基于种子区域生长的激光线段特征提取介绍

最新推荐文章于 2024-08-10 07:33:09 发布

辜鸿铭

最新推荐文章于 2024-08-10 07:33:09 发布

阅读量4.6k

点赞数 8

本文链接：https://blog.csdn.net/qq_24893115/article/details/79306758

版权

基于种子区域生长的激光线段特征提取介绍

A line segment extraction algorithm using laser data based on seeded region growing

open source

摘要：本次将介绍一种基于种子区域生长的激光线段特征提取方法，种子区域生长在图像处理中得到了广泛的应用。所要介绍的方法将不同于线段跟踪、霍夫变换和分割合并等等，总的步骤包括种子线段的提取、区域生长、重叠区域处理和端点生成。通过实际对比实验，表明所提方法在提取线段过程中的实时性、准确性和精确性方面，相比于传统的Iterative-End-Point-Fit 取得了更好的效果，所用数据集为室内实验室环境和走廊环境。所要叙述的内容分为以下几个方面

线激光提取线段的必要性，以及相关工作
基于种子区域生长的线段提取方法
实验比较
总结

线激光提取线段的必要性，以及相关工作

相比于视觉传感器，激光传感器具有数据可靠、抗干扰能力强，数据精度高等优点。线激光应用于SLAM，karto_SLAM、gmapping以及cartographer都取得了相当成功的成果，以及在移动和飞行机器人自主导航等领域也取得了不错的效果。在需要移动机器人完成更为复杂的任务时，比如被绑架时的全局定位，自主导航过程中的鲁棒定位，SLAM过程中的回环检测，都需要利用观测信息对环境进行更为高等的描述，而不仅仅是点云。就线激光而言，容易想到也易于实现的高等特征，就是线段特征，也有大量学者利用线段特征进行导航、全局定位以及SLAM。

早期就有大量学者关于线激光的线段特征提取做了大量工作，譬如线段跟踪、霍夫变换以及分割合并等等，在07年的Auton Robot 发表的一篇关于线段提取方法比较的论文：

Nguyen V, Gachter S, Martinelli A, et al. A comparison of line extraction algorithms using 2D range data for indoor mobile robotics. Auton Robot 2007; 23(2): 97-111

经过实验比较之后，得出分割合并的性能最优；鉴于此，在设计对比实验中，我们所提方法也将与分割合并进行比较。分割合并方法的示意图如下所示：

分割合并方法示意图

但是在实验过程中发现，这样的提取方法会产生如下问题，致使线段提取的精确性与准确性收到影响：

分割合并错误

基于种子区域生长的线段提取方法

所提方法的整体步骤如下图所示：

整体步骤

正交最小二乘

直线的参数方程为： $ax+by+c=0$ 。传统最小二乘只考虑 $Y$ 轴方向上的误差，而对于正交最小二乘应用于直线拟合，考虑的是点到直线的垂直距离，使得拟合直线不会受到病态方程的影响（微小的波动就会引起直线参数巨大的变化）。代价函数如下：

f (a, b, c) = \sum_{i = 1}^{i = n} d_{i}^{2}, d_{i} = \frac{| a x_{i} + b y_{i} + c |}{\sqrt{a^{2} + b^{2}}} .

$\begin{equation} f(a,b,c)=\sum_{i=1}^{i=n}d_i^2, \nonumber \\ d_i=\frac{|ax_i+by_i+c|}{\sqrt{a^2+b^2}}. \end{equation}$

代价函数关于对参数 $a,b,c$ 求偏导，分别置为0，在经过化简之后就可以获得所要拟合直线的参数。

种子线段的获取

种子区域生长的第一步，需要先获得种子，而线段的种子可以理解为一段少量连续点云构成的线段（小线段）。在获取激光数据之后，可以依次选取连续 $S_{num}$ 个点云进行判断是否符合种子线段的要求，如果符合，则进行区域生长获取整条线段，否则舍弃，重新进行种子线段的选取。判断的标准有两个：
1、点到直线的距离：
候选种子线段上各个点云到所拟合直线的距离小于阈值 $\epsilon$ , 阈值的选取与所用传感器有关：

| a x i + b y i + c | a 2 + b 2 - - - - - - \sqrt < ϵ .

$\begin{equation} \frac{|ax_i+by_i+c|}{\sqrt{a^2+b^2}}<\epsilon. \nonumber \end{equation}$

2、点到点的距离
候选种子线段的点云往往较少，因此引起的误差可能较大，由下图所示：

这里写图片描述

上图中，红色点即为了点云的预测位置，而蓝色的为实际位置，当候选种子线段的误差较大时，预测和实际位置之间的差距往往较大，所以在判定种子线段时需要增加这么一条判定条件。

(x i - x' i) 2 + (y i - y' i) 2 - - - - - - - - - - - - - - - - - \sqrt < δ,

$\begin{equation} \sqrt{(x_i-x_i')^2+(y_i-y_i')^2}<\delta, \nonumber \end{equation}$

其中预测点的位置，由当前点云的角度和所拟合的直线参数共同决定：

{a x' i + b y' i + c = 0 - sin (θ) x' i + cos (θ) y' i = 0,

$\begin{equation} \left\{ \begin{array}{ll} ax_i'+by_i'+c=0\\ -\sin(\theta)x_i'+\cos(\theta)y_i'=0 \end{array}, \nonumber \right. \end{equation}$

x' i = - c cos ( θ ) a cos ( θ ) + b sin ( θ ), y' i = - c sin ( θ ) a cos ( θ ) + b sin ( θ ) .

$\begin{equation} x_i'=-\frac{c\cos(\theta)}{a\cos(\theta)+b\sin(\theta)}, y_i'=-\frac{c\sin(\theta)}{a\cos(\theta)+b\sin(\theta)}. \nonumber \end{equation}$

整体伪代码如下：
这里写图片描述

区域生长

区域生长在图像领域获得了较为广泛的应用。通过一些删选条件把具有相同特征的对象聚类在一起，最终获得分割或者分类的效果。在线段提取的过程中，同一线段上的点云具有的特征就行，点云到直线的垂直距离小于给定阈值。在本方法中，通过种子线段的向前和向后生长获得完整线段，具体如下伪代码所示：

这里写图片描述

重叠区域的处理

这里写图片描述

区域生长可以获得较为理想的分割效果，但是不尽如人意的是，环境错综复杂，经常会发生重叠区域，如上图所示。发生重叠的情况包括共线和不共线两种，上图所示的是共线情况，需要对两条共线的重叠线段合并为一条线段，而不共线的情况（比如墙角）则需要判断重叠部分的归属问题，即判断重叠部分的点云距离哪条线段更近（属于哪条），具体可以如下伪代码所示：

这里写图片描述