[发明专利]一种基于降维回归的干舷分割船舶载重线识别方法

说明书

本发明公开了一种基于降维回归的干舷分割船舶载重线识别方法，包括配置信息采集设备，获取船舶点云数据后以csv格式存入存储服务器；Socket读取点云数据，将点云数据进行带通滤波，分离水面点云和船舶点云；拟合水面点云组成的平面，计算水面的高度；对船舶点云进行体素滤波和统计滤波，消除船舶边的杂散点；对滤波后的船舶点云进行降维回归分割，获取干舷点云；获取干舷点云的高度，对比水面点云，获取船舶吃水深度，判断是否超载，干舷点云分割结果更加准确、干舷点云回归结果更接近于船体中心，计算得到的干舷高度更加准确，对几何结构变化的船舶三维点云干舷分割鲁棒性更强，可以对任意吃水情况的船舶进行准确、可靠的船舶超载识别。

技术领域

本发明涉及船舶安全的技术领域，尤其涉及一种基于降维回归的干舷分割船舶载重线识别方法。

背景技术

我国内陆河水网密集，随着科技进步和社会生产力的发展，航运需求迅速增长，随之而来的是超载事件频繁发生，而水上交通事故中90%以上都与船舶超载运输有关，因此对船舶进行有效的超载监测就显得十分重要。传统监测方案主要利用摄像头识别船舶的干舷，通过是否识别到干舷从而判断船舶是否超载，但摄像受天气干扰较大，并且仅仅以干舷存在为判断依据，测量不够精细，因此基于摄像头的船舶超载吃水判断方案抗环境干扰能力差、测量精度低，并不能为监测船舶超载安全提供有效的保障。近年来随着激光雷达的发展，由于其精度高、受环境影响小等优点，已被逐步应用于船舶超载检测方面。

基于激光雷达点云的干舷识别技术其核心在于如何从复杂的点云中，将干舷准确的分割识别出来。所以点云分割结果的好坏直接影响了干舷提取结果的可靠性和准确性。目前三维点云的分割算法已经有了很多研究，如基于超体素的区域聚类算法，通过连通域算法和形态学阈值算法来对目标进行有效的识别，通过神经网络来进行点云分割等。

上述现有算法都是针对特定场景下目标具有稳定特征时的分割算法，却没有考虑到目标点云特征多变的复杂性。随着载重的改变，船舶点云是一个动态变化的点云，这一点是船舶超吃水分割中至关重要的，也是目前分割算法未考虑到的。在实际应用中，船舶点云中干舷点云在侧面看是向下凹的弧形，所以随着吃水深度的增大，船舶三维点云中的干舷点云会有完整干舷点云、间断型干舷点云和完全消失型多种情况，这对船舶干舷特征提取造成了很大的困难，而传统分割算法会在间断型和完全消失型中对干舷进行误提取，出现将分割出的货仓边缘识别为干舷的误判。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有船舶超载监测分割方法存在的问题，提出了本发明。

因此，本发明解决的技术问题是：解决现有分割方法都是针对特定场景下目标具有稳定特征时的分割方法，却没有考虑到目标点云特征多变的复杂性的问题。

为解决上述技术问题，本发明提供如下技术方案：一种基于降维回归的干舷分割船舶载重线识别方法，包括以下步骤：配置信息采集设备，获取船舶点云数据后以csv格式存入存储服务器；读取所述船舶点云数据，将所述船舶点云数据进行带通滤波，分离成水面点云和船舶点云；利用分离出的所述水面点云，采用RANSAC算法拟合所述水面点云组成的平面，将拟合平面上点的高度求平均值，计算得到水面的高度；对所述船舶点云进行体素滤波和统计滤波，消除船舶边的杂散点；对滤波后的所述船舶点云进行降维回归分割，获取干舷点云；获取所述干舷点云的高度，对比所述水面点云，获取船舶吃水深度，判断是否超载；其中，采用RANSAC算法拟合所述水面点云组成的平面，具体包括如下步骤：从所述水面点云中选取出4个点，作为点云代表；获取选取出的4个点之间的平面方程，作为初步拟合平面；获取所有所述水面点云到所述初步拟合平面的距离；统计所有距离小于设定阈值的inliners点个数；定义inliners点个数最多的平面即为拟合出的水面点云平面。