穆莉莉,李訓(xùn)杰,楊洪濤,馬天兵,b,單卓佳

(安徽理工大學(xué) a.機(jī)械工程學(xué)院，b.深部煤礦采動(dòng)響應(yīng)與災(zāi)害防控國(guó)家重點(diǎn)實(shí)驗(yàn)室，安徽 淮南 232001)

在對(duì)環(huán)境進(jìn)行三維掃描建圖時(shí)，易受掃描設(shè)備的固有誤差、場(chǎng)景物體表面的照明或反射屬性等因素影響而產(chǎn)生點(diǎn)云空洞，致使建模質(zhì)量受損，給后續(xù)點(diǎn)云數(shù)據(jù)的分析處理帶來誤差。傳統(tǒng)點(diǎn)云修復(fù)對(duì)象為三角網(wǎng)格模型或曲面模型[1-3]，即將點(diǎn)云三角網(wǎng)格化或曲面化后，再對(duì)模型進(jìn)行修復(fù)。三角網(wǎng)格化處理會(huì)對(duì)采樣點(diǎn)集進(jìn)行大幅度地?cái)M合與刪減，一定程度上破壞了原有三維點(diǎn)集的結(jié)構(gòu)與細(xì)節(jié)特征。目前主流的空洞補(bǔ)全方法是基于深度學(xué)習(xí)訓(xùn)練結(jié)果的預(yù)測(cè)，其補(bǔ)全重建的網(wǎng)絡(luò)結(jié)構(gòu)通常由編碼器和解碼器2部分組成[4-5]。例如，繆永偉等[6]采用編碼-解碼器構(gòu)建了點(diǎn)云補(bǔ)全網(wǎng)絡(luò)，將采樣點(diǎn)特征碼字加上網(wǎng)格坐標(biāo)數(shù)據(jù)作為解碼器的輸入,并使用2個(gè)連續(xù)的三層感知器折疊操作將網(wǎng)格數(shù)據(jù)轉(zhuǎn)變成點(diǎn)云補(bǔ)全數(shù)據(jù)。張藝真等[7]基于RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練好的徑向基函數(shù)將特征平面內(nèi)的填充數(shù)據(jù)點(diǎn)調(diào)整到空洞區(qū)域。

點(diǎn)云是具有無序性、無連接性的無規(guī)則點(diǎn)集[8]，深度學(xué)習(xí)方式逐級(jí)逐層的計(jì)算耗時(shí)巨大，并且大多是基于16類別的ShapeNet、40類別的ModelNet40等合成的規(guī)整數(shù)據(jù)集進(jìn)行訓(xùn)練，網(wǎng)格質(zhì)量較低，訓(xùn)練結(jié)果較差[9-10]。因此，點(diǎn)云預(yù)處理過程會(huì)對(duì)每一類別的物體點(diǎn)云進(jìn)行下采樣處理，然后訓(xùn)練和測(cè)試下采樣后的點(diǎn)云，將采樣點(diǎn)降低至2 048。該方式雖然可以提高訓(xùn)練速度，但會(huì)影響點(diǎn)云結(jié)構(gòu)與細(xì)節(jié)特征，無法在不破壞原有模型的基礎(chǔ)上達(dá)到快速修復(fù)與密集重建的目的。因此，本文提出一種基于垂直切片的點(diǎn)云空洞補(bǔ)全算法，通過提取稠密點(diǎn)云非補(bǔ)全區(qū)域的密度信息，對(duì)補(bǔ)全區(qū)域進(jìn)行密度重建，可在不破壞原有稠密點(diǎn)云的基礎(chǔ)上補(bǔ)全空洞，運(yùn)行速度快、密集重建效果良好，在應(yīng)對(duì)大型點(diǎn)云中的點(diǎn)云空洞問題時(shí)能夠達(dá)到快速補(bǔ)全與密度重建的目的，可為點(diǎn)云空洞補(bǔ)全修復(fù)提供參考。

1 算法的結(jié)構(gòu)與原理

基于垂直切片的點(diǎn)云空洞補(bǔ)全算法融合了垂直切片與骨骼維度化的原理，首先對(duì)三維點(diǎn)云進(jìn)行濾波、切片、三維信息分離預(yù)處理，然后進(jìn)行骨骼提取、曲線補(bǔ)全和升維操作，完成空洞補(bǔ)全。算法結(jié)構(gòu)如圖1所示。

圖1 算法結(jié)構(gòu)

1.1 空洞點(diǎn)云的預(yù)處理

空洞點(diǎn)云預(yù)處理包括統(tǒng)計(jì)濾波、半徑濾波、體素濾波、點(diǎn)云切片與3D分離。三維掃描設(shè)備在采集點(diǎn)云時(shí)會(huì)產(chǎn)生噪點(diǎn)和空洞。為消除離群噪點(diǎn)對(duì)點(diǎn)云質(zhì)量的影響，首先對(duì)采集的原始點(diǎn)云進(jìn)行統(tǒng)計(jì)濾波和半徑濾波。統(tǒng)計(jì)濾波是對(duì)點(diǎn)云中每個(gè)點(diǎn)的鄰域進(jìn)行統(tǒng)計(jì)分析，剔除不符合標(biāo)準(zhǔn)的鄰域點(diǎn)。假設(shè)得到的是高斯分布，若點(diǎn)滿足公式(1)，則將其視為離群點(diǎn)。

K>μ+t×σ

(1)

式(1)中，K為該點(diǎn)到所有相鄰點(diǎn)的平均距離；t為標(biāo)準(zhǔn)差倍數(shù)的1個(gè)閾值；μ為均值；σ為標(biāo)準(zhǔn)差。

半徑濾波是指在點(diǎn)云數(shù)據(jù)中設(shè)定每個(gè)點(diǎn)在一定半徑范圍內(nèi)至少有足夠多的近鄰點(diǎn)，若不滿足就會(huì)被刪除。半徑濾波運(yùn)行速度快，依序迭代留下的點(diǎn)必定是最密集的，能有效剔除離群點(diǎn)。為降低數(shù)據(jù)處理量，提高處理效率，對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行下采樣處理。體素濾波通過設(shè)置一個(gè)三維體素柵格來容納點(diǎn)云，容納后的每個(gè)體素采用所有點(diǎn)的重心來近似體素中的其他點(diǎn)，使體素內(nèi)所有點(diǎn)都用一個(gè)重心點(diǎn)來表示。此方法相比于體素中心逼近法更能準(zhǔn)確表示采樣點(diǎn)對(duì)應(yīng)的曲面輪廓。此外，三維體素柵格恰好提供了點(diǎn)云密度重建時(shí)需要的密度系數(shù)。

點(diǎn)云切片與三維信息分離的核心目的是將濾波處理后的點(diǎn)云按照三維掃描設(shè)備的前進(jìn)方向進(jìn)行垂直切片，從而獲得若干個(gè)切片點(diǎn)云。如果原點(diǎn)云存在空洞，那么切片點(diǎn)云則會(huì)出現(xiàn)相應(yīng)的缺口。對(duì)切片點(diǎn)云的三維坐標(biāo)進(jìn)行分離，利用易于處理的二維點(diǎn)集數(shù)據(jù)進(jìn)行補(bǔ)全處理。三維掃描設(shè)備前進(jìn)方向以z軸為例，通過分離各切片的z坐標(biāo)，得到若干個(gè)只含x,y坐標(biāo)的二維圖片，完成三維點(diǎn)云的降維處理。空洞點(diǎn)云預(yù)處理算法偽代碼如下。

輸入：原始點(diǎn)云模型M,切片厚度d，切片方向z=z，體素柵格大小a

輸出：N個(gè)二維圖片IMG

1.M1=statistical(M);//對(duì)原始點(diǎn)云模型M進(jìn)行統(tǒng)計(jì)濾波處理

2.M2=voxel(M1,a);//對(duì)M1進(jìn)行體素濾波處理

3.intN=lz(M2)/d;//M2切片方向上的總長(zhǎng)與切片厚度的商，并取整

4.S.push_back=section(M2,d);//將點(diǎn)云M2按照切片厚度d進(jìn)行平均切片

5.for each sectionSi,i=0,1,…,N-1 do//N個(gè)三維切片點(diǎn)云

6.for each pointpj,j=0,1,…,points(Si).size() do//遍歷每個(gè)切片的所有的點(diǎn)

7.img.at(Si->pj.x,Si->pj.y)=(0,0,0);//將三維切片的點(diǎn)的x和y坐標(biāo)賦值給二維圖片，并將該點(diǎn)顏色設(shè)置為黑色

8.end for

9.IMG.push_back(img)

10.end for

1.2 空洞補(bǔ)全算法原理

空洞補(bǔ)全包括骨骼提取、曲線補(bǔ)全以及二維圖像升維。由于點(diǎn)云切片存在三個(gè)維度的坐標(biāo)，在投影成二維圖片時(shí)會(huì)使二維曲線產(chǎn)生厚度。骨骼提取將圖片中存在厚度的二維曲線進(jìn)行細(xì)化，通過層層剝離像素，在保證原有形狀的前提下，提取出曲線骨骼。

假設(shè)圖片背景色為白色，N(x)為x像素點(diǎn)八鄰域點(diǎn)中的黑點(diǎn)個(gè)數(shù)；A(x)為x像素點(diǎn)八鄰域點(diǎn)按序前后分別成對(duì)值為0和1的個(gè)數(shù)。設(shè)二維圖片像素點(diǎn)P1的八鄰域點(diǎn)分別為P2～P9；骨骼提取細(xì)化過程需要迭代2個(gè)子過程(2)和(3)。若P1滿足這2個(gè)迭代條件，則其為非骨骼點(diǎn)，該點(diǎn)被設(shè)置為白色；反之，該點(diǎn)被視為骨骼點(diǎn)保留下來。當(dāng)該算法遍歷二維圖像所有像素點(diǎn)后迭代停止，保留下來的一定是該點(diǎn)云切片降維后的骨骼曲線。

(2)

(3)

若該切片存在空洞，那么降維后的骨骼曲線能夠在保證基本輪廓的同時(shí)反映出空洞的存在，具體表現(xiàn)為斷點(diǎn)。二維曲線的斷點(diǎn)連接處理相較于三維點(diǎn)云的斷點(diǎn)連接處理更為容易。曲線補(bǔ)全時(shí)首先檢測(cè)二維曲線的斷點(diǎn)，設(shè)像素點(diǎn)P1的坐標(biāo)為(i,j)，其八鄰域點(diǎn)的坐標(biāo)分別為(i-1,j),(i-1,j+1),(i,j+1),(i+1,j+1),(i+1,j),(i+1,j-1),(i,j-1),(i-1,j-1)。當(dāng)像素點(diǎn)P1存在，且八鄰域點(diǎn)的像素值的和為真時(shí)，則P1為斷點(diǎn)；遍歷二維曲線上所有的點(diǎn)，并對(duì)所有相鄰斷點(diǎn)進(jìn)行距離檢測(cè)，若相鄰斷點(diǎn)的距離小于搜索半徑，則將曲線斷點(diǎn)進(jìn)行直線連接。檢測(cè)條件為：

(xi-xi+1)2+(yi-yi+1)2≤D2

(4)

式(4)中，D為距離檢測(cè)的搜索半徑。

完成二維曲線的補(bǔ)全后，再利用被三維信息分離出來的第三維的z坐標(biāo)對(duì)二維補(bǔ)全部分進(jìn)行升維，即在補(bǔ)全部分的(x,y)坐標(biāo)上，增加切片信息的z坐標(biāo)，將原本曲線的二維像素點(diǎn)集轉(zhuǎn)變?yōu)槿S點(diǎn)云。由于每個(gè)切片點(diǎn)云的數(shù)據(jù)量非常龐大，三維信息分離出的z坐標(biāo)信息也同樣龐大，因此，利用體素濾波的三維柵格大小對(duì)補(bǔ)全點(diǎn)云進(jìn)行密度重建，達(dá)到與非補(bǔ)全點(diǎn)云相同的密度信息。點(diǎn)云空洞補(bǔ)全算法偽代碼如下。

輸入：二維圖片IMG，濾波后點(diǎn)云M2，體素柵格大小a, 切片厚度d

輸出：補(bǔ)全后的點(diǎn)云模型M3

1.intn=d/a,m=0;//設(shè)置每一個(gè)二維圖片補(bǔ)全點(diǎn)數(shù)，初始化補(bǔ)全后點(diǎn)云的點(diǎn)的數(shù)量m

2.for each imageGi,i=0,1,…,IMG.size()//N個(gè)二維圖片

3.g=repair(Gi)-Gi;//對(duì)圖片Gi進(jìn)行二維補(bǔ)全，并提取補(bǔ)全部分曲線

4.for each pointpj,j=0,1,…,points(gi).size() do//遍歷每張圖片中的所有黑點(diǎn)

5.fork,k= 0, 1, …,n-1 do

6.Pi->pm.x=pj.x;//將二維補(bǔ)全的曲線的x坐標(biāo)賦值給新點(diǎn)云Pi的x坐標(biāo)

7.Pi->pm.y=pj.y;//將二維補(bǔ)全的曲線的y坐標(biāo)賦值給新點(diǎn)云Pi的y坐標(biāo)

8.Pi->pm.z=min(M2.z)+k*a;//將按照體素柵格大小間隔的坐標(biāo)賦值給新點(diǎn)云Pi的z坐標(biāo)

9.m++;

10.end for

11.end for

12.M3=M2.push_back(Pi);//每補(bǔ)全一個(gè)切片，將結(jié)果加給M3

13.end for

綜上所述，空洞點(diǎn)云預(yù)處理和點(diǎn)云空洞補(bǔ)全2個(gè)算法所需要的輸入量為：原始點(diǎn)云M、切片厚度d和體素柵格大小a，默認(rèn)輸入量為三維掃描設(shè)備初始運(yùn)行方向z，輸出量為補(bǔ)全后的三維點(diǎn)云。其中，切片厚度用于控制最終點(diǎn)云的補(bǔ)全精度和運(yùn)算速度，體素柵格大小用于控制密度重建相鄰點(diǎn)間距。

2 點(diǎn)云空洞的補(bǔ)全試驗(yàn)

2.1 搭建試驗(yàn)環(huán)境

基于實(shí)驗(yàn)室搭建尺寸為3 m×2 m×2 m(長(zhǎng)×寬×高)的巷道模型，內(nèi)部采用錨桿支撐結(jié)構(gòu)，水泥色圍布作為巷道表面。三維掃描設(shè)備選用深度相機(jī)Intel RealSense D455，其包括RGB攝像頭和雙目紅外深度模塊，采用全局深度快門，最小深度距離為0.4 m，深度精度小于2% ，深度視場(chǎng)為87°×58°，RGB傳感器分辨率1 280×800，深度輸出分辨率為1 280×720。移動(dòng)機(jī)器人攜帶深度相機(jī)放置于巷道模型入口2.5 m地標(biāo)處，右側(cè)地標(biāo)用于起始位置標(biāo)定。

2.2 評(píng)估指標(biāo)

為評(píng)估算法的有效性，采用倒角距離CD(chamfer distance)作為評(píng)估指標(biāo)，公式為：

(5)

式(5)中，S1為生成點(diǎn)云；S2為真實(shí)點(diǎn)云；CD(S1→S2)為計(jì)算新生成點(diǎn)云中每個(gè)點(diǎn)與其最接近的真實(shí)點(diǎn)云之間的平均平方距離，衡量的是生成點(diǎn)云與真實(shí)點(diǎn)云的差異程度，CD值越小越接近真實(shí)點(diǎn)云；CD(S2→S1)為計(jì)算真實(shí)點(diǎn)云中每個(gè)點(diǎn)與其最接近的生成點(diǎn)云之間的平均平方距離，衡量的是真實(shí)點(diǎn)云在生成點(diǎn)云中的覆蓋率，CD值越小覆蓋率越高。

2.3 分析補(bǔ)全結(jié)果

采用目前視覺SLAM中泛用性、穩(wěn)定性最佳的ORB-SLAM2算法，分別重建了點(diǎn)集數(shù)量為127 272和92 856的巷道點(diǎn)云模型，設(shè)置體素柵格大小為0.01。在三維重建過程中，由于受環(huán)境中障礙物的影響，所建2組稠密模型均出現(xiàn)了多處空洞?？斩囱a(bǔ)全試驗(yàn)結(jié)果如圖2所示。

(a) 輸入點(diǎn)云

(b) 算法補(bǔ)全圖2 空洞補(bǔ)全試驗(yàn)結(jié)果

由圖2可知，模型在f1,f2,f3,f4,f5出現(xiàn)了較大區(qū)域的點(diǎn)云空洞，算法處理后f1～f5區(qū)域的空洞已被補(bǔ)全。點(diǎn)云補(bǔ)全試驗(yàn)結(jié)果分析見表1。不同算法的補(bǔ)全效果見表2。從表1和表2可以發(fā)現(xiàn)，原始點(diǎn)云空洞補(bǔ)全與密度重建成功，CD值保持了較低水平，達(dá)到了良好的補(bǔ)全效率。同時(shí)，隨著切片厚度增大，點(diǎn)云空洞補(bǔ)全耗時(shí)下降，但CD值相應(yīng)提高，即補(bǔ)全效果下降。與其他算法相比，本算法的平均耗時(shí)和補(bǔ)全速度均最優(yōu)，補(bǔ)全效果較佳。實(shí)際應(yīng)用中可根據(jù)實(shí)際建模效果設(shè)定較優(yōu)的切片厚度和體素柵格大小，以達(dá)到高效率的點(diǎn)云補(bǔ)全。

表1 點(diǎn)云補(bǔ)全試驗(yàn)結(jié)果分析

表2 不同算法的補(bǔ)全效果

3 結(jié)束語

針對(duì)環(huán)境物體建模過程易受掃描設(shè)備固有誤差和環(huán)境物體屬性影響而產(chǎn)生點(diǎn)云空洞的現(xiàn)象，提出了一種基于垂直切片的點(diǎn)云空洞補(bǔ)全算法，融合了垂直切片與維度轉(zhuǎn)化的原理，對(duì)存在空洞的點(diǎn)云進(jìn)行濾波、切片、降維、二維曲線補(bǔ)全與提取以及升維處理。試驗(yàn)結(jié)果表明，該算法在應(yīng)對(duì)大型場(chǎng)景或物體點(diǎn)云中的空洞問題時(shí)，處理更加簡(jiǎn)單、快速，為點(diǎn)云修復(fù)領(lǐng)域提供了一種無需深度學(xué)習(xí)的、高效的空洞補(bǔ)全修復(fù)方法。