基于Ransac算法的多波束點云人工魚礁提取方法

沈 蔚，廖德亮，盧泉水 ，楊智松，崔曉冬，林 軍

(1 上海海洋大學海洋科學學院，上海 201306；2 上海河口海洋測繪工程技術研究中心，上海 201306；3 上海海洋大學海洋生態與環境學院，上海，201306；4 上海海洋大學海洋牧場工程技術研究中心，上海，201306 )

近年來，世界各國保護和改善海洋生態環境的意識不斷提高，以投放人工魚礁為主要工作的海洋牧場建設，已被證實是一種對近海海洋生物棲息地和漁場進行修復的可靠手段，并得到大規模的開展[1-2]。投放人工魚礁作為中國海洋牧場建設的一個重要環節，其投放效果很大程度上決定了海洋牧場建設的成敗，對其進行有效的評估已逐步成為海洋牧場建設基本要求之一。利用聲學探測手段如側掃聲吶、多波束測深、識別聲吶等手段，相較于傳統的潛水攝像和人工探摸，可更加高效和準確地評價人工魚礁的投放效果[3-6]。

實際工作中，利用側掃聲吶探測獲得的人工魚礁二維圖像變形較大，且無法獲得魚礁的高度和內部結構等三維信息，對大量單體魚礁堆砌而成的礁群三維信息更是難以獲取[7]。因此，利用聲吶三維數據進行水下魚礁等目標的識別提取，已成為研究熱點。Sung等[7]提出了一種基于聲吶水下點云的目標分類方法，通過神經網絡來重建物體的三維形狀。 Kim等[8]提出了一種多向掃描策略來改善水下點云和重建結果，還利用了實時三維重建的多邊形近似方法來處理三維點云數據。Spears等[9]利用了聲吶采集了極地冰下的多波束點云數據并進行了地形重建。Menna等[10]利用聯合測量的方式來獲取水上水下物體的三維點云并進行了建模，實現了激光點云和聲吶點云的高效組合。趙剛等[11]使用曲率壓縮和Delaunay三角網方法對水下拋石護岸工程進行了三維水下地形重建。上海海洋大學首次將C3D側掃聲吶系統應用于人工魚礁探測，并進行了人工魚礁自動識別方法的研究，取得了較好的成效[12]。馮東恒等[13]提出了一種顧及水下地形特點的多波束點云去噪算法，實現了水下地形和非地形點的有效分離。劉哲等[14]采用多波束點云對海底管道進行了定位檢測和三維點云重建。

針對多波束聲吶采集的人工魚礁三維點云數據，在多步預處理后，采用隨機抽樣一致算法(random sample consensus，RANSAC)實現海底平面擬合，通過分離人工魚礁和海底平面來實現人工魚礁的識別與提取，從而為下一步的人工魚礁投放效果的量化評估提供三維數據。

1 多波束點云數據

1.1 點云數據的獲取

試驗區多波束點云如圖1所示。

圖1 試驗區多波束點云圖(局部)

多波束聲吶由其換能器陣向水下發射整體呈扇形的窄波束，基于每個波束的角度和斜距計算波束腳點的三維坐標，隨著船只的移動獲得條帶狀的三維點云數據[15]。多波束聲吶，每秒可發射30～50次，每次發射能采集數百到上千個波束腳印的坐標，可快速和準確地繪制海底地形地貌圖。每條多波束數據經過吃水、潮位、聲速改正和姿態校正等一系處理之后，通常導出為條帶狀的三維點云。每個條帶的點云數據，經鑲嵌拼接后成為一個密集的面狀點云，可直觀地表達海底的三維地形。

1.2 點云數據預處理

多波束聲吶采集的數據由于風浪和洋流的影響難免出現大量的噪聲[16-18]，這也是多波束點云區別于陸地激光點云的一個重要特點。因此，對原始點云數據需進行濾波處理，盡量剔除各類噪聲數據，保留水下地形和目標數據，點云濾波流程如圖2所示。

圖2 高質量多波束點云獲取流程圖

為了提人工高魚礁識別的成功率，首先要對多波束點云進行分割，依據地形特征變化的幅度，將岸邊不平坦的非魚礁區分割裁剪掉。

點云濾波可分為人工交互濾波和自動濾波兩類。多波束聲吶采集的點云，每分鐘可多達百萬個，數據量極其龐大，傳統的人工交互濾波，工作效率非常低，急需利用自動濾波軟件算法開展濾波工作。多波束點云中噪聲點通常與地形點之間的距離較大，而水下地形點和魚礁點云較為集中臨近[19-20]。因此，通過設置相應的近鄰點距離和數量閾值，可以實現多波束點云噪聲的自動剔除[21-22]。半徑濾波算法，通過設定半徑閾值r來劃分圓，并設定圓內的點數量閾值n，再計算該半徑r內的臨近點數量N，由此可判斷：

(1)

式中：noise為噪聲點，non-noise為非噪聲點。即當在半徑為r的圓中臨近點數量N小于等于設定閾值時，認為其是噪聲點，否則為非噪聲點。

2 Ransac算法構建

2.1 Ransac算法原理

Ransac算法(Random Sample Consensus,Ransac)可以從包括異常值在內的一組數據中估計出最優的數學模型，因此被廣泛用于直線擬合和平面擬合[23-24]。 Ransac 算法假設數據包含正確和異常數據(或稱噪聲)。正確數據記錄為內點(inliers)，異常數據記錄為外點(outliers)。該算法的中心思想是隨機性和假設性。隨機性是根據正確數據出現的概率隨機選擇抽樣數據，根據大數定律，隨機性模擬可以近似獲得正確的結果。假設性是假設所有選擇的樣本數據都是正確的，通過使用正確數據中滿足問題的模型，計算其他點，然后比較結果，重復迭代，直至獲得最佳的模型。

2.2 基于RANSAC算法的海底面擬合

人工魚礁的選址非常重要，魚礁投放的海底要求寬闊平坦，起伏小，以硬質海底為好[25-29]。數量龐大且集中的非噪聲海底點云，適合利用Ransac算法擬合為一個近似平面。

人工魚礁提取算法流程如圖3所示。

圖3 人工魚礁提取算法流程圖

海底面點云擬合的基本流程如下：

(1)首先從給定的點云數據中隨機抽取三個點，從而生成一個平面方程Ax+By+Cz+D=0，其中A、B、C、D為模型參數。

(2)將該初步擬合方程作用于所有數據，計算各點到平面之間的距離Di,隨后設置閾值D，如果Di≤D,則記為內點(inliers)，否則記為外點(outliers)，并設置內點率為P，記錄內點個數pinliers和外點個數poutliers。

(3)以上整個過程每迭代一次，就有兩個結果：內點數量少于原有模型，舍棄；內點數量大于現有模型，新模型被選用。

(4)重復上述操作，獲得內點數目最多的模型，以確定最優的A、B、C、D參數，從而找到最優的擬合平面。

獲得最優地形平面后，內點集即為海底地形點，外點集即為人工魚礁點，整個算法流程如圖3所示。

2.3 算法參數分析

算法中含有3個閾值參數距離閾值D、迭代次數N、內點率P，參數設置如下：

(1)距離閾值D，該參數主要依據實際測量過程中的經驗進行選擇，本次試驗距離閾值設置為0.5 m?；谙率脚袛嗍欠駷閮赛c：

(2)

(2)迭代次數N，隨機選取K(K≥3)個點，這K個點都是內點的概率為PK(P為內點所占的概率)，那么這K個點中至少有一個為外點的概率為1-PK，N次迭代，每次迭代的都存在外點的概率為(1-PK)N，則至少有一次選擇到內點的概率為1-(1-PK)N，此概率通常要大于或者等于q(q為隨機選取非噪聲點的概率，通常為99%)，由此可得：

1-(1-PK)N≥q

(3)

1-q≥(1-PK)N

(4)

兩邊取對數得：

ln (1-q)≥N·ln (1-PK)

兩邊同時除以ln (1-PK)得：

得到迭代次數N。

(3)內點率P，內點個數占總點數的比例即為內點率，可由如下公式計算：

(5)

反之設外點率為PO，由上式可得：

PO=1-P

(6)

式中：inliers為內點，outliers為外點，Di表示各點到平面之間的距離,m；D為距離閾值；N為迭代次數,次；P為內點率,%；q為隨機選取非噪聲點的概率(≥99%)；K表示隨機選取的點數；pinliers和poutliers分別表示內點個數(個)和外點個數(個)；PO為外點率,%。

3 人工魚礁提取實例

3.1 試驗數據獲取

人工魚礁群三維結構如圖4所示。

本試驗區為浙江嵊泗馬鞍列島附近某人工魚礁區，2017年共計投放11座礁群。其中主體為8座礁群，每個由25個雙層十字形魚礁組成(規格如圖4a)，另有3座沿岸礁群，每個由25個單層十字魚礁組成(規格如圖4b)。

2021年7月開展了魚礁區現場測量，采用挪威出品的Norbit WBMS多波束系統，對礁區進行了全覆蓋測量，所測20個條帶數據之間有一定重疊，銜接完整。通過加拿大出品的CARIS處理分析軟件，對試驗區多波束原始數據進行了一系列處理，生成海底三維點云。

研究區三維海底地形(框內為人工魚礁群)如圖5所示，其中投放的人工魚礁群清晰可見。

圖5 研究區三維海底地形(框內為人工魚礁群)

如圖5所示，本試驗多波束采集原始水深點共計302 216個，平均水深約17.3 m。原始點云數據中噪聲較多，主要集中在測量條帶的邊緣和岸邊地形劇烈變化的岸邊。本試驗，首先將靠近岸邊地形起伏劇烈的區域與平坦的魚礁區進行分割，以便下一步魚礁提取工作。

3.2 提取人工魚礁

3.2.1 整體魚礁提取

基于RANSAC算法對海底面的擬合，得到了最優內點集構成的海底面，同時得到的外點集即為人工魚礁點云，進而實現了人工魚礁的提取，人工魚礁提取效果如圖6所示。

圖6 人工魚礁提取效果圖

圖1為試驗區海底局部三維點云，圖7為其人工魚礁與海底面分離后，保留的人工魚礁點云。試驗結果表明，分離效果良好，但仍存在少量未分離的海底點。

圖7 點云分離效果圖

3.2.2 單體魚礁提取

人工魚礁內部結構復雜，礁體空隙多，單體魚礁的三維形態特征是判斷魚礁投放效果的重要指標之一。本試驗提取的人工魚礁點云，如圖8所示，效果良好，可以用于單體魚礁的評估。

圖8a中綠色點云為魚礁點云，藍色部分為海底點云，分離后的單體人工魚礁點云如圖8b。經測量，本方法提取的單體、雙體十字形魚礁尺寸與實際尺寸一致，形狀輪廓與真實魚礁重合度較高，如圖8c所示，可較好地表達魚礁的三維形態和內部結構，這是當前其他探測手段難以實現的。本方法對于其他形狀的人工魚礁，如回字形、方形、三角形魚礁，只需設置適合的距離閾值即可實現其自動提取，適用性很高。

圖8 單體魚礁點云分離效果圖

3.3 提取精度分析

本研究以專家目視解譯識別到的魚礁為參考值，與Ransac算法自動提取到的人工魚礁結果進行比對，開展試驗精度評價工作。采用目標識別的正確度和完整度指標[30-31]，對魚礁提取的結果進行定量評價，設TP為正確檢測的樣本魚礁數量，FN表示未識別的魚礁，FP為誤檢的魚礁數量，AC為人工魚礁識別的正確度，IN為人工魚礁識別的完整度，公式如下。

(7)

(8)

試驗數據中，目視解譯人工魚礁數量為98個，自動識別的TP為91個、FP為5個、FN為9個，計算得到AC為94.79%，IN為91%。

試驗結果表明，總體識別效果良好，點云形態完整，但仍存在幾個問題：提取的魚礁之中仍有少量海底點，并未完全分離；兩個單體魚礁距離太近被識別為一個魚礁；將其他目標識別為人工魚礁。

4 總結與展望

本研究設計的Ransac算法擬合海底面來分離人工魚礁與海底，經試驗證明，方法操作簡便，可靠性較高，可以高效高精度地自動識別和提取人工魚礁。本方法對于整體和單體人工魚礁都具有較好的識別效果，魚礁識別正確率較高，魚礁提取的三維形態較為完整，研究方法和成果可以用于魚礁的量化評估，具備大規模推廣應用的能力。目前方法仍存在不足，存在多個臨近魚礁群被識別為一個魚礁，以及魚礁點云包含少量海底點的問題，后續研究中，將進一步改進算法，不斷提高魚礁識別準確度。人工魚礁探測與評估，正從人工探摸手段逐步過渡到聲學探測手段為主，目前廣泛采用的二維聲吶圖像識別的方法，僅能提取魚礁的位置和范圍，而三維聲吶點云的識別方法可以準確地提取魚礁的位置、形狀、高度、空方等信息，更加全面準確，有望成為未來魚礁檢測評估的標準手段。

□