激光点云的混合流形谱聚类自适应分割方法 下载: 713次
1 引言
激光三维成像是指系统主动发射激光照射目标,结合激光飞行时间或相位得到目标的三维点云。其具有距离远、精度高、不受光照影响等特点,可用于目标识别、逆向工程及相对导航等,具有很高的**和民用应用价值。点云分割依据几何结构特征将目标点云分割为若干个有意义的部分,是点云处理的重要步骤,单个点云分割后可用于区域特征识别,两个部分重叠的点云分割后对应的重叠区域可用于点云配准。然而,受测距精度和后向散射等因素影响,激光三维成像得到的目标点云存在严重的高斯噪声和离群点,且目标复杂多样,无法预定义分割规则,这给激光三维成像的点云分割造成了一定的困难。
国内外学者对点云分割进行了大量研究,点云分割方式主要有:在空域依据点的局部几何特征连续性或相似性聚类,以及在频域依据点的局部几何特征相似性进行谱聚类。
Koschan[1]采用区域生长方法分割点云,该方法对生长种子点的预设选取参数敏感;Rabbani等[2]依据点的法向量和曲率等局部几何特征连续性分割点云,其对含噪声点云表现不好。依据点的局部几何特征连续性的分割方法对噪声和预设参数较敏感,对激光点云的适用性并不好。
Shlafman等[3]较早将
Golovinskiy等[9]借助谱聚类中的Min-cut准则实现了点云前景和背景的自适应分割;马腾等[10]指出点在谱空间内能够表现出更好的类簇性,并使用归一化的几何矩和角度距离构造邻接矩阵,实现了谱聚类点云分割;韩丽等[11]提取点的测地线等多特征构造邻接矩阵,并通过拉普拉斯矩阵特征值本征间隙自适应确定聚类数目,完成了点云的自适应分割。可见,谱聚类分割方法将点云特征转换到谱空间,保持了聚类算法一贯较好的抗噪优势,且从全局角度考虑分割问题,能更好地解析目标点云几何结构。
但目前的谱聚类分割方法大多依靠邻域点提取点的局部几何特征,在特征提取及分割数目自适应方面仍有改进空间。本文首先采用混合概率主成分分析(MPPCA)法提取点的局部几何特征构造邻接矩阵,然后利用N-cut实现点云特征降维嵌入,最后利用类间类内划分(BWP)算法进行自适应分割。
2 本文算法
点云的谱聚类分割是将点云
2.1 点的局部几何特征提取
点云谱聚类分割需要首先定义点的局部几何特征描述符,然后计算点云中所有点的局部几何特征之间的相似关系,构造邻接矩阵
式中
考虑到成像目标表面由平面和曲面构成,目标点云为分布于三维欧氏空间的点簇,从流形学习角度可以视点云为分布于三维空间的线性与非线性混合流形,不同的几何特征对应不同的流形结构,处于相同流形上的点几何特征相似,处于不同流形上的点几何特征不同。由此可以不依赖邻域点而完成点的局部几何特征描述,避免了基于邻域点的几何特征提取方法对噪声和参数的敏感性。
本文采用常用的流形学习方法——MPPCA[13]分析点的局部几何结构特征,主要基于以下几个原因:1)非线性流形在局部可以被多个线性流形组合很好地近似表示[14],因此其具备分析描述复杂几何结构点云的能力;2)点所在流形主子空间的主角度相似性能够描述点的局部几何特征相似性;3)MPPCA由主成分分析(PCA)法改进得到,具备PCA克服噪声影响提取主成分的能力,通过全局迭代最优解避免了PCA对邻域点选取的依赖,因此,MPPCA具备良好的抗噪性和对预设参数的稳定性。借助MPPCA将处于不同流形的点分离,利用点所在流形的几何特征描述点的几何特征,处于相似流形的点之间的
MPPCA的主要思路是训练
式中
由(3)式和(4)式可得
构造目标函数
式中
1) E步
式中
2) M步
其中
至此,由(14)式结合(1)式即可得到点云中各点基于MPPCA的邻接矩阵
2.2 特征的谱空间低维嵌入
得到邻接矩阵
式中
谱聚类把点云转换到谱空间,并在谱空间对点云进行分析,然后将分割特征描述符嵌入低维向量,相较于直接对矩阵
2.3 自适应分割
点云分割过程期望实现无监督分割,即根据点云的几何结构自适应分为
式中
式中点
在
3 实验与分析
3.1 仿真点集测试与分析
为了体现本文算法在全局角度分析目标几何结构的能力,分别利用二维空间中两条螺旋线合成的二维点集和三维空间中相交的两条直线及一个平面合成的三维点集对算法进行测试,结果如
图 1. 仿真点集的分割结果。(a)两条曲线构成的螺旋线;(b)相交的直线与平面
Fig. 1. Segmentation results of simulated point sets. (a) Spirals made by two curves; (b) crossed lines and plane
3.2 算法主要参数分析
需要预设的主要参数为主成分分析器数量
图 2. 符合目标点云几何结构的分割结果。(a) Rabbit; (b) Horse; (c) Armadillo
Fig. 2. Segmentations of point clouds based on target geometry. (a) Rabbit; (b) Horse; (c) Armadillo
实验过程如下:首先选出一组分割结果一致性较好的
1) 分割结果一致性与
同时,
2) 分割结果一致性与
点的局部几何结构由
图 5. 点云分割结果一致性与kNN之间的关系
Fig. 5. Relationship between consistency of segmentation and value of kNN
综上可知,算法在较宽的参数范围内能得到符合目标几何特征的全局最优解。虽然不适当的参数会影响得到正确结果的概率,但仍然可以通过多次运行得到最大概率下点云的正确分割。
3.3 点云测试与分析
受测距精度和后向散射等因素影响,激光点云一般存在高斯噪声严重且离群点较多的情况。为了测试算法在激光点云分割中的应用效果,分别对添加噪声的仿真数据和真实数据进行测试。
1) 添加高斯噪声和离群点的仿真点云分割
根据激光点云的噪声特性,对三种点云添加均值为0,标准差为点云最小外包盒对角线的0.01倍的噪声,并且额外添加数量为点数0.25倍的离群点,得到待测试点云如
图 6. 不同分割算法对含噪声的点云图像的分割结果。(a)添加噪声的点云;(b) k-means算法;(c)局部角距离谱聚类算法;(d)本文算法
Fig. 6. Segmentation results of point clouds with noises by different segmentation algorithms. (a) Point cloud with noise; (b) k-means algorithm; (c) local angular distance spectral clustering algorithm; (d) proposed algorithm
从
2) 切片式激光三维成像的真实点云分割
结合基于距离选通切片式激光三维成像得到的卫星模型点云进行实验,目标的灰度图像如
图 7. 卫星模型点云的分割结果。(a)灰度图像;(b)切片式三维成像法得到的侧视图;(c)本文算法得到的正视图; (d)本文算法得到的侧视图
Fig. 7. Segmentation results of point cloud of satellite model. (a) Gray image; (b) side view of slice three-dimensional imaging; (c) front view of segmentation by the proposed algorithm; (d) side view of segmentation by the proposed algorithm
4 结论
结合激光点云的特点,提出了一种基于混合流形谱聚类的激光点云自适应分割方法,该算法具有良好的结构分析能力和抗噪性。实验结果表明,本文算法对预设参数稳定性好,在较宽参数范围内对三种受测点云均能得到以80%以上概率收敛于合理分割的结果。且在高斯噪声和离群点干扰的情况下表现稳定,适合于激光点云的自适应分割。对切片式三维成像点云进行分割,也取得了较好的结果。
本文算法仍然存在一些不足,例如对较复杂的非线性流形构成的混合点云分割准确率会有所下降,因此还待进一步改进。本文算法得到的分割结果可用于激光点云的配准与目标特征识别,对分割结果的应用也有进一步研究的价值。
[1] Koschan AF. Perception-based 3D triangle mesh segmentation using fast marching watersheds[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 2003: 27- 32.
Koschan AF. Perception-based 3D triangle mesh segmentation using fast marching watersheds[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 2003: 27- 32.
[2] Rabbani T. Van Den Heuvel F, Vosselman G. Segmentation of point clouds using smoothness constraint[J]. International Archives of Photogrammetry, Remote Sensing & Spatial Information Sciences, 2006, 36(5): 248-253.
Rabbani T. Van Den Heuvel F, Vosselman G. Segmentation of point clouds using smoothness constraint[J]. International Archives of Photogrammetry, Remote Sensing & Spatial Information Sciences, 2006, 36(5): 248-253.
[3] ShlafmanS, TalA, KatzS. Metamorphosis of polyhedral surfaces using decomposition[C]. Computer Graphics Forum, 2002, 12( 3): 219- 228.
ShlafmanS, TalA, KatzS. Metamorphosis of polyhedral surfaces using decomposition[C]. Computer Graphics Forum, 2002, 12( 3): 219- 228.
[4] 任同群, 赵悦含, 龚春忠, 等. 自由曲面测量的三维散乱点云无约束配准[J]. 光学精密工程, 2013, 21(5): 1234-1243.
任同群, 赵悦含, 龚春忠, 等. 自由曲面测量的三维散乱点云无约束配准[J]. 光学精密工程, 2013, 21(5): 1234-1243.
Ren Tongqun, Zhao Yuehan, Gong Chunzhong, et al. Unconstrained registration of 3-D scattered point clouds for free-form shape measurement[J]. Optics & Precision Engineering, 2013, 21(5): 1234-1243.
[5] 袁小翠, 吴禄慎, 陈华伟. 特征保持点云数据精简[J]. 光学精密工程, 2015, 23(9): 2666-2676.
袁小翠, 吴禄慎, 陈华伟. 特征保持点云数据精简[J]. 光学精密工程, 2015, 23(9): 2666-2676.
[6] 卢维欣, 万幼川, 何培培, 等. 大场景内建筑物点云提取及平面分割算法[J]. 中国激光, 2015, 42(9): 0914004.
卢维欣, 万幼川, 何培培, 等. 大场景内建筑物点云提取及平面分割算法[J]. 中国激光, 2015, 42(9): 0914004.
Lu Weixin, Wan Youchuan, He Peipei, et al. Extracting and plane segmenting buildings from large scene point cloud[J]. Chinese J Lasers, 2015, 42(9): 0914004.
[7] 王肖, 王建强, 李克强, 等. 智能车辆3-D点云快速分割方法[J]. 清华大学学报(自然科学版), 2014, 54(11): 1440-1446.
王肖, 王建强, 李克强, 等. 智能车辆3-D点云快速分割方法[J]. 清华大学学报(自然科学版), 2014, 54(11): 1440-1446.
Wang Xiao, Wang Jianqiang, Li Keqiang, et al. Fast segmentation of 3-D point clouds for intelligent vehicles[J]. Journal of Tsinghua University (Science and Technology), 2014, 54(11): 1440-1446.
[8] 周文振, 陈国良, 杜珊珊, 等. 一种聚类改进的迭代最近点配准算法[J]. 激光与光电子学进展, 2016, 53(5): 051202.
周文振, 陈国良, 杜珊珊, 等. 一种聚类改进的迭代最近点配准算法[J]. 激光与光电子学进展, 2016, 53(5): 051202.
[9] GolovinskiyA, FunkhouserT. Min-cut based segmentation of point clouds[C]. IEEE International Conference on Computer Vision Workshops (ICCV), 2009: 39- 46.
GolovinskiyA, FunkhouserT. Min-cut based segmentation of point clouds[C]. IEEE International Conference on Computer Vision Workshops (ICCV), 2009: 39- 46.
[10] 马腾, 龙翔, 冯路, 等. 点云模型的谱聚类分割[J]. 计算机辅助设计与图形学学报, 2012, 24(12): 1549-1558.
马腾, 龙翔, 冯路, 等. 点云模型的谱聚类分割[J]. 计算机辅助设计与图形学学报, 2012, 24(12): 1549-1558.
Ma Teng, Long Xiang, Feng Lu, et al. Point cloud segmentation based on spectral clustering[J]. Journal of Computer-Aided Design & Computer Graphics, 2012, 24(12): 1549-1558.
[11] 韩丽, 徐建国, 黎琳, 等. Laplacian多特征映射的三维模型形状分析[J]. 计算机辅助设计与图形学学报, 2015, 27(11): 2142-2148.
韩丽, 徐建国, 黎琳, 等. Laplacian多特征映射的三维模型形状分析[J]. 计算机辅助设计与图形学学报, 2015, 27(11): 2142-2148.
Han Li, Xu Jianguo, Li Lin, et al. 3D shape analysis based on Laplacian multi-eigenmap[J]. Journal of Computer-Aided Design & Computer Graphics, 2015, 27(11): 2142-2148.
[13] Tipping ME, Bishop CM. Mixtures of probabilistic principal component analyzers[M]. Jordan M I, Sejnowski T J. Cambridge: MIT Press, 2001: 167- 206.
Tipping ME, Bishop CM. Mixtures of probabilistic principal component analyzers[M]. Jordan M I, Sejnowski T J. Cambridge: MIT Press, 2001: 167- 206.
[15] 张贤达. 矩阵分析与应用[M]. 2版. 北京: 清华大学出版社, 2013: 483- 491.
张贤达. 矩阵分析与应用[M]. 2版. 北京: 清华大学出版社, 2013: 483- 491.
ZhangXianda. Matrix analysis and applications[M]. 2nd ed. Beijing: Tsinghua University Press, 2013: 483- 491.
ZhangXianda. Matrix analysis and applications[M]. 2nd ed. Beijing: Tsinghua University Press, 2013: 483- 491.
[16] Shi J, Malik J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002, 22(8): 888-905.
Shi J, Malik J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002, 22(8): 888-905.
[17] 周世兵, 徐振源, 唐旭清. K-means算法最佳聚类数确定方法[J]. 计算机应用, 2010, 30(8): 1995-1998.
周世兵, 徐振源, 唐旭清. K-means算法最佳聚类数确定方法[J]. 计算机应用, 2010, 30(8): 1995-1998.
Zhou Shibing, Xu Zhenyuan, Tang Xuqing. New method for determining optimal number of clusters in K-means clustering algorithm[J]. Journal of Computer Applications, 2010, 30(8): 1995-1998.
[18] KrishnamurthyV, LevoyM. Fitting smooth surfaces to dense polygon meshes[C]. ACM Proceeding of the 23 rd Annual Conference on Computer Graphics and Interactive Techniques , 1996: 313- 324.
KrishnamurthyV, LevoyM. Fitting smooth surfaces to dense polygon meshes[C]. ACM Proceeding of the 23 rd Annual Conference on Computer Graphics and Interactive Techniques , 1996: 313- 324.
[19] TurkG, LevoyM. Zippered polygon meshes from range images[C]. ACM Proceeding of the 21 st Annual Conference on Computer Graphics and Interactive Techniques , 1994: 311- 318.
TurkG, LevoyM. Zippered polygon meshes from range images[C]. ACM Proceeding of the 21 st Annual Conference on Computer Graphics and Interactive Techniques , 1994: 311- 318.
[20] LaiK, BoL, RenX, et al. A large-scale hierarchical multi-view RGB-D object dataset[C]. IEEE International Conference on Robotics and Automation, 2011: 1817- 1824.
LaiK, BoL, RenX, et al. A large-scale hierarchical multi-view RGB-D object dataset[C]. IEEE International Conference on Robotics and Automation, 2011: 1817- 1824.
[21] HoppeH, DeroseT, DuchampT, et al. Surface reconstruction from unorganized points[C]. ACM Proceedings of the 19 th Annual Conference on Computer Graphics and Interactive Techniques , 1992: 71- 78.
HoppeH, DeroseT, DuchampT, et al. Surface reconstruction from unorganized points[C]. ACM Proceedings of the 19 th Annual Conference on Computer Graphics and Interactive Techniques , 1992: 71- 78.
Article Outline
王帅, 孙华燕, 郭惠超, 都琳. 激光点云的混合流形谱聚类自适应分割方法[J]. 光学学报, 2017, 37(10): 1011001. Shuai Wang, Huayan Sun, Huichao Guo, Lin Du. Mixed Manifold Spectral Clustering Adaptive Segmentation Method for Laser Point Cloud[J]. Acta Optica Sinica, 2017, 37(10): 1011001.