基于SICK和Kinect的植株點(diǎn)云超限補(bǔ)償信息融合

劉 慧 潘成凱 沈 躍 高 彬

(江蘇大學(xué)電氣信息工程學(xué)院， 鎮(zhèn)江 212013)

0 引言

近年來(lái)，對(duì)目標(biāo)的精確三維彩色點(diǎn)云的獲取在數(shù)字城市、三維建模等方面應(yīng)用越來(lái)越多[1-4]。激光掃描儀可以獲取目標(biāo)高精度點(diǎn)云3D坐標(biāo)和距離信息，視覺(jué)圖像能直觀展示2D高分辨率真彩色信息。兩者的融合可以得到客觀世界的3D紋理點(diǎn)云， 促進(jìn)VR、三維重建、3D打印和農(nóng)業(yè)機(jī)器人等領(lǐng)域的研究發(fā)展[5-8]。因此，組合探測(cè)點(diǎn)云融合成為目前備受關(guān)注的研究熱點(diǎn)。

目前，點(diǎn)云和圖像融合主要分為時(shí)間匹配和特征匹配2種[9]。時(shí)間匹配自動(dòng)化程度高，但是精度較差且對(duì)設(shè)備要求高；更加通用的基于特征匹配的方法又可分為2種情況：一種是確定點(diǎn)云數(shù)據(jù)和圖像的轉(zhuǎn)換模型，進(jìn)行疊加；另一種是通過(guò)控制點(diǎn)進(jìn)行攝像機(jī)標(biāo)定，借助相機(jī)內(nèi)外參數(shù)確定點(diǎn)云和圖像的相互關(guān)系。文獻(xiàn)[10]提出了一種基于點(diǎn)云深度圖像的融合算法，匹配深度圖像和數(shù)字圖像的特征線，確定兩者的轉(zhuǎn)換關(guān)系，該方法的局限性是相機(jī)和激光掃描儀需在同一位置。文獻(xiàn)[11]首先利用安裝攝像機(jī)的三維激光掃描儀同時(shí)對(duì)貼了靶標(biāo)的場(chǎng)景拍照和獲取點(diǎn)云，采用主動(dòng)視覺(jué)相機(jī)序列標(biāo)定解算相機(jī)的位置和姿態(tài)，之后確定相機(jī)和掃描儀的空間轉(zhuǎn)換關(guān)系。該方法需要相機(jī)固定在掃描儀上，且需要空間靶標(biāo)，主動(dòng)視覺(jué)自標(biāo)定過(guò)程比較復(fù)雜。文獻(xiàn)[12-14]利用全景圖像和車(chē)載激光獲取車(chē)輛行走過(guò)程中的點(diǎn)云，并根據(jù)空間關(guān)系對(duì)其進(jìn)行過(guò)著色，實(shí)現(xiàn)點(diǎn)云信息的融合，但是全景圖像在獲取過(guò)程中存在很大的畸變，且對(duì)裝備之間相對(duì)位置要求較高，存在很大缺陷。

本課題組曾研究了基于Kinect傳感器的彩色植株點(diǎn)云配準(zhǔn)改進(jìn)SIFT-ICP方法，通過(guò)獲取不同視角下Kinect植株彩色圖像和深度圖像合成原始植株彩色點(diǎn)云，提高了點(diǎn)云配準(zhǔn)的準(zhǔn)確性和快速性，但是對(duì)Kinect室外受光照影響獲取點(diǎn)云出現(xiàn)邊緣缺失的問(wèn)題沒(méi)有進(jìn)行修復(fù)[15]。本文以仿真植株作為研究對(duì)象，提出一種基于SICK和Kinect的植株點(diǎn)云信息融合方法。

1 試驗(yàn)材料及方法

1.1 植株信息組合探測(cè)試驗(yàn)平臺(tái)

植株目標(biāo)組合探測(cè)平臺(tái)如圖1所示，在長(zhǎng)6 m的試驗(yàn)平臺(tái)上，滑塊搭載SICK激光傳感器(SICK LMS151)和Kinect傳感器(Kinect V2.0)以恒定速度在平臺(tái)上勻速前進(jìn)，實(shí)時(shí)掃描目標(biāo)植株，獲得Kinect深度圖像和彩色圖像數(shù)據(jù)，并對(duì)激光數(shù)據(jù)進(jìn)行重構(gòu)獲得植株的激光三維深度圖。試驗(yàn)對(duì)象為仿真綠色植株，樹(shù)高1.8 m， 冠層直徑1.4 m(圖2) ，傳感器距離目標(biāo)植株1.5 m。在日光燈照射下，光強(qiáng)約100 lx。Kinect通過(guò)微軟公司提供的軟件開(kāi)發(fā)包Kinect for Windows SDK以及點(diǎn)云庫(kù)(Point cloud library，PCL)[16]和OpenCV獲取植株的彩色、深度圖像，并合成彩色點(diǎn)云。

圖1 SICK和Kinect組合探測(cè)平臺(tái)Fig.1 SICK and Kinect combined detection platform1.SICK激光傳感器 2.控制臺(tái) 3.滑塊 4.Kinect傳感器

圖2 仿真綠色植株Fig.2 Simulated green plants

1.2 植株三維點(diǎn)云預(yù)處理

1.2.1激光傳感數(shù)據(jù)三維重構(gòu)及預(yù)處理

圖3 SICK激光傳感器掃描范圍示意圖Fig.3 Schematic diagram of working state of SICK laser sensor

SICK激光傳感器的安裝示意圖及工作狀態(tài)如圖1、3所示。圖3中每格長(zhǎng)度為20 m，正下方90°區(qū)域?yàn)閽呙杳^(qū)，通過(guò)內(nèi)軸高速旋轉(zhuǎn)持續(xù)不斷地獲取點(diǎn)，工作時(shí)每掃描一圈獲取1 080個(gè)點(diǎn)，相鄰兩點(diǎn)之間間隔0.25°，工作頻率25 Hz。激光傳感器原始數(shù)據(jù)是在極坐標(biāo)系下的距離數(shù)據(jù)，需對(duì)其進(jìn)行坐標(biāo)系轉(zhuǎn)換，得到激光傳感器在直角坐標(biāo)系下的距離數(shù)據(jù)。但是這是一個(gè)二維數(shù)據(jù)，要想進(jìn)行三維重構(gòu)，還需要添加X(jué)軸方向信息。激光傳感器測(cè)試平臺(tái)具有速度實(shí)時(shí)檢測(cè)功能，在運(yùn)行時(shí)對(duì)速度進(jìn)行實(shí)時(shí)記錄[17-19]。

經(jīng)過(guò)以上過(guò)程即可完成二維激光數(shù)據(jù)的三維重構(gòu)，得到激光傳感器數(shù)據(jù)三維重構(gòu)后的原始數(shù)據(jù)。

由于原始數(shù)據(jù)中包含了大量的無(wú)效信息，因此需要對(duì)原始數(shù)據(jù)進(jìn)行濾波操作?；谀繕?biāo)的三維坐標(biāo)信息，根據(jù)目標(biāo)深度信息d(x,y)(單位：mm)去除植株背景信息。通過(guò)設(shè)定目標(biāo)植株的三維坐標(biāo)取值范圍，將取值范圍外的點(diǎn)全部視為無(wú)用點(diǎn)并去除[20]。根據(jù)試驗(yàn)條件，目標(biāo)植株距離傳感器有效距離設(shè)定為1 200～2 500 mm。預(yù)處理后獲取只包含目標(biāo)植株所在有效深度區(qū)間的點(diǎn)云。

至此，完成對(duì)SICK激光傳感器數(shù)據(jù)的預(yù)處理。

1.2.2Kinect彩色點(diǎn)云映射與數(shù)據(jù)預(yù)處理

通過(guò)Kinect相機(jī)可以獲取目標(biāo)的深度圖像和彩色圖像，通過(guò)Kinect開(kāi)發(fā)包中的彩色圖像和深度圖像的映射函數(shù)，得到彩色圖像和深度圖像之間空間映射關(guān)系，深度圖像經(jīng)過(guò)映射之后獲得彩色信息，再通過(guò)所處位置和角度信息即可得到世界坐標(biāo)系下點(diǎn)云坐標(biāo)。在原始的彩色點(diǎn)云中存在大量無(wú)效點(diǎn)和冗余背景信息以及少量的噪聲，因此需要先去除背景和噪聲。Kinect點(diǎn)云通過(guò)閾值濾波后去除背景信息，此時(shí)點(diǎn)云中還包含了少量的噪聲點(diǎn)及離群點(diǎn)，這些點(diǎn)通常由外界干擾以及設(shè)備采集測(cè)量誤差等原因造成。通過(guò)分析點(diǎn)云數(shù)據(jù)可知，離群點(diǎn)比較稀疏且點(diǎn)數(shù)較少，因此本文采用圓內(nèi)點(diǎn)數(shù)量統(tǒng)計(jì)的方法濾除這些干擾點(diǎn)。通過(guò)統(tǒng)計(jì)半徑r的圓內(nèi)點(diǎn)數(shù)量，將小于閾值k的點(diǎn)刪除，保留滿(mǎn)足條件的點(diǎn)。根據(jù)試驗(yàn)效果，r設(shè)定為1 cm，k設(shè)定為10。

1.3 SICK激光點(diǎn)云與Kinect彩色點(diǎn)云融合

ICP算法自1992年發(fā)表以來(lái)就受到學(xué)者的廣泛關(guān)注[21-23]，以點(diǎn)集對(duì)點(diǎn)集的配準(zhǔn)方法為基礎(chǔ)，闡述了一種曲面擬合方法，該方法是基于四元數(shù)的點(diǎn)集到點(diǎn)集配準(zhǔn)方法。雖然經(jīng)過(guò)十幾年的發(fā)展，效果得到了很大的改進(jìn)，但是對(duì)于初始位置相差較大及重疊區(qū)域較少的情況仍然無(wú)法得到較好的結(jié)果，因此，本文采用了初始配準(zhǔn)加二次配準(zhǔn)的方法實(shí)現(xiàn)兩片點(diǎn)云之間較好的配準(zhǔn)。

首先，對(duì)SICK激光點(diǎn)云和Kinect彩色點(diǎn)云進(jìn)行體素柵格下采樣(Voxel grid downsample)，使點(diǎn)云數(shù)量降低的同時(shí)較好地保持了點(diǎn)云的原有特征。然后對(duì)每個(gè)點(diǎn)求其法線并計(jì)算每個(gè)點(diǎn)的快速點(diǎn)特征直方圖(Fast point feature histograms, FPFH)[24]進(jìn)行特征提取，之后對(duì)兩片點(diǎn)云進(jìn)行采樣一致性初始配準(zhǔn)(Sample consensus-initial alignment, SAC-IA)，求取兩片點(diǎn)云之間的轉(zhuǎn)換矩陣，將SICK激光點(diǎn)云利用轉(zhuǎn)換矩陣變換后，兩片點(diǎn)云之間即可有較好的空間位置關(guān)系，然后利用ICP算法完成二次配準(zhǔn)。

1.3.1植株點(diǎn)云SAC-IA初始配準(zhǔn)

濾波后的點(diǎn)云中，點(diǎn)的數(shù)量仍然非常龐大，如果直接對(duì)其求法線精算特征來(lái)進(jìn)行初始配準(zhǔn)的話(huà)會(huì)浪費(fèi)大量的時(shí)間，因此本文采用了體素柵格的方法對(duì)點(diǎn)云進(jìn)行下采樣，該方法能夠在點(diǎn)數(shù)量大量減少的情況下仍然較好地保持點(diǎn)云特征，加快了配準(zhǔn)的速度。具體過(guò)程如下：首先通過(guò)輸入的點(diǎn)云數(shù)據(jù)創(chuàng)建一個(gè)三維體素柵格，然后在每個(gè)體素，即三維立方體內(nèi)用體素中所有點(diǎn)的重心來(lái)近似表示體素中其他點(diǎn)，這樣該體素內(nèi)所有點(diǎn)就用這一個(gè)重心點(diǎn)來(lái)最終表示，再把所有體素的重心放到輸出點(diǎn)云中即完成了點(diǎn)云的下采樣。

完成點(diǎn)云下采樣后，需要對(duì)每個(gè)點(diǎn)進(jìn)行法線估計(jì)。由于點(diǎn)云數(shù)據(jù)沒(méi)有幾何表面，可以利用某一點(diǎn)鄰域范圍內(nèi)的其他點(diǎn)云來(lái)近似估計(jì)該點(diǎn)的表面法向量。假設(shè)有點(diǎn)云數(shù)據(jù)P{p1,p2,…,pn}，對(duì)于其中某一點(diǎn)pi(xi,yi,zi)，取其鄰域內(nèi)h個(gè)相鄰點(diǎn)，協(xié)方差矩陣為

(1)

CVj=λjVj(j=0,1,2)

(2)

λj——第j個(gè)特征值

Vj——第j個(gè)特征向量

計(jì)算出的最小特征值對(duì)應(yīng)的特征向量即為點(diǎn)pi處最小二乘擬合曲面的法向量。

僅僅只是求取點(diǎn)的法線還無(wú)法較好地表達(dá)點(diǎn)與周?chē)c(diǎn)之間的關(guān)系。FPFH算法在點(diǎn)特征直方圖(Point feature histograms, PFH)[25]算法的基礎(chǔ)上進(jìn)一步改進(jìn)，對(duì)PFH算法得到的權(quán)重進(jìn)行重新計(jì)算，捕獲更大范圍內(nèi)臨近點(diǎn)對(duì)的幾何信息，同時(shí)忽略部分臨近點(diǎn)，其計(jì)算特征更快、信息更多。本文利用FPFH算法對(duì)帶有法線信息的點(diǎn)云進(jìn)行快速點(diǎn)特征估計(jì)，并采用降維后的33維特征向量來(lái)表示點(diǎn)周?chē)男畔?，保證了較好的描述性，兼顧了快速性。

通過(guò)采樣一致性初始配準(zhǔn)算法(SAC-IA)，通過(guò)下采樣后的點(diǎn)云和其特征描述子為基礎(chǔ)計(jì)算兩幅點(diǎn)云之間的對(duì)應(yīng)點(diǎn)對(duì)，通過(guò)SAC-IA中的篩選規(guī)則不斷進(jìn)行優(yōu)化得到最佳對(duì)應(yīng)點(diǎn)對(duì)集，通過(guò)這些點(diǎn)集得到兩幅點(diǎn)云之間的空間轉(zhuǎn)換矩陣，完成點(diǎn)云的初始配準(zhǔn)。

1.3.2植株點(diǎn)云ICP精確配準(zhǔn)

很多學(xué)者通過(guò)對(duì)原始的ICP算法進(jìn)行剖析，將算法分成6部分，然后分別進(jìn)行了改進(jìn)，效果顯著。ICP算法的配準(zhǔn)精度很大程度上取決于兩幅點(diǎn)云圖像之間的初始位置關(guān)系和重疊區(qū)域大小。

經(jīng)過(guò)初始配準(zhǔn)之后，兩幅點(diǎn)云圖像之間有了較接近的初始位置，這樣的初始位置可以有效地避免ICP算法配準(zhǔn)時(shí)陷入局部最優(yōu)解的狀態(tài)，從而提高ICP的配準(zhǔn)質(zhì)量。

1.3.3植株點(diǎn)云超限補(bǔ)償信息融合

完成點(diǎn)云的初次配準(zhǔn)與精確配準(zhǔn)之后，兩幅點(diǎn)云之間點(diǎn)位置信息很接近，利用近似最近鄰[26](Approximate nearest neighbors, ANN)算法，對(duì)激光點(diǎn)云在Kinect彩色點(diǎn)云中逐點(diǎn)近似最近鄰搜索，搜索到的點(diǎn)即為對(duì)應(yīng)點(diǎn)，將對(duì)應(yīng)點(diǎn)的彩色信息賦予正在進(jìn)行搜索的點(diǎn)完成兩幅點(diǎn)云之間的信息融合。

Kinect 2.0在陽(yáng)光直射時(shí)會(huì)出現(xiàn)目標(biāo)邊緣嚴(yán)重丟失的情況，因此，對(duì)于部分SICK激光傳感器三維重構(gòu)出的點(diǎn)云在進(jìn)行近似最近鄰搜索時(shí)，會(huì)出現(xiàn)找不到對(duì)應(yīng)點(diǎn)或找到的對(duì)應(yīng)點(diǎn)并非實(shí)際物理意義上的對(duì)應(yīng)點(diǎn)，為此本文提出了一種超限補(bǔ)償方法來(lái)對(duì)無(wú)法找到對(duì)應(yīng)點(diǎn)或者錯(cuò)誤對(duì)應(yīng)點(diǎn)的搜索點(diǎn)進(jìn)行補(bǔ)償，通過(guò)這種方法可以有效地對(duì)SICK激光重構(gòu)點(diǎn)云中部分漏檢對(duì)應(yīng)點(diǎn)和錯(cuò)誤對(duì)應(yīng)點(diǎn)的搜索點(diǎn)進(jìn)行著色，完成信息融合。

本文所述的超限補(bǔ)償算法是對(duì)融合點(diǎn)云中超過(guò)閾值限定的部分進(jìn)行重新融合的過(guò)程，其具體過(guò)程如下：首先對(duì)配準(zhǔn)后激光點(diǎn)云中的每個(gè)點(diǎn)逐個(gè)遍歷Kinect彩色點(diǎn)云進(jìn)行最近鄰搜索，當(dāng)搜索到的Kinect彩色點(diǎn)云對(duì)應(yīng)點(diǎn)和激光點(diǎn)之間的歐氏距離小于設(shè)定閾值時(shí)，則將Kinect彩色點(diǎn)云對(duì)應(yīng)點(diǎn)的彩色信息賦予到激光點(diǎn)，形成彩色點(diǎn)；當(dāng)搜索不到Kinect彩色點(diǎn)云對(duì)應(yīng)點(diǎn)或搜索到的對(duì)應(yīng)點(diǎn)和激光點(diǎn)之間的歐氏距離大于設(shè)定閾值時(shí)，則判定搜索失敗，可能是由Kinect傳感器受光照條件影響出現(xiàn)目標(biāo)邊緣缺失而引起。Kinect檢測(cè)中由于光照條件等引起的對(duì)應(yīng)目標(biāo)缺失點(diǎn)云，此時(shí)，將搜索的激光點(diǎn)云的深度信息和空間坐標(biāo)信息填充進(jìn)去，然后根據(jù)Kinect微軟開(kāi)發(fā)包中提供的深度圖像和彩色圖像對(duì)應(yīng)關(guān)系的函數(shù)，獲取到對(duì)應(yīng)彩色信息并將其賦值給對(duì)應(yīng)的激光點(diǎn)形成彩色點(diǎn)；遍歷整個(gè)目標(biāo)所有激光點(diǎn)云，完成激光點(diǎn)云的融合點(diǎn)云賦值。

超限補(bǔ)償點(diǎn)云信息融合方法具體步驟如下：首先，對(duì)于完成點(diǎn)云配準(zhǔn)后的SICK激光點(diǎn)云P(p1,p2,…,pn)中的任意一點(diǎn)pi，在Kinect彩色點(diǎn)云中進(jìn)行近似最近鄰搜索，若返回值為false或者搜索點(diǎn)與對(duì)應(yīng)點(diǎn)之間的歐氏距離超過(guò)閾值，則認(rèn)為沒(méi)有找到對(duì)應(yīng)點(diǎn)，此時(shí)認(rèn)為搜索點(diǎn)與Kinect彩色點(diǎn)云具有相同的空間位置，調(diào)用Kinect開(kāi)發(fā)包中的MapDepthToColorImagePoint()函數(shù)找到彩色圖像中的對(duì)應(yīng)點(diǎn)的坐標(biāo)(x,y)，然后將坐標(biāo)(x,y)的彩色信息賦予搜索點(diǎn)。超限補(bǔ)償點(diǎn)云信息融合流程圖如圖4所示。

圖4 超限補(bǔ)償點(diǎn)云信息融合流程圖Fig.4 Flow chart of overlimit compensation

SICK激光三維重構(gòu)點(diǎn)云和Kinect彩色點(diǎn)云之間的信息融合的具體流程如圖5所示。

圖5 SICK激光三維重構(gòu)和Kinect彩色點(diǎn)云信息融合流程圖Fig.5 Flow chart of information fusion of 3D reconstruction of SICK laser and Kinect color point cloud

2 試驗(yàn)與結(jié)果分析

2.1 室內(nèi)光照條件下算法驗(yàn)證

2.1.1SICK激光傳感器點(diǎn)云獲取與處理

通過(guò)滑塊帶動(dòng)SICK LMS151二維激光傳感器勻速運(yùn)動(dòng)進(jìn)行試驗(yàn)，經(jīng)過(guò)坐標(biāo)系轉(zhuǎn)換后，彩色渲染圖如圖6所示。經(jīng)過(guò)三維重構(gòu)后，點(diǎn)云圖像如圖7所示。

圖6 SICK彩色渲染圖Fig.6 Color rendering image of SICK data

圖7 SICK三維重構(gòu)點(diǎn)云圖Fig.7 3D reconstruction of SICK data point cloud image

從圖6和圖7可以看出，數(shù)據(jù)中除了目標(biāo)植株外還有復(fù)雜背景數(shù)據(jù)以及桌子等。對(duì)原始點(diǎn)云進(jìn)行閾值濾波和離群點(diǎn)去除，得到僅含有目標(biāo)植株的點(diǎn)云圖像。圖8為預(yù)處理后的激光點(diǎn)云圖像。

圖8 預(yù)處理后的激光點(diǎn)云圖像Fig.8 Point cloud images after preprocessing

2.1.2Kinect傳感器點(diǎn)云獲取與處理

通過(guò)PCL將Kinect傳感器獲取的植株深度圖像和彩色圖像進(jìn)行融合，得到彩色點(diǎn)云圖像，如圖9所示。

圖9 Kinect點(diǎn)云圖像Fig.9 Kinect point cloud images

同樣，對(duì)Kinect獲取到的彩色植株點(diǎn)云進(jìn)行閾值濾波和圓內(nèi)數(shù)據(jù)統(tǒng)計(jì)濾波后得到僅含植株信息的點(diǎn)云圖像。

從圖8及其構(gòu)造原理可知，兩幅點(diǎn)云空間位置相差較大，因此先采用初始配準(zhǔn)。對(duì)點(diǎn)云進(jìn)行體素柵格濾波以進(jìn)一步減少點(diǎn)云數(shù)量，加快配準(zhǔn)速度，然后對(duì)各點(diǎn)計(jì)算法線，求取快速點(diǎn)特征直方圖，利用SAC-IA完成點(diǎn)云初始配準(zhǔn)，最后利用ICP算法進(jìn)行進(jìn)一步配準(zhǔn)。圖10展示了點(diǎn)云的配準(zhǔn)過(guò)程。為方便看清，將每個(gè)點(diǎn)放大了3倍。

圖10 激光和Kinect點(diǎn)云配準(zhǔn)過(guò)程Fig.10 Process of point cloud registration

2.1.3超限補(bǔ)償點(diǎn)云融合

將激光點(diǎn)云和Kinect點(diǎn)云圖像配準(zhǔn)后，兩幅點(diǎn)云圖像近乎重合，采用1.3.3節(jié)的近似最近鄰搜索和超限補(bǔ)償方法完成點(diǎn)云信息融合。融合前后對(duì)比如圖11所示。

圖11 超限補(bǔ)償點(diǎn)云信息融合前后對(duì)比Fig.11 Contrast diagrams of point cloud information

超限補(bǔ)償后局部細(xì)節(jié)圖如圖12所示?？梢?jiàn)超限補(bǔ)償后，有效點(diǎn)云數(shù)量增加，邊緣缺失的點(diǎn)云得到了有效補(bǔ)充。

圖12 融合前后局部細(xì)節(jié)圖Fig.12 Images of local detail after fusion

2.2 強(qiáng)光干擾條件下算法驗(yàn)證

然而Kinect在陽(yáng)光下采集圖像深度信息時(shí)會(huì)出現(xiàn)嚴(yán)重的邊緣缺失，如圖13所示。因此，若不采取有效措施進(jìn)行補(bǔ)救，則會(huì)引起邊緣信息缺失，造成較大誤差，如圖14所示。

圖13 Kinect采集的邊緣缺失點(diǎn)云Fig.13 Edge missing point cloud collected by Kinect

圖14 邊緣信息缺失融合效果Fig.14 Fusion effect with edge information missing

采用超限補(bǔ)償融合方法后，點(diǎn)云信息融合明顯改善，效果與室內(nèi)幾乎相同。圖15為超限補(bǔ)償后的點(diǎn)云信息融合效果。

圖15 植株A點(diǎn)云超限補(bǔ)償融合圖Fig.15 Final effect maps after point cloud information fusion of plant A

在對(duì)植株A驗(yàn)證的基礎(chǔ)上，對(duì)另一植株B進(jìn)行了同樣的點(diǎn)云融合試驗(yàn)，如圖16所示。

圖16 植株B超限補(bǔ)償點(diǎn)云融合過(guò)程Fig.16 Point cloud fusion process with overlimit compensation of plant B

為測(cè)試本文超限補(bǔ)償算法的可靠性，對(duì)植株A和植株B進(jìn)行了不同角度(0°、90°、180°和270°)數(shù)據(jù)采集并進(jìn)行數(shù)據(jù)融合，并且引入相似度評(píng)價(jià)本文方法效果。相似度描述如下：對(duì)Kinect植株彩色點(diǎn)云和融合后的激光彩色點(diǎn)云進(jìn)行尺度不變特征轉(zhuǎn)變(Scale-invariant feature transform，SIFT)關(guān)鍵點(diǎn)搜索，然后將關(guān)鍵點(diǎn)進(jìn)行對(duì)比，得到相同關(guān)鍵點(diǎn)占關(guān)鍵點(diǎn)總數(shù)的百分比。

基于相似度的對(duì)比研究，每組試驗(yàn)進(jìn)行10次，試驗(yàn)結(jié)果如表1所示。對(duì)于植株A，將超限補(bǔ)充融合后的植株彩色點(diǎn)云與未融合前的室內(nèi)Kinect點(diǎn)云進(jìn)行對(duì)比，相似度平均值為95%。而未采用超限補(bǔ)償前的融合點(diǎn)云與室內(nèi)Kinect點(diǎn)云對(duì)比，相似度只能達(dá)到70%。類(lèi)似地, 對(duì)于植株B，利用本文超限補(bǔ)償融合方法與Kinect點(diǎn)云對(duì)比，相似性達(dá)到92%，而未采用超限補(bǔ)償?shù)闹苯尤诤戏椒ㄅcKinect點(diǎn)云對(duì)比，相似度僅為65%。

為驗(yàn)證本文組合探測(cè)方法相對(duì)于傳統(tǒng)方法的優(yōu)越性，將本文SICK和Kinect組合探測(cè)點(diǎn)云融合算法與Kinect單相機(jī)探測(cè)自身彩色和深度點(diǎn)云融合算法結(jié)果進(jìn)行了對(duì)比。在有效點(diǎn)云數(shù)量方面，本文組合探測(cè)方法較傳統(tǒng)方法有效點(diǎn)云數(shù)量大大提升。以文中仿真植株A為目標(biāo)，以傳感器與樹(shù)中心距離2.2 m為測(cè)試基準(zhǔn)，本文方法與只采用Kinect自身彩色深度數(shù)據(jù)融合方法進(jìn)行對(duì)比，每組試驗(yàn)10次，并對(duì)室內(nèi)外融合后點(diǎn)云數(shù)量和精度進(jìn)行對(duì)比。試驗(yàn)結(jié)果表明，在檢測(cè)精度方面，當(dāng)測(cè)量距離為2.2 m時(shí)，采用Kinect傳感器檢測(cè)的平均絕對(duì)誤差為35 mm，深度誤差為1.5%；而本文方法的傳感器與樹(shù)干中心平均距離為2.196 m，深度誤差小于0.5%。以植株A為例，當(dāng)SICK激光傳感器以0.25 m/s的前進(jìn)速度運(yùn)行時(shí)，激光探測(cè)植株點(diǎn)云數(shù)量為348 523，Kinect室內(nèi)探測(cè)植株點(diǎn)云數(shù)量為217 088，Kinect傳感器室外探測(cè)植株點(diǎn)云數(shù)量為191 464。應(yīng)用SICK和Kinect組合探測(cè)點(diǎn)云融合后，相比于Kinect傳感器，探測(cè)植株點(diǎn)云數(shù)量室內(nèi)和室外分別增加了60.42%和81.89%。

表1 點(diǎn)云超限補(bǔ)償信息融合方法可靠性分析Tab.1 Reliability analysis of point cloud fusion

3 結(jié)論

(1) 提出了一種基于SICK和Kinect組合探測(cè)的植株點(diǎn)云超限補(bǔ)償信息融合方法，該方法無(wú)需保持2個(gè)傳感器之間的位置恒定和繁瑣的標(biāo)定程序，仍然可以較好地實(shí)現(xiàn)點(diǎn)云信息的融合，邊緣信息融合較好，平均相似度較高。

(2)提出了超限補(bǔ)償方法，有效點(diǎn)云數(shù)量增加，邊緣缺失的點(diǎn)云得到了有效補(bǔ)充，且減小了深度誤差。