危化品仓储中激光测距的自适应分层聚类去噪算法研究
危化品仓储中激光测距的自适应分层聚类去噪算法研究
作者:刘学君;魏宇晨;袁碧贤;卢浩;戴波;李翠清;
随着危化品仓储安全监测方面相关研究的不断发展,以及大数据、机械化、智能化的到来,借助于传感器获取、计算机分析等方式,对仓储监测等问题的管理呈现出更高的要求,研究者对其重视程度也明显增加.其中激光测距仪扫描所得的相关参数信息具有数字化、清晰化的特点,适用于三维重建等技术,逐渐成为研究热点.而激光扫描所获得的点云,不可避免会含有噪声点,其原因有很多,诸如物体表面粗糙、波纹、平滑;测量系统本身的设备缺陷;实验中步进电机的抖动、固定架的松动以及光线影响等.因此,设计一种自适应分层聚类去噪算法,并总结分析提取公式以使其适用于其他传感器所得数据,诸如超声波探测数据、相机标定离散数据等,同时针对不同场景不同情况完成阈值的自动计算与调整,由易到难逐层聚类去噪.
1.1激光扫描测距简介
危化品仓储激光扫描模块采用激光测距、旋转云台、编码器等装置组合而成,其中激光仪采用650nm激光光源,测距精度为1mm,测距范围为70m,输出功率小于1mW,采样频率为15Hz.把多个激光测距仪有机组合,形成整体激光扫描监控阵列.每个激光测距仪旋转扫描一个平面,激光遇到物体时返回并测得距离,同时编码器记录角度值.
1.2研究方案
传感器测得的数据会受光线、测量面粗糙程度等因素影响,在传输过程中时常包含噪点.而由于无法确定阈值,人们经常使用人机交互的方式去除噪点,大大降低了监测的时间,且不适用于实时性的传输环境.因此,根据传感器测距特点,设计了一种依据不同情境自主调节阈值的算法.
另外,去噪过程中由于噪点位置的不同,不能基于一个阈值整体去噪,故将对噪点的出现情况分层讨论,每一层对初始阈值进行相应的自适应调节,以此聚类样本去除噪声点.为适用于普遍传感器及噪声特点,将层数分为3层,第2节将详细介绍.由于去噪过程产生了大量计算,算法优化极为重要,因此需要计算机分析当前所处环境从而挑选适合的算法进行处理.为达到最优效果,规定后面的去噪算法层会反馈调节前面的去噪算法,以减小去噪时带来的误差.
2自适应分层聚类去噪算法
2.1分层依据及算法概况
基于传感器所得数据中的噪点情况,将单独出现的噪点称为孤立点,小范围集中出现的噪点称为孤立群点.按噪点与正常点距离的远近,可将噪点中的孤立点划分为极大值奇异点、误差点以及极小值奇异点;可将孤立群点划分为极大值奇异群点、误差群点以及极小值奇异群点.依据噪声特点以及分布位置的不同,将噪声分为3层.首先调节阈值大小,并按层次将第一层与第二层归为一类,使用峰值去噪算法迭代去除.将交织在正常点云附近的第三层噪点单独归为一类,使用夹角分段最小二乘拟合算法,逐段将交织的噪点上下平移为一条直线.
2.2初始阈值设定
设置扫描异常点的初始局部阈值,以此进行第一层去噪以及相应阈值调节,完成后续层去噪.根据激光扫描特点可知测量同一水平面激光的最远距离为L2,本实验激光仪测距最远为30m,最近距离为L1,实验编码器的分辨率为n,本实验中n为16384,故在步进电机的控制下激光扫描相邻两点的角度值相差公式.
由于微分变化量极小可将弧长近似看成相邻两点的相差距离,即编码器每转动一次最大两点相差距离.本实验中dmax=0.01047,考虑到奇异点可能小部分集中出现形成群点,故为每1°划分一个范围.
本实验中初始阈值大小N=0.523,针对不同传感器及不同情境可相应调节α的角度以改变权值,本实验中α=1°.求得初始阈值后进行第一类噪点去除.
2.3第一类噪声
第一类噪声包括两层,一般由步进电机的抖动、固定架的松动等器材原因以及光线影响所产生,其数值特点极为鲜明,一般远远偏离被测样本方差且出现量极少,将它称为噪声中的奇异(群)点.按位于实体还原范围的远近,将噪声分为极大值奇异(群)点和极小值奇异(群)点.针对这类噪声的特点,我们将极大值奇异(群)点放置于第一层首先处理,极小值奇异(群)点放置于第二层进行处理.
首先进行第一层去噪,从样本中选取峰值作为参考点,设X1为参考点横坐标值,Y1为参考点纵坐标值,X2为参考点左侧相邻横坐标值,Y2为参考点左侧相邻纵坐标值,通过两点距离公式(4)计算左侧相邻两点相差距离,右侧相邻两点相差距离的计算同理。
若左侧比较距离大于初始阈值则观察右侧情况,若右侧相邻两点比较距离同样也大于初始阈值则标记为噪声进行去除,反之若右侧相邻两点比较后小于阈值范围则将两点归为一类,如图6所示.使用迭代算法将相邻点作为参考点继续重复右侧比较操作,当比较距离大于阈值时将其归于一类的点作为孤立群点去除,反之若右侧相邻两点比较到末尾仍未发现有大于阈值的比较点,则将其归于一类,这些点即为正常点.
监测不同位置时,每转动1°所得的50点数据,经过反复迭代后的方差对比图,其中A处为情境最近监测点,B处为情境最远监测点.可知以选取最值为参考点,依据阈值范围进行的差值迭代比较可明显去除第一类噪声中位于第一层的噪点,即极大值奇异点、极大值奇异群点.
其次,完成第二层去噪算法,此层噪声特点与第一层噪声特点相似,基本都是由于强紫外线等光线影响以及器械抖动等原因产生噪点,使得激光在未达到被测物体或遮挡物时就折射回来,称其为极小值奇异(群)点.根据本类噪声数值小、
若左侧相邻两点距离比较后小于初始阈值则将两点归为一类,使用迭代算法将相邻点作为参考点继续重复左侧比较操作,若相邻两点比较到末尾仍未发现有大于阈值的比较点,无需比较右侧即为正常点,反之出现大于阈值的比较点,则归入参考点进行右侧比较,方法同理.
数量少等特点,同时使用上述所证算法,但本层选取的最小值为参考点,依据阈值范围进行差值迭代去除噪点.由上述算法可知,在选取峰值作为参考点进行迭代比较时,考虑了噪点集中的问题.
改良后双峰法去除第一类噪点的情况.可以明显看出异常点小部分集中出现时,传统差值不能有效去除噪点,尽管有后续层的进一步补救措施,但也极大影响了图像还原的准确度.
2.4第二类噪声
去除完第一类噪声后,剩下样本点包含于正常点及夹杂于正常点周围的误差点,其属于第二类噪声,主要产生原因分为两类:外部原因和内部原因.这类噪声点的去除比第一类更为复杂.
内部噪声可能由于电子元件的光和电的基本性质所引起,如电子或空穴粒子的随机运动形成的散粒噪声或导体中自由电子的无规则热运动所形成的热噪声;也可能由于器材材料本身引起的噪声,如正片和负片的表面颗粒性和磁带磁盘表面缺陷所产生的噪声.
外部噪声即指系统外部干扰以电磁波或经电源串进系统内部而引起的噪声,如电气设备、天体放电现象等引起,而这种噪声可能就是高斯噪声、脉冲噪声等多个噪声合成累计的.综上所述虽然其形式复杂,但仍具有规律特点,即含噪数据由原始正常数据点在某段中附加上随机噪声所形成。
借助上述式子通过求e的极小值可以求出an,从而求出该组数据的最佳拟合函数,该函数使得误差平方和最小.假设经验方程是线性的,那么利用最小二乘法就可得到某一区间内的线性回归,利用此点性质结合上文去噪所得数据加以讨论,使其适用于传感器测距图像还原等领域.
沿用2.1节设置阈值的方法,但为适应本层去噪特点对其进行改进.首先仍将每1°划分为一个范围,即扫描50个点为一个范围。
3实验结果
对于第一类噪点的去除,在选取峰值时使用了以下3种算法进行对比,其中冒泡法遍历峰值的平均时间复杂度为O(n2).加权枚举法即首先随机选取F(x)一点与其他点Y(xi)(i=1,,n)进行比较,选取出比F(x)大的点作为加权点Z(xi)(i=1,,n-m),以此循环反复求解峰值.分治算法遍历是传统冒泡遍历的改良版,将数据一分为二同时冒泡遍历两块,求取两块最大峰值F1(x),故另一点即为Y(x),其后遍历F1(x)一侧数据与Y(x)进行对比,较大者即为F2(x),随后以此类推.
当寻找第一类样本噪点的次数小于10时,可选用普通的冒泡算法,大于10次可使用改良后的冒泡算法,即分治算法遍历.但一般我们无法预知样本噪点情况,所以在样本点不多的情况下使用第一种或第二种均可为自适应分层去噪算法与传统差值算法及传统分段拟合算法的数据对比,可知此类算法能有效保留数据点且恢复被测物体数据.
4结束语
激光扫描等传感器获得的大量数据,除了正常数据点外,还包含了本文所述的个别奇异点以及大量误差点,这些噪点分布的位置不同且特点也不同,因此采用了自适应分层聚类去噪算法.由实验结果可知,该算法可准确去除噪点并还原监测物体位置.与分部拟合算法相比,其细化了阈值的设定并且在拟合前滤除了奇异点等大噪声点的干扰;与差值去噪算法相比,其考虑了噪点集中出现等问题且可由后一层的去噪弥补多去除的正常点和少去除的噪声点.最后做了算法量化比较,使得该算法在成功还原数据的同时极大降低了计算量.
后续应进一步对自适应改变阈值的方法加以讨论和优化,并且需进一步开发人机交互界面,使得在一次输入传感器规格数值后通过读取捕获数据完成自动化去噪传输等后续操作。
本文章转自爱学术(aixueshu.com),如有侵权,请联系删除