[发明专利]一种基于点云机器学习的水下物体自动识别系统和方法

说明书

本申请涉及水下物体识别技术领域，尤其涉及一种点云机器学习的水下物体自动识别系统和方法；本申请提供一种基于点云机器学习的水下物体自动识别的技术方案，通过接收多波束测量设备扫描的点云数据，对接收到的所述点云数据进行滤波、边缘检测、重叠的物体合并等一系列处理，根据事先训练的模型文件比对分类，实时检测水底的物体并进行类型识别，可自动发现块石、铁锚、沉船等物体，本申请的技术方案以自动识别的方式代替人工识别，在水下打捞特定目标的作业中，可显著减少工作量，提升工作效率。

技术领域

本申请涉及水下物体识别技术领域，尤其涉及一种点云机器学习的水下物体自动识别系统和方法。

背景技术

水上航行最关注的是航行安全，水下环境复杂，例如，水下有块石、铁锚、沉船等会显著影响航行的安全性。现有技术通常采用多波束水下地形测量技术测量江河湖海的水下地形，目前的多波束技术发展成熟，频率高，通过两个多波束测量探头组成双探头同时测量，可快速获得高密度的水下点云数据，通过人眼观察，即可识别出一些比较明显的水下物体，例如块石、铁锚、沉船等。然而，采用人工识别的方式工作量大、效率低，不能满足当下水上航行的需求。

近年来，基于机器学习的点云识别技术发展迅速，2016年，斯坦福大学的CharlesR.Qi等人在《PointNet:Deep Learning on Point Sets for 3DClassification andSegmentation》一文中提出了PointNet模型,它可以直接对点云进行处理的，对输入点云中的每一个点，学习其对应的空间编码，之后再利用所有点的特征得到一个全局的点云特征。Pointnet提取的全局特征能够很好地完成分类任务，但局部特征提取能力较差，这使得它很难对复杂场景进行分析。2017年Charles R.Qi团队在《PointNet++:Deep HierarchicalFeature Learning on Point Sets in a Metric Space》一文中提出了PointNet++模型,PointNet++是在PointNet基础上改进版本，其核心是提出了多层次特征提取结构，有效提取局部特征提取，和全局特征，能够更加准确的对点云进行分类。

针对目前水下物体识别采用人工识别的方式，有必要开发出一种基于点云机器学习的水下物体自动识别的技术方案。

发明内容

本申请提供基于点云机器学习的水下物体自动识别系统和方法，用以解决现有技术中水下物体识别工作量大、效率低的技术问题。

本申请的实施例提供一种基于点云机器学习的水下物体自动识别方法，包括如下步骤：

S02：接收多波束测量设备扫描的点云数据，当接收到的数据量达到某一阈值，则将扫描的数据进行统计滤波处理；

S04：将滤波后的数据照垂直投影到二维图像上，并按照高程赋色，形成扫描区域的二维图像；

S06：采用canny算子对二维图像进行边缘检测，获取物体边界，并对边界求凸包以保证物体边界为封闭边界；

S08：对获得的物体边界进行拓扑检测，将存在重叠的物体合并；

S10：利用边界对点云数据进行选择，同一个边界内的点云数据即为构成同一个物体的点云数据；

S12：根据构成同一个物体的点云数据计算所述同一个物体的基本特征参数，按照设置的条件以及计算出的所述基本特征参数对所述构成同一个物体的点云数据进行过滤；

S14：将过滤后的点云数据传递给利用PointNet++神经网络已训练完成的点云分类模型中，对过滤后的点云数据进行分类。

进一步地，其特征在于，还包括在步骤S02之前的连接多波束测量设备步骤。

进一步地，所述接收多波束测量设备扫描的点云数据还包括根据船的姿态数据和潮位数据对点云数据进行修正，接收到的点云数据是修正后的点云数据。