基于Ransac算法的多波束点云人工鱼礁提取方法

沈 蔚，廖德亮，卢泉水 ，杨智松，崔晓冬，林 军

(1 上海海洋大学海洋科学学院，上海 201306；2 上海河口海洋测绘工程技术研究中心，上海 201306；3 上海海洋大学海洋生态与环境学院，上海，201306；4 上海海洋大学海洋牧场工程技术研究中心，上海，201306 )

近年来，世界各国保护和改善海洋生态环境的意识不断提高，以投放人工鱼礁为主要工作的海洋牧场建设，已被证实是一种对近海海洋生物栖息地和渔场进行修复的可靠手段，并得到大规模的开展[1-2]。投放人工鱼礁作为中国海洋牧场建设的一个重要环节，其投放效果很大程度上决定了海洋牧场建设的成败，对其进行有效的评估已逐步成为海洋牧场建设基本要求之一。利用声学探测手段如侧扫声呐、多波束测深、识别声呐等手段，相较于传统的潜水摄像和人工探摸，可更加高效和准确地评价人工鱼礁的投放效果[3-6]。

实际工作中，利用侧扫声呐探测获得的人工鱼礁二维图像变形较大，且无法获得鱼礁的高度和内部结构等三维信息，对大量单体鱼礁堆砌而成的礁群三维信息更是难以获取[7]。因此，利用声呐三维数据进行水下鱼礁等目标的识别提取，已成为研究热点。Sung等[7]提出了一种基于声呐水下点云的目标分类方法，通过神经网络来重建物体的三维形状。 Kim等[8]提出了一种多向扫描策略来改善水下点云和重建结果，还利用了实时三维重建的多边形近似方法来处理三维点云数据。Spears等[9]利用了声呐采集了极地冰下的多波束点云数据并进行了地形重建。Menna等[10]利用联合测量的方式来获取水上水下物体的三维点云并进行了建模，实现了激光点云和声呐点云的高效组合。赵刚等[11]使用曲率压缩和Delaunay三角网方法对水下抛石护岸工程进行了三维水下地形重建。上海海洋大学首次将C3D侧扫声呐系统应用于人工鱼礁探测，并进行了人工鱼礁自动识别方法的研究，取得了较好的成效[12]。冯东恒等[13]提出了一种顾及水下地形特点的多波束点云去噪算法，实现了水下地形和非地形点的有效分离。刘哲等[14]采用多波束点云对海底管道进行了定位检测和三维点云重建。

针对多波束声呐采集的人工鱼礁三维点云数据，在多步预处理后，采用随机抽样一致算法(random sample consensus，RANSAC)实现海底平面拟合，通过分离人工鱼礁和海底平面来实现人工鱼礁的识别与提取，从而为下一步的人工鱼礁投放效果的量化评估提供三维数据。

1 多波束点云数据

1.1 点云数据的获取

试验区多波束点云如图1所示。

图1 试验区多波束点云图(局部)

多波束声呐由其换能器阵向水下发射整体呈扇形的窄波束，基于每个波束的角度和斜距计算波束脚点的三维坐标，随着船只的移动获得条带状的三维点云数据[15]。多波束声呐，每秒可发射30～50次，每次发射能采集数百到上千个波束脚印的坐标，可快速和准确地绘制海底地形地貌图。每条多波束数据经过吃水、潮位、声速改正和姿态校正等一系处理之后，通常导出为条带状的三维点云。每个条带的点云数据，经镶嵌拼接后成为一个密集的面状点云，可直观地表达海底的三维地形。

1.2 点云数据预处理

多波束声呐采集的数据由于风浪和洋流的影响难免出现大量的噪声[16-18]，这也是多波束点云区别于陆地激光点云的一个重要特点。因此，对原始点云数据需进行滤波处理，尽量剔除各类噪声数据，保留水下地形和目标数据，点云滤波流程如图2所示。

图2 高质量多波束点云获取流程图

为了提人工高鱼礁识别的成功率，首先要对多波束点云进行分割，依据地形特征变化的幅度，将岸边不平坦的非鱼礁区分割裁剪掉。

点云滤波可分为人工交互滤波和自动滤波两类。多波束声呐采集的点云，每分钟可多达百万个，数据量极其庞大，传统的人工交互滤波，工作效率非常低，急需利用自动滤波软件算法开展滤波工作。多波束点云中噪声点通常与地形点之间的距离较大，而水下地形点和鱼礁点云较为集中临近[19-20]。因此，通过设置相应的近邻点距离和数量阈值，可以实现多波束点云噪声的自动剔除[21-22]。半径滤波算法，通过设定半径阈值r来划分圆，并设定圆内的点数量阈值n，再计算该半径r内的临近点数量N，由此可判断：

(1)

式中：noise为噪声点，non-noise为非噪声点。即当在半径为r的圆中临近点数量N小于等于设定阈值时，认为其是噪声点，否则为非噪声点。

2 Ransac算法构建

2.1 Ransac算法原理

Ransac算法(Random Sample Consensus,Ransac)可以从包括异常值在内的一组数据中估计出最优的数学模型，因此被广泛用于直线拟合和平面拟合[23-24]。 Ransac 算法假设数据包含正确和异常数据(或称噪声)。正确数据记录为内点(inliers)，异常数据记录为外点(outliers)。该算法的中心思想是随机性和假设性。随机性是根据正确数据出现的概率随机选择抽样数据，根据大数定律，随机性模拟可以近似获得正确的结果。假设性是假设所有选择的样本数据都是正确的，通过使用正确数据中满足问题的模型，计算其他点，然后比较结果，重复迭代，直至获得最佳的模型。

2.2 基于RANSAC算法的海底面拟合

人工鱼礁的选址非常重要，鱼礁投放的海底要求宽阔平坦，起伏小，以硬质海底为好[25-29]。数量庞大且集中的非噪声海底点云，适合利用Ransac算法拟合为一个近似平面。

人工鱼礁提取算法流程如图3所示。

图3 人工鱼礁提取算法流程图

海底面点云拟合的基本流程如下：

(1)首先从给定的点云数据中随机抽取三个点，从而生成一个平面方程Ax+By+Cz+D=0，其中A、B、C、D为模型参数。

(2)将该初步拟合方程作用于所有数据，计算各点到平面之间的距离Di,随后设置阈值D，如果Di≤D,则记为内点(inliers)，否则记为外点(outliers)，并设置内点率为P，记录内点个数pinliers和外点个数poutliers。

(3)以上整个过程每迭代一次，就有两个结果：内点数量少于原有模型，舍弃；内点数量大于现有模型，新模型被选用。

(4)重复上述操作，获得内点数目最多的模型，以确定最优的A、B、C、D参数，从而找到最优的拟合平面。

获得最优地形平面后，内点集即为海底地形点，外点集即为人工鱼礁点，整个算法流程如图3所示。

2.3 算法参数分析

算法中含有3个阈值参数距离阈值D、迭代次数N、内点率P，参数设置如下：

(1)距离阈值D，该参数主要依据实际测量过程中的经验进行选择，本次试验距离阈值设置为0.5 m。基于下式判断是否为内点：

(2)

(2)迭代次数N，随机选取K(K≥3)个点，这K个点都是内点的概率为PK(P为内点所占的概率)，那么这K个点中至少有一个为外点的概率为1-PK，N次迭代，每次迭代的都存在外点的概率为(1-PK)N，则至少有一次选择到内点的概率为1-(1-PK)N，此概率通常要大于或者等于q(q为随机选取非噪声点的概率，通常为99%)，由此可得：

1-(1-PK)N≥q

(3)

1-q≥(1-PK)N

(4)

两边取对数得：

ln (1-q)≥N·ln (1-PK)

两边同时除以ln (1-PK)得：

得到迭代次数N。

(3)内点率P，内点个数占总点数的比例即为内点率，可由如下公式计算：

(5)

反之设外点率为PO，由上式可得：

PO=1-P

(6)

式中：inliers为内点，outliers为外点，Di表示各点到平面之间的距离,m；D为距离阈值；N为迭代次数,次；P为内点率,%；q为随机选取非噪声点的概率(≥99%)；K表示随机选取的点数；pinliers和poutliers分别表示内点个数(个)和外点个数(个)；PO为外点率,%。

3 人工鱼礁提取实例

3.1 试验数据获取

人工鱼礁群三维结构如图4所示。

本试验区为浙江嵊泗马鞍列岛附近某人工鱼礁区，2017年共计投放11座礁群。其中主体为8座礁群，每个由25个双层十字形鱼礁组成(规格如图4a)，另有3座沿岸礁群，每个由25个单层十字鱼礁组成(规格如图4b)。

2021年7月开展了鱼礁区现场测量，采用挪威出品的Norbit WBMS多波束系统，对礁区进行了全覆盖测量，所测20个条带数据之间有一定重叠，衔接完整。通过加拿大出品的CARIS处理分析软件，对试验区多波束原始数据进行了一系列处理，生成海底三维点云。

研究区三维海底地形(框内为人工鱼礁群)如图5所示，其中投放的人工鱼礁群清晰可见。

图5 研究区三维海底地形(框内为人工鱼礁群)

如图5所示，本试验多波束采集原始水深点共计302 216个，平均水深约17.3 m。原始点云数据中噪声较多，主要集中在测量条带的边缘和岸边地形剧烈变化的岸边。本试验，首先将靠近岸边地形起伏剧烈的区域与平坦的鱼礁区进行分割，以便下一步鱼礁提取工作。

3.2 提取人工鱼礁

3.2.1 整体鱼礁提取

基于RANSAC算法对海底面的拟合，得到了最优内点集构成的海底面，同时得到的外点集即为人工鱼礁点云，进而实现了人工鱼礁的提取，人工鱼礁提取效果如图6所示。

图6 人工鱼礁提取效果图

图1为试验区海底局部三维点云，图7为其人工鱼礁与海底面分离后，保留的人工鱼礁点云。试验结果表明，分离效果良好，但仍存在少量未分离的海底点。

图7 点云分离效果图

3.2.2 单体鱼礁提取

人工鱼礁内部结构复杂，礁体空隙多，单体鱼礁的三维形态特征是判断鱼礁投放效果的重要指标之一。本试验提取的人工鱼礁点云，如图8所示，效果良好，可以用于单体鱼礁的评估。

图8a中绿色点云为鱼礁点云，蓝色部分为海底点云，分离后的单体人工鱼礁点云如图8b。经测量，本方法提取的单体、双体十字形鱼礁尺寸与实际尺寸一致，形状轮廓与真实鱼礁重合度较高，如图8c所示，可较好地表达鱼礁的三维形态和内部结构，这是当前其他探测手段难以实现的。本方法对于其他形状的人工鱼礁，如回字形、方形、三角形鱼礁，只需设置适合的距离阈值即可实现其自动提取，适用性很高。

图8 单体鱼礁点云分离效果图

3.3 提取精度分析

本研究以专家目视解译识别到的鱼礁为参考值，与Ransac算法自动提取到的人工鱼礁结果进行比对，开展试验精度评价工作。采用目标识别的正确度和完整度指标[30-31]，对鱼礁提取的结果进行定量评价，设TP为正确检测的样本鱼礁数量，FN表示未识别的鱼礁，FP为误检的鱼礁数量，AC为人工鱼礁识别的正确度，IN为人工鱼礁识别的完整度，公式如下。

(7)

(8)

试验数据中，目视解译人工鱼礁数量为98个，自动识别的TP为91个、FP为5个、FN为9个，计算得到AC为94.79%，IN为91%。

试验结果表明，总体识别效果良好，点云形态完整，但仍存在几个问题：提取的鱼礁之中仍有少量海底点，并未完全分离；两个单体鱼礁距离太近被识别为一个鱼礁；将其他目标识别为人工鱼礁。

4 总结与展望

本研究设计的Ransac算法拟合海底面来分离人工鱼礁与海底，经试验证明，方法操作简便，可靠性较高，可以高效高精度地自动识别和提取人工鱼礁。本方法对于整体和单体人工鱼礁都具有较好的识别效果，鱼礁识别正确率较高，鱼礁提取的三维形态较为完整，研究方法和成果可以用于鱼礁的量化评估，具备大规模推广应用的能力。目前方法仍存在不足，存在多个临近鱼礁群被识别为一个鱼礁，以及鱼礁点云包含少量海底点的问题，后续研究中，将进一步改进算法，不断提高鱼礁识别准确度。人工鱼礁探测与评估，正从人工探摸手段逐步过渡到声学探测手段为主，目前广泛采用的二维声呐图像识别的方法，仅能提取鱼礁的位置和范围，而三维声呐点云的识别方法可以准确地提取鱼礁的位置、形状、高度、空方等信息，更加全面准确，有望成为未来鱼礁检测评估的标准手段。

□