基于聚集度和Delaunay三角重构的巡回作业区域边界提取方法与流程

本发明涉及一种基于聚集度和Delaunay三角重构的巡回作业区域边界提取方法，属于视觉测量-感兴趣区域提取-二维点云边界提取
技术领域：
。
背景技术：
：巡回作业区域测量系统广泛应用于生活、生产和国防领域，特别是在农机深耕作业面积测量、无人机农药喷洒、森林防火预警等存在多区域巡回作业需求的应用中尤甚。因此开发出高性能的作业区域测量系统具有十分重要的现实意义和经济意义。巡回作业区域测量系统一般包括硬件系统和软件系统两个部分。硬件系统包括巡航器本体、摄像头、GPS接收设备和存储设备等器件组成。巡航器在指定工作区内完成巡回作业任务，摄像头用于工作人员查看巡航器的实际作业情况，GPS接收设备用于等间隔地记录巡航器的GPS坐标数据，并将其保存至存储设备中。每个巡航器在完成作业后将作业数据、GPS坐标数据统一上传至数据服务器中，供进一步分析和处理。软件系统包括实时数据采集存储系统、数据库服务系统和巡回作业区域测量软件系统等部分组成。巡回作业区域测量软件主要应用计算机图像识别技术实现巡回作业区域的定位和作业特征参数的计算(如作业面积、作业时长等)。衡量一个巡回作业区域测量软件系统性能好坏的主要指标有：边界提取准确度、误识率、识别速度、用户界面的友好性，产品的稳定性，易用性及可行性等。一般的巡回作业区域测量软件主要由下面几个部分组成：1、GPS数据输入与坐标转换数据输入：巡航器运动的经纬度数据通过机载的GPS接收设备完成采集和存储，其存储格式如表-1所示。表-1GPS数据点存储格式时间经度纬度速度角度2016-09-2506:26:55.000465702198159160458502902016-09-2506:27:01.000465702216159160470502752016-09-2506:27:09.00046570234815916056650345注：①经纬度数据单位毫秒除以3600000换算成度；②速度数据减500，所得数据单位为km/h。坐标转换：将经纬度数据转换成当地的水平面OXY坐标(X指向东方，Y指向北方)，根据弧长公式，坐标转换式可由下式确定：其中R为当前巡航区域的地球半径，一般取平均值6371004，η0、ζ0分别是参考经度和参考纬度，一般取首个数据点作为参考点，x、y的单位是m。2、感兴趣区域的提取与判定软件最终目的是识别出哪些数据点是巡回作业点，定位出巡航器真正的作业区域并提取其轮廓，然后再统计出在作业区域内实际作业中的各项性能参数，从而为下一步决策提供参考。巡航器所上传的GPS运动数据点集中往往掺杂着大量的迁移点(又称为非巡回作业点，巡航器从巡回作业区1转移到巡回作业区2的过程中就会产生极为稀疏和分散的非巡回作业点)，这就给整个巡航区域边界提取和参数测量过程带来巨大的挑战。因此如何实现在剔除迁移点同时把作业点保留下来则是软件实现成败与否的关键。将巡回作业区域从输入数据点集合提取出来的过程叫做感兴趣区域提取，由于实际作业数据点集的多样性，复杂性，因此，目前还没有一个固定的，最优的提取模型。感兴趣区域提取的常用方法是将数据点集映射成一幅图片，经过必要的图像形态学处理(腐蚀、膨胀、区域生长、开闭运算等形式)，删除一部分孤立点后，将连通的区域整理后(如删除面积过小的连通域)输出最终的感兴趣区域，并把该区域内的数据点标记成巡航作业点。3、边界提取与作业区域特征参数计算对第2步得到的感兴趣区域应用slope算子将边缘提取出来，并对连通区内作业的各项特征参数进行计算。以计算作业区域的面积为例，其具体过程是将连通区域内所有的像素点进行统计，按照比例转换成实际面积，从而完成作业区域面积的计算。利用图像形态学方法提取感兴趣区域时存在效率较低、耗时长、参数适应性差、连通效果不理想等问题。首先是效率低下的问题，考虑以下实际情形，假设迁移点广泛分布于整个可视区域中，而实际作业区域面积在整幅图片中所占的比例非常低(意味着巡航器大部分时间都在赶路，见图7a)，此时GPS数据点集所映射出来的图片尺寸将是十分巨大的。另一方面，大部分图像形态学处理方法的时间复杂度与图片尺寸大致成比例关系。因此计算机可能将大量时间耗费在搜索、访问和判断图片上稀疏的非作业点上，整个处理效率极为低下。其次是参数适应性差的问题，对于两幅图像，其中巡航作业区域的巡航点分布特性(巡航作业点之间的距离、均匀程度、是否有孔洞等)变化较大时，同一组形态学参数运算得到的结果并不总是理想甚至有可能是背离设计期望的(如将真正的巡回作业区域误删(特别是长条形的作业区域，见图8a)，作业区域被肢解等)。最后是连通效果不理想的问题。由于实际的作业区域内部数据点分布特性较为分散，很难找到一组适用于所有的数据点集的形态学参数。极端情况下，连通区域可能被肢解，而slope边缘提取算子本身对噪声分布极为敏感，因此所提取的边界也变得极为零碎，与真正的巡航区域相差甚远。技术实现要素：本发明的目的是为了解决上述现有技术存在的问题，即感兴趣区提取阶段效率低、提取效果不理想的问题。进而提供一种基于聚集度和Delaunay三角重构的巡回作业区域边界提取方法。本发明的目的是通过以下技术方案实现的：一种基于聚集度和Delaunay三角重构的巡回作业区域边界提取方法，步骤一、感兴趣区域的粗提取聚集度的计算与优化定义两个数据点相关度：其中d(Pi,Pj)是点Pi、Pj之间的距离，Di、Dj之间的分别是巡航器在Pi、Pj速度方向与参考方向的倾角。某一点的聚集度就用与之高度相关(如Sij>1.5)的数据点总数来衡量，若聚集度超过7，则称该点是具有高聚集度的。基于等距压缩的加速优化算法：对数据点进行等距离压缩，每隔m个间隔取出一个数据点，与等距压缩了p倍的数据点模板进行相关度和聚集度计算。二、感兴趣区域边界的精提取1、数据点预处理数据点的重映射与压缩：先将包围盒里的数据点按照一定比例(如100m2：1个像素)映射成一幅位图，再对位图中灰度不为零的像素点按照上述比例重新映射回实际数据点。分区：将包围盒内的数据点用直线分割成若干个区域，直线的选取标准是直线带内所包含的数据点总数最少。记包围盒内某片分区内所有数据点为集合S。2、为点集S求取Delaunay三角网M三角网格以角点表格形式存储——表格共有三列，每一列分别放置三角形的三个角点在S中索引值。3.利用alpha-shape算法求取点集S凹包的边列表，算法的过程如下：a.为M初始化所有Edge对象，给每个Edge分配一个唯一的ID，并求取Edge的长度以及邻接三角形集合。其中邻接2个三角形的边为内部边，1个三角形的为边界边，0个三角形的为计算过程中会退化的边，长度限制R取三角网M边长的均值。b.将所有长度大于R的边界边加入队列，并当队列非空时循环下列过程：1.从队列中取出一条边E，得到E的唯一邻接三角形T。2.找到T中另外两个边E1，E2将他们的邻接三角形集合删去T。3.将E1，E2中新形成的长度大于R的边界边加入队列。4.将E置无效标记，若E1，E2有退化的，也置成无效标记。c.收集所有有效的边界边，形成边列表，输出。本发明的有益效果：1、提出了分步提取的思路，由粗到精，兼顾时间效率和实际边界提取精度。2、粗提取阶段充分利用了巡航作业点稠密的分布特性，提出聚集度计算的概念和应用等距压缩算法，有效提升巡航区域自动定位的速度。3、精提取阶段应用基于统计均值信息的alpha-shape凹包边缘求取算法，自动将Delaunay三角剖分得到的不合理三角形进行识别并且删除，并确保了对于不同的三角形网格均具有较强的适应性，边缘提取的准确度大为提高。4、精提取阶段应用直线分区的思想，将点集中可能存在的孔洞切割破开，拆分成若干个无孔洞的连通区域，克服了alpha-shape算法对于带有封闭孔洞的点集边缘提取不准确的缺陷。附图说明图1为粗提取基本流程图。图2为矩形包围盒合并算法流程图。图3为粗提取阶段输出结果示例图。图4为经Delaunay三角剖分后的形成三角网图。图5a和图5b为alpha-shape算法处理后三角形网格图。图6a和图6b为作业区域边界提取结果图。图7a和图7b为测试样例2及边界提取结果图。图8a、图8b和图8c为测试样例3及边界提取结果图。具体实施方式下面将结合附图对本发明做进一步的详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述实施例。本实施例所涉及的一种基于聚集度和Delaunay三角重构的巡回作业区域边界提取方法如下，本实施例利用巡回作业点的附近聚集了大量的巡回作业点这一特性，将感兴趣区域提取过程划分成两个阶段：粗提取阶段和精提取阶段。粗提取阶段完成稠密巡回作业点的所在区域的快速定位，精提取阶段则保证可靠性的前提下对前一阶段处理得到数据区域的边界进行准确提取，以得到较为真实的作业区域轮廓。粗提取阶段利用输入点云数据的聚集度矩阵大致判断出巡回工作点与迁移点，并将迁移点删除，大致定位出数据点稠密区域，有效缩小映射后图片的尺寸，提高图像形态学处理时的效率。粗提取阶段最终输出是若干个包含巡回作业区连通域的矩形包围盒。精提取阶段则是利用Delaunay三角剖分方法将包围盒内的点构造成三角网格的形式，并以三角形的边长统计信息作为基础确定边长阈值，利用alpha-shape凹包边缘求取算法实现对Delaunay三角网络的修剪和边界提取。一、感兴趣区域的粗提取聚集度的计算与优化定义两个数据点相关度：其中d(Pi,Pj)是点Pi、Pj之间的距离，Di、Dj之间的分别是巡航器在Pi、Pj速度方向与参考方向的倾角。某一点的聚集度就用与之高度相关(如Sij>1.5)的数据点总数来衡量，若聚集度超过7，则称该点是具有高聚集度的。基于等距压缩的加速优化算法：粗提取阶段大部分时间耗费在聚集度计算和图像形态学处理上。可以证明，计算某点是否具有高聚集度的最坏时间复杂度是O(n2)，这意味随着处理的数据点增多，用于计算数据点聚集度的时间大为增加。解决上述问题办法是对数据点进行等距离压缩(对于巡航作业点而言，由于附近聚集有大量的巡航作业点，等距压缩后对其影响有限；而对于迁移点，则会放大其分布的分散性，从而更有利于将其区分开来)，每隔m(如m＝2)个间隔取出一个数据点，与等距压缩了p(如p＝3)倍的数据点模板进行相关度和聚集度计算。此时，在同等数据长度条件下，聚集度的平均计算效率变成原来的mp倍，有效加速粗提取过程。考虑到图像形态学本身存在的参数适应性较差问题，最后生成的连通区域可能不是特别理想，因此粗提取阶段只要求出连通区域的矩形包围盒即可。实践表明，原本连通区域在处理过程中即使被不当地肢解成若干块小连通区域，其矩形包围盒仍会存在交叠现象，若将交叉的包围盒合并在一起，则可以有效抑制图像形态学处理导致连通区域肢解问题，保证粗提取定位区域的可靠性。包围盒合并算法用于将连通域的最小包围盒进行整理和汇总，其处理过程如图2所示：以某农机执行深耕作业时所得的GPS测试数据为例，其在粗提取阶段的最终输出结果如图3所示。二、感兴趣区域边界的精提取感兴趣区域精提取过程分成数据点预处理、Delaunay三角剖分和alpha-shape算法求取凹包边界。1、数据点预处理数据点的重映射与压缩：考虑到实际的巡回作业点存在的大量堆积和冗余现象，有必要将数据点进行重新映射，达到压缩数据点的个数、加速Delaunay三角剖分进程的目的。具体方案是，先将包围盒里的数据点按照一定比例(如100m2：1个像素)映射成一幅位图，再对位图中灰度不为零的像素点按照上述比例重新映射回实际数据点。分区：实际巡回作业区域形状除常见的条形实心区域，还存在着大量不规则的空心的孔洞区域。若对其不进行任何处理，势必造成在边界提取的不准确、不全面。解决方案是将包围盒内的数据点用直线分割成若干个区域，直线的选取标准是直线带内所包含的数据点总数最少。记包围盒内某片分区内所有数据点为集合S。2、为点集S求取Delaunay三角网M三角网格以角点表格形式存储——表格共有三列，每一列分别放置三角形的三个角点在S中索引值，该步输出的图形化结果如图4所示。3.利用alpha-shape算法求取点集S凹包的边列表，算法的过程如下：a.为M初始化所有Edge对象，给每个Edge分配一个唯一的ID，并求取Edge的长度以及邻接三角形集合。其中邻接2个三角形的边为内部边，1个三角形的为边界边，0个三角形的为计算过程中会退化的边，长度限制R取三角网M边长的均值。b.将所有长度大于R的边界边加入队列，并当队列非空时循环下列过程：1.从队列中取出一条边E，得到E的唯一邻接三角形T。2.找到T中另外两个边E1，E2将他们的邻接三角形集合删去T。3.将E1,E2中新形成的长度大于R的边界边加入队列。4.将E置无效标记，若E1，E2有退化的，也置成无效标记。c.收集所有有效的边界边，形成边列表，输出。经过alpha-shape算法处理后得到三角形网格如图5a和图5b所示。将边界边整理后输出结果如图6a和图6b所示。在该测试样例中，软件最终计算得到第一块作业区域面积为151亩，第二块为243亩，与人工测量结果相吻合。输入数据总点数为9296，而平均耗时不超过5s，无论从边界提取效果还是效率性能方面，整个算法均表现出了令人满意的结果。此外改用其它分布类型的输入样本进行测试，该算法均同样表现出了极强的适应性，如图7a、图7b、图8a、图8b和图8c所示。除了巡航器作业区域测量领域，本实施例可推广到类似的二维稠密数据点云边界提取实际工程应用中。以上所述，仅为本发明较佳的具体实施方式，这些具体实施方式都是基于本发明整体构思下的不同实现方式，而且本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。当前第1页1 2 3