜態(tài)背景點云數(shù)據(jù)(在水下環(huán)境中表現(xiàn)為大陸架、拋石等)具有一定的特征值，可以用一些模型參數(shù)來敘述其分布；動態(tài)目標點云數(shù)據(jù)(由于操作不當或者隨機干擾物引起的噪聲和動態(tài)目標如蛙人、潛器auv等)則是不適用模型化的數(shù)據(jù)，因此，采用一致性算法找到用于刻畫靜態(tài)背景點云數(shù)據(jù)的背景模型，進而將這部分靜態(tài)背景點云數(shù)據(jù)去掉，得到動態(tài)目標點云數(shù)據(jù)。
在步驟(2)中，基于給定的無組織點云數(shù)據(jù)建立的標準模型作為后續(xù)步驟的參照對象，因此，建立的標準模型越多，后續(xù)檢測的準確性越高，背景去除的效果越精確。
所述步驟(2)中，采用點云分割、模型擬合以及功能推理步驟提取點云數(shù)據(jù)的特征，建立標準模型庫。的具體步驟為：
a，對給定的無組織點云進行分割，通過點云曲率和法線方向的突變尋找目標邊緣的連接區(qū)域，使用區(qū)域生長法將點云分割成塊狀；
b，對塊狀點云進行模型擬合，用描述區(qū)域的多邊形來替換塊狀點云；建立xyz世界坐標系，通過邊緣查找線和圓等來確定點云的幾何形狀模型；
以長方體的擬合為例，對塊狀點云進行2d平面分析，獲取邊界上的所有點進行直線擬合，若塊狀點云具有垂直和水平的邊線并且滿足一定的尺寸標準，則確定其為一個平面；若一個塊狀點云具有多個平面且滿足特定的條件，則確定其為一個長方體。
c，對擬合得到的幾何形狀模型進行功能推理，確定其是否屬于某個對象類。
例如：定義拋石的形狀為一定尺寸的長方體或圓柱體，若步驟b得到的模型中存在滿足該條件的模型，則將該模型分類到拋石類下，所得到的模型通過實地的測試進行驗證。
相較于現(xiàn)有的技術，本發(fā)明具有以下有益的技術效果：
(1)該方法能夠魯棒地估計模型參數(shù)，適用于從復雜的點云數(shù)據(jù)中估計出高精度的模型參數(shù)，從而進行背景模型去除，降低點云的復雜程度。
(2)該方法具有較強的普適性，通過建立不同的模型，可以實現(xiàn)不同場景下的背景去除。另外，隨著標準模型庫的修改和擴充，該方法可以適應越來越多的不同場景，具有較好的時效性和可維護性。
(3)對于特定環(huán)境下的目標檢測，通過該方法可以去除大部分的環(huán)境點云數(shù)據(jù)，只留下少量的待檢測點云數(shù)據(jù)，提高后續(xù)處理的計算速度，有助于滿足實時性的要求。
附圖說明
圖1是本發(fā)明基于采樣一致性算法的三維聲納圖像背景分割方法的流程圖。
具體實施方式
為了更為具體地描述本發(fā)明，下面結合附圖及具體實施方式對本發(fā)明的技術方案進行詳細說明。
如圖1所示的是本發(fā)明基于采樣一致性算法的三維聲納圖像背景分割方法的流程圖，根據(jù)圖1，該方法包括以下步驟：
s01，獲取聲納數(shù)據(jù)，將每幀聲納數(shù)據(jù)對應的三維聲納范圍圖像信息轉換為全局坐標下的點云數(shù)據(jù)集，預設將點云數(shù)據(jù)分為靜態(tài)背景點云數(shù)據(jù)和動態(tài)目標點云數(shù)據(jù)。
靜態(tài)背景點云數(shù)據(jù)具有一定的特征值，可以用一些模型參數(shù)來敘述其分布，在水下環(huán)境中表現(xiàn)為大陸架、拋石等；動態(tài)目標點云數(shù)據(jù)則是不適用模型化的數(shù)據(jù)，如由于操作不當或者隨機干擾物引起的噪聲和動態(tài)目標如蛙人、潛器auv等。
s02，提取給定的無組織點云數(shù)據(jù)的特征，建立用于刻畫點云形狀的幾何體，作為靜態(tài)背景目標點云數(shù)據(jù)的標準模型庫。
s02的具體過程包括：
首先，對給定的無組織點云進行分割，通過點云曲率和法線方向的突變尋找目標邊緣的連接區(qū)域，使用區(qū)域生長法將點云分割成塊狀；
然后，對塊狀點云進行模型擬合，用描述區(qū)域的多邊形來替換塊狀點云。建立xyz世界坐標系，通過邊緣查找線和圓等來確定點云的幾何體。以長方體的擬合為例，對塊狀點云進行2d平面分析，獲取邊界上的所有點進行直線擬合，若塊狀點云具有垂直和水平的邊線并且滿足一定的尺寸標準，則確定其為一個平面；若一個塊狀點云具有多個平面且滿足特定的條件，則確定其為一個長方體。
最后，對擬合得到的幾何體進行功能推理，確定其是否屬于某個對象類。比如我們定義拋石的形狀為一定尺寸的長方體或圓柱體，若上述得到的模型中存在滿足該條件的模型，則將其分類到拋石類下。所得到的模型通過實地的測試進行驗證。
s03，基于ransac算法，隨機選取上述點云數(shù)據(jù)集的一個子集data，假設這些數(shù)據(jù)都是“內(nèi)群”點。
s04，設定相似度閾值x，檢索既定的標準模型庫，通過比較特征值，獲得標準模型庫中與data的相似度超過閾值x的模型model，并根據(jù)s03中假設的“內(nèi)群”點計算得到模型model的未知幾何參數(shù)；
s05，利用s04中得到的模型model測試點云數(shù)據(jù)集中不屬于子集data的點云數(shù)據(jù)，若某個點數(shù)數(shù)據(jù)可以用模型model刻畫，則認為該點云數(shù)據(jù)屬于“內(nèi)群”點；
s06，設定“內(nèi)群”點的占據(jù)比值的閾值y，若“內(nèi)群”點在所有點云數(shù)據(jù)中的占據(jù)比值大于閾值y，則認為存在足夠多的點云數(shù)據(jù)被歸類為假設的“內(nèi)群”點，表示模型model合理，執(zhí)行s07，否則，表示模型model不合理，舍棄該模型model，返回s04，重新尋找模型model；
s07，用s05中最終確定的“內(nèi)群”點重新估計新模型newmodel，并通過“內(nèi)群”點與模型newmodel的當前錯誤率z來評估模型；
若當前錯誤率z在期望值區(qū)間內(nèi)，則認為模型newmodel合理，并判斷此次迭代是否為第一次迭代，
若是，將該模型newmodel置為best_model，該當前錯誤率z置為best_error，然后，執(zhí)行s08；
若否，比較當前錯誤率z與best_error，當z<best_error時，用new_model替代已有best_model，然后，執(zhí)行s08；
若當前錯誤率z在期望值區(qū)間外，舍棄該模型newmodel，然后，執(zhí)行s08；
s08，判斷迭代次數(shù)是否小于迭代次數(shù)k，若是，結束迭代，此時的best_model為背景模型，并執(zhí)行s09，若否，跳轉執(zhí)行s03；
s09，根據(jù)背景模型，將點云數(shù)據(jù)集中能夠用背景模型刻畫的點云數(shù)據(jù)去除，剩下的點云數(shù)據(jù)為動態(tài)目標點云數(shù)據(jù)，實現(xiàn)三維聲納圖像的背景分割。
本實施例中，迭代次數(shù)k的估算方法為：
(a)設置p表示迭代過程中所選子集的點都是“內(nèi)群”點的概率，此時的結果模型很可能有用，所以p也表示算法產(chǎn)生有用結果的概率。
(b)設置w表示每次從點云數(shù)據(jù)中取出一個點，該點為“內(nèi)群”點的概率，表示如下：
w＝“內(nèi)群”點的個數(shù)/所有點的個數(shù)
(c)一般情況下，可以無法得知w的確定值，但是可以給出一些魯棒的值。
(d)假設估計模型需要選定n個點，wn是所有n個點均為“內(nèi)群點”的概率；1-wn是n個點中至少有一個點為“離群”點的概率，此時表明該模型不好；(1-wn)k表示不會出現(xiàn)一種選擇，使得所有被選擇的點均為“內(nèi)群”點的概率，它的值和1-p相同，表示如下：
1-p＝(1-wn)k
(e)對上式取對數(shù)，可以得出迭代次數(shù)k的估計值為：
以上所述的具體實施方式對本發(fā)明的技術方案和有益效果進行了詳細說明，應理解的是以上所述僅為本發(fā)明的最優(yōu)選實施例，并不用于限制本發(fā)明，凡在本發(fā)明的原則范圍內(nèi)所做的任何修改、補充和等同替換等，均應包含在本發(fā)明的保護范圍之內(nèi)。