0 引言

随着传感器的日益发展，三维扫描技术日益成熟，获取大场景室内外的三维点云数据变得越来越便利[1]，如RIEGL、Trimble及国内中海达公司都具有自主研发的扫描仪，且具备快速采集高精度三维点云数据的能力[2-4].然而，大场景三维点云数据的海量性、复杂性给数据处理带来了巨大的挑战.三维点云的轮廓结构如面、线信息作为三维场景的表征信息，具有降低点云的复杂度且不损失点云的主要信息等优点，已经被应用于点云场景的目标识别、配准及三维重建等领域[5-8].因此，探讨大规模三维点云场景的轮廓信息提取具有重要的意义.

三维轮廓提取与图像处理的线条检测是相关的，在二维图像中，对“线”如果采用更高级别的定义，则使得线条提取会更加困难.尽管Canny边缘检测器已被广泛用于检测和链接相邻的高对比度像素，但结构化线条信息的提取仍然是一个活跃的研究课题，例如在医学成像中的文献[9-10]，立体重建文献[11]和地形图文献[12-14]等，这些研究有一个共同之处，即依赖于假设和验证策略：(i)找到可能位于具有低级图像处理的线上的点；(ii)用最短路径搜索或最小生成树将这些点链接到候选行；(iii)使用提取的上下文特征和CRF型先验来重新评估候选线，并仅保留最佳子集.

1 相关工作

对二维图像处理时，一种可能的解决方案是在二维图像中提取线条特征，然后将它们三角网格化为3D线条.然而，在实践中这种方法很大程度上局限于断开的直线段的“云”[14].如果该问题移动到三维点云时，由于点密度强烈变化且没有规则的邻域结构，则更加困难.一种可行的方法是首先将点云转化为具有通用方法的棱纹网格，然后分析网格以找到轮廓.这种方法倾向于清除锐利的边缘，并将它们与相对较高曲率的较少回旋区域区分开来.实际上，因为从嘈杂的数据中重建曲面通常会利用到平滑曲面的先验技术，为追踪尖锐轮廓的目标提供了可能.目前已有研究者提出了在网格生成之前或期间识别尖锐折痕的解决方案，即线条特征应尽早识别并用于支持曲面建模.但是现有的方法如文献[15]没有考虑远距离的线结构，并且只使用基本的表面特征.因此，很难区分轮廓和高表面粗糙度的区域(例如植被)，这使得它们不适用于户外场景.

近年来在三维点云轮廓提取方面，具有代表的研究主要有：Timo Hackel 2016年提出基于特征提取及分类的方法检测三维点云的轮廓线[4].Lin Yangbin 2015年提出的一种基于多视角投影的线结构提取算法，为三维线结构的提取提供了保证[5].Lin等使用改进的超体素分割算法快速地将原始点云分割成小平面来更好地保持点云的细节及边缘信息[6].在其线结构提取的过程中，边缘点的提取是利用α-shape获得超体素块的边界点，其中剔除相邻且共面体素块的边界点，其余即为轮廓点.然而，这样将使得无邻接的超体素块的边缘点缺失.

例如，当题目说到家庭电路时，学生应该知道此时意味着电压为220V，并且用电器处于并联状态。而在说到用电器正常工作时，意味着用电器上的电压为额定电压，实际的功率要比额定功率低。还有串联电路，电流相等；并联电路，电压相等。这就需要学生在平时的做题过程中多加积累，多总结，在做题时就能够理解题目中的潜在信息。

针对上述问题，本文首先基于三维点云的超体素聚类生成过分割块；其次利用双向最近邻搜索提取不共面相邻超体素分割块间的边缘点，且消除线结构点云的间断点；再利用α-shape提取超体素分割块的边缘点；最后剔除相邻共面的超体素分割块间的边缘点，结合相邻非共面超体素边缘点，即得轮廓点特征.

2 轮廓特征提取原理

2.1 超体素聚类

点云过分割算法(VCCS)(Papon,2013)是二维图像中超像素分割算法(Achanta，2012)在三维中的一个拓展，能够高效地将三维无序点云数据聚类为有意义的局部结构.每个超体素中三维点云数据是相互连通的，且具有相似的几何特征.其算法主要包括构建邻域图，选取空间种子点，特征描述与距离度量，以及迭代聚类.

其中ik为第i个超体素块中的第k个边缘点.

2.1.1 构建邻域图 在体素空间Vr的构建中，考虑共面、共面或边、共面或边或顶点三种情况，邻域定义方式采用三维空间的26个邻域格，即对于给定的体素，3×3×3邻域内的所有体素均为其邻域.然后，利用K-D树高维数据搜索算法，搜索所有中心点落在给定中心点范围内的体素，并构建邻域图，其中，Rvoxel为空间分辨率.具体如图1所示.

在所有体素都赋予标签后，整个点云空间就被过分割为超体素的集合.每个超体素的中心为其包含的所有三维点的坐标均值.将超体素中心作为种子点并重复超体素过分割过程，直到超体素中心点稳定或者达到指定的迭代次数.

  

图1 三种不同邻域定义方式，即6邻域，18邻域以及26邻域

2.1.3 特征描述与距离度量 在3×3×3的邻域内对其每个体素的特征进行描述.该特征描述子主要包含三个成分，可表示为：

I=[x,y,z,L,a,b,IFPFH].

(1)

其中:x,y,z为体素的空间坐标，L,a,b为CIELab空间中的颜色值，FPFH(Fast Point Feature Histogram)(R.B.Rusu,2009)是具有旋转不变性的几何结构特征描述向量.体素的特征描述由三个不同特征空间的成分组成，度量特征间的相似性需要对每一个成分分别进行归一化，如下式：

 

(2)

利用VCCS分割获得三维点云的过分割块集

这种搜索策略有两个重要的优势：(1)只考虑邻域体素，因此构造的超体素不会跨越目标的边界；(2)采用的是广度优先策略，因此从每一个种子点往外扩展的速度是一致的，超体素的尺寸一致.

2.1.4 聚类分割 聚类过程描述如下：从每个种子点开始，首先按(2)式计算种子点与其邻域体素之间的特征距离，并将距离最小的体素赋予与该种子点相同的标签.同时将距离最小体素的邻域体素添加进该种子点的搜索队列.聚类过程采用的是广度优先的搜索策略，即在同一层所有的种子点都要重复上述聚类过程.

舟曲县城和城郊的10个村所在位置是历史上形成的泥石流冲积扇，是河流淤积汇合处，不适宜居住。同时，城市发展缺乏科学规划。随着经济社会的发展，舟曲县人口规模激增，由原来的几千人发展到现在的将近5万人，超过了城市和生态的承载能力。这就警示我们：新型城镇化要进行科学的规划和选址。

2.1.2 种子点选取 选取一定量的种子点来初始化超体素.首先，类似体素空间VR的构造方法，通过给定分辨率Rseed，构建体素空间Vs，其中Rseed>Rvoxel.选取空间VR中与空间Vs的所有非空叶子节点与中心点距离最近的体素为初始种子点.由于噪声、离群点等因素的影响，必须滤除孤立的种子点.对于任一种子点以及给定的搜索半径Rsearch，统计半个搜索体内包含非空体素的数量，如该数量少于设定的阈值，则滤掉该种子点.

2.2 不共面超体素块相交边缘特征提取

其中:Dc和Ds分别表示颜色距离以及空间距离，DHiK表示基于Histogram Intersection Kernel (A.Barla，2003)计算的FPFH特征空间的距离，λ,μ,ε分别用于控制每一个成分在距离度量中的权重，m用于归一化颜色空间的距离度量.

 

其中vi为一个过分割块，N为分割的块数.结合其过分割块具有相似的几何结构，我们考虑提取不共面的相邻过分割块间的边缘关键点.如图2所示，如果过分割块vi的法向量Ni和相邻的过分割块vj的法向量Nj的夹角大于一定阈值T，则利用互为最近邻法检索出该相邻过分割块中的边缘关键点.当vi和vj相邻时,则有

p(ik)=

(3)

本文针对IR-UWB穿墙雷达对动目标的探测问题，分析回顾了IR-UWB穿墙雷达3种不同的动目标检测算法，并利用自行研制的IR-UWB穿墙雷达进行穿墙探测实验。分析了动目标在不同运动状态下的实验数据,以距离历史图给出了实验结果。结果表明，对于指数加权法而言，α取值在[0.75,0.85]范围内，对径向运动、切向运动的探测性能有较大的改善；对于作径向运动的目标，脉冲对消法、指数对消法与积累平均背景对消法都表现出较好的探测性能，但是脉冲对消法在转向时出现目标轨迹丢失；而对于目标切向运动、原地踏步时，指数对消法与积累平均背景对消法具有较好的检测能力。

  

图2 不共面超体素相交边缘关键点提取示意图

2.3 共面超体素块的边缘点特征提取

这里的边缘点定义三维物体表面的边界，因此，要获得三维点云的表面边缘点，需要剔除共面且相邻超体素间连接处的边缘点.首先利用α-shape获得每个超体素的边缘点，再设定阈值T,计算当前超体素边缘点到其所有相邻超体素点云的最近距离，若该距离大于T，则为表面的边缘点，反之剔除.如图3所示，EB即为所要提取的边缘点特征.

  

图3 点云的边界点提取

3 实验与分析

本文实验采用的扫描设备为RIEGL公司VZ1000静态激光扫描仪，实验数据为该设备扫描获得的高精度地面激光三维点云数据.系统环境为Ubuntu14.04，算法采用C++实现，并使用QT 5.7.0+OpenGL实现可视化.算法的运行环境为PC机：CPU为Intel Core(TM)i5-3470(3.2GHZ)，内存为16.0GB.

  

(a)给定一个无序的三维点云(TLS点云)

  

(b)利用VCCS对于其进行聚类生成三维超体素过分割块，其中分辨率r为0.03m，超体素分辨率s为0.4m

  

(c)提取的轮廓特征

  

(d)三维点云场景的轮廓特征区域演示图4 轮廓特征提取过程

何易于勤政爱民，给穷苦百姓拿钱办丧事，请老弱病残吃饭，治理宜昌，三年后“狱无系民，民不知役”。这和他为民拉纤的民本思想是息息相关的，换言之，他始终没有游离于百姓之外，而是和百姓打成一片，想百姓之所想，甘愿替百姓当一名纤夫。

根据提出的轮廓特征提取算法，首先利用VCCS算法对目标点云做聚类分割；其次，利用α-shape提取每个超体素块的边缘点；最后，结合相邻超体素块间的关系，提取户外场景下的三维点云轮廓点.详细过程如图4所示.

如图5所示，利用建筑物点云作为比较测试数据，(a)为原始点云，(b)为利用文献[5]中的方法提取边缘点，给定的阈值为1.8*Factor，其中Factor为点云的平均分辨率，(c)为本文提取的结果.实验表明，图5(b)中结果有线结构中有间断，

而图5(c)中的在扫描视野的相交平面边缘处的点保存连续效果较好.

图6给出了三个不同场景的点云轮廓特征提取结果.它们的点个数分别为(a)4872176个，(b)165514718个，(c)5070218个.(a)为部分建筑物轮廓特征点细节，(b)为植被及台阶的轮廓提取效果，(c)为室内点云场景提取效果.以上效果表明，该算法对于人造物的轮廓特征提取效果较好.

实践中，深圳作为中国改革开放最引人瞩目的区域，依凭有利的海湾资源条件、优美的环境、开放的文化氛围和便捷的交通系统，实现集聚快速发展并崛起为世界名城，深圳也曾一度陷入发展困境，但依靠创新孕育出新的发展思路、新的经济模式、新的用工机制、新的行政管理，吸引了大批信息和人才，实现支柱产业向信息技术、生物技术以及银行金融业和高端服务业的转型升级，成为粤港澳大湾区建设新引擎。

本文关于影响内部控制质量的董事会特征集中分析董事会规模、两职分离、审计委员会设立和董事会独立性四个方面。通过对已有文献的整理和归纳，发现已有研究特别是实证文献关于董事会特征和内部控制质量的分析并没有较为一致的结论，其中有样本选择、变量度量等方面的原因。

从疏附县出发，经过五个多小时的车程，我和同事们第一次来到塔什库尔干县，再徒步到达海拔4000多米的中巴界碑处。这里虽然人迹罕至，但子弟兵常年坚守；虽然自然环境恶劣，但从来不乏爱国守土之士。我们是来这里举行援疆宣誓仪式的！大家并排而立，站在塔什库尔干中巴边界上，倚靠着国门，举起右手，目光如炬，面对五星红旗庄严宣誓。目之所及，是连绵的黄土和尚未消融的白雪，间或有几丛匍匐在雪山脚下的戈壁草；从公路到雪山边，隐约有些小路，牛羊在那里觅食，几间用石头砌成的小屋散落，屋顶上烟囱升起几缕炊烟，此时此刻，天、地、人是如此朴素地融合在一起。我们每一个人的心里，都感到由衷的澄净与圣洁。

  

图5 轮廓特征提取效果比较

  

图6 点云轮廓特征提取效果图

4 结束语

本文提出了一种大场景三维点云的轮廓特征提取方法，该方法根据相邻超体素分割块及之间关系的特性，结合α-shape边缘点检测方法，实现大规模三维点云的轮廓特征提取.该方法原理简单，能够快速计算并检测出边缘关键点.该算法对大场景三维点云的配准、目标识别等处理具有重要意义.

参考文献：

[1] ACHANTA R, SHAJI A, SMITH K, et al. SLIC superpixels compared to state-of-the-art superpixel methods [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence,2012,34(11):2274-2282.

[2] PAPON J, ABRAMOV A, SCHOELER M, et al. Voxel cloud connectivity segmentation-supervoxels for point clouds[C] //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE,2013:2027-2034.

[3] EDELSBRUMMER H, KIRKPATRICK D, SEIDEL R. On the shape of a set of points in the plane[J]. IEEE Transactions on Information Theory,1983,29(4):551-559.

[4] HACKEL T, WEGNER J D, SCHINDLER K, et al. Contour Detection in Unstructured 3D Point Clouds[C]//Computer vision and pattern recognition. New York: IEEE,2016:1610-1618.

[5] LIN Y, WANG C, BILI C, et al. Facet segmentation based line segment extraction for large scale point clouds[J]. IEEE transaction on Geoscience and Remote Sensing,2017,99:1-16.

[6] LIN Y, WANG C, CHENG J, et al. Line segment extraction for large scale unorganized point clouds[J]. Journal of Photogrammetry and Remote Sensing,2015,102:172-183.

[7] RUSU R B, BLODOW N, BEETZ M. Fast point feature histograms (FPFH) for 3D registration[C]. IEEE International Conference on Robotics and Automation, ICRA’09. New York: IEEE,2009:3212-3217.

[8] BARLA A, ODONE F, VERRI A. Histogram Intersection Kernel for Image Classification[C]. International Conference on Image Processing, 2003. New York: IEEE,2003,2:III-513-16.

[9] WANG H, WANG C, LUO H, et al. Object detection in terrestrial laser scanning point clouds based on hough forest[J]. Geoscience and Remote Sensing Letters,2014,11(10):1807-1811.

[10] WONG W T, SHI F Y, SU T F. Thinning algorithms based on quadtree and octree representations[J]. Information Sciences,2006,176(10):1379-1394.

[11] VOSSELMAN G V, MAAS H G. Airborne and terrestrial laser scanning[M]. Caithness, Scotland: Whittles,2010.

[12] YANG B, DONG Z. A shape-based segmentation method for mobile laser scanning point clouds[J]. Journal of Photogrammetry and Remote Sensing,2013,81:19-30.

[13] 卢秀山,黄磊.基于激光扫描数据的建筑物信息格网化提取方法[J].武汉大学学报:信息科学版,2007,32(10):852-855.

[14] 江水,盛业华,李永强.基于车载激光扫描的带状地物表面快速重建[J].地球信息科学,2007,9(5):19-23.

[15] PETRIE G. Mobile mapping systems: an introduction to the technology[J]. GeoInformatics,2010,13(1):32-43.