基于自適應(yīng)半徑濾波的農(nóng)業(yè)導(dǎo)航激光點云去噪方法研究

畢 松 王宇豪

(北方工業(yè)大學電氣與控制工程學院， 北京 100041)

0 引言

激光雷達具有測量精度高、探測距離遠、實時性高、受光照等外界環(huán)境因素影響小等優(yōu)點，能夠提供大范圍、高分辨率的實時距離信息，在農(nóng)業(yè)機械自動導(dǎo)航研究中得到廣泛應(yīng)用[1-2]。激光雷達在農(nóng)業(yè)種植園工作時，容易受到失落信息和逸出值干擾[3]，從而使激光雷達輸出的原始點云數(shù)據(jù)存在與實際數(shù)據(jù)不一致的噪聲數(shù)據(jù)。由失落信息和逸出值導(dǎo)致的噪聲將降低點云特征提取和特征匹配的精度[4]，從而降低目標感知和生成導(dǎo)航路徑的可靠性。因此對原始點云去噪是保證點云后續(xù)處理的必要也是關(guān)鍵的步驟，同時去噪的效果直接影響了點云數(shù)據(jù)分析的準確性[5]。

點云去噪受到國內(nèi)外學者關(guān)注，提出了基于點云數(shù)據(jù)特征、基于圖像分析以及基于鄰域分析等的去噪方法[6-16]。已有研究成果對特定環(huán)境或模型具有較好的適應(yīng)性，但種植園機器人工作環(huán)境相對復(fù)雜，需探測的尺度變化較大，使得點云密度整體差異較大，導(dǎo)致以上算法均有不適用之處[17-18]。

種植園機器人工作場景可分為密集種植環(huán)境和非密集種植環(huán)境，此場景相對復(fù)雜多變且規(guī)模龐大。在密集種植場景中，激光點云呈連續(xù)立面狀；在非密集種植場景中，激光數(shù)據(jù)表現(xiàn)為若干點云簇。對于不同種植模式，其點云簇形態(tài)差異較大，單一去噪?yún)?shù)難以適應(yīng)不同種植模式中的點云去噪要求，而相同種植模式下去噪?yún)?shù)相似。因此，需通過判定種植模式從而選擇合適的去噪?yún)?shù)。在上述場景中，激光點云具有密度差異大、噪聲隨機性強等特點[19-20]，其噪聲主要來自無目標處產(chǎn)生的失落信息，以及目標邊緣帶來的逸出值。同時，農(nóng)業(yè)機器人的激光雷達數(shù)據(jù)分析結(jié)果用于機器人的導(dǎo)航、避障等實時任務(wù)，因此點云去噪算法應(yīng)具有較高的計算效率。

因此，本文提出自適應(yīng)半徑濾波的激光點云去噪方法，該方法主要由種植模式判定器和動態(tài)半徑濾波器組成。種植模式判定器用于識別種植方式，并將場景類別信息傳遞至動態(tài)半徑濾波器。濾波器先根據(jù)場景類別讀取相應(yīng)的去噪?yún)?shù)；然后，根據(jù)目標點到原點的歐氏距離設(shè)計該點的濾波半徑；最后，處理完成所有信息點后輸出去噪結(jié)果。

1 自適應(yīng)半徑濾波器結(jié)構(gòu)

本文提出的自適應(yīng)半徑濾波器由點云圖像轉(zhuǎn)換器、種植模式判定器和動態(tài)半徑濾波器組成。由于激光點云通常呈無序排列，其處理速度相對較慢，而圖像數(shù)據(jù)通常為多維矩陣，處理方法更加多樣且高效，更適用于場景分類。濾波器結(jié)構(gòu)如圖1所示。

如圖1所示，自適應(yīng)半徑濾波器首先利用點云圖像轉(zhuǎn)換器將從激光雷達中獲取的原始點云數(shù)據(jù)轉(zhuǎn)換為二值圖像。其次，場景判定層根據(jù)二值圖像判斷當前種植模式，并將場景類別信息傳遞至下一層。最后，點云去噪層將根據(jù)點云密度去噪，當處理完所有信息點，輸出去噪結(jié)果。自適應(yīng)半徑濾波器周期運行，從而使該模型對種植模式變化的場景具有良好的適應(yīng)性。

2 種植模式判定器

種植園機器人運行過程中，數(shù)據(jù)采集角度和位置均具有較大的不確定性，且各種植園的株距行距不盡相同，導(dǎo)致激光雷達可探測的范圍不同。機器人在上述條件作業(yè)時，激光點云及其二值圖的特征變化明顯，難以用單一特征判別種植模式。

目前，大部分傳統(tǒng)的特征提取方法提取的特征相對較淺，如HOG特征、SIFT特征、顏色特征、局部二值特征等，基于傳統(tǒng)特征的分類器適用于某些特定場景。在復(fù)雜多變的場景中，表現(xiàn)并不理想，難以滿足種植模式的分類需求。

深度卷積神經(jīng)網(wǎng)絡(luò)具有模型層次深、特征表達能力強的特點，能自適應(yīng)地從大規(guī)模數(shù)據(jù)集中學習當前任務(wù)所需要的特征表達，廣泛應(yīng)用于圖像分類問題。因此，本文采用深度卷積神經(jīng)網(wǎng)絡(luò)作為種植模式判別器。卷積神經(jīng)網(wǎng)絡(luò)以轉(zhuǎn)換后的二值圖像為輸入，判斷并輸出其種植模式。

由于該方法應(yīng)用于實時性較高的場景，所以，在輕量化模型MobileNetV2[21]的基礎(chǔ)上，本文重新調(diào)整并精簡了瓶頸層(Bottleneck)結(jié)構(gòu)和卷積核數(shù)量，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2中，Conv3BN為3×3卷積正則化層，Conv1BN為1×1卷積正則化層，DWConv3BN為深度可分離卷積正則化層，卷積核尺寸為3，深度可分離卷積能顯著降低參數(shù)量和運算量，在輕量化網(wǎng)絡(luò)中廣泛使用[23]。首先，二值圖經(jīng)過卷積正則化層提取3幅尺寸為112×112的特征圖，之后經(jīng)過瓶頸層和瓶頸殘差層[21]提取更高維特征。為使網(wǎng)絡(luò)更加高效，在網(wǎng)絡(luò)中主要使用深度可分離卷積提取特征。此外，在網(wǎng)絡(luò)中加入殘差模塊，此方法可有效抑制梯度消失和梯度爆炸問題。在網(wǎng)絡(luò)末端，將64幅7×7特征圖進行全局池化，轉(zhuǎn)換為特征向量，由于共有密集種植和非密集種植兩個類別，因此，經(jīng)全連接層變換為含有兩個元素的一維向量。

本文在訓練階段利用Softmax分類器將預(yù)測類別與標簽類別比較得到其交叉熵損失，進而使用適應(yīng)性矩估計算法(Adaptive moment estimation algorithm，Adam)優(yōu)化損失函數(shù)使其收斂。在推理階段，神經(jīng)網(wǎng)絡(luò)輸出當前圖像所屬標簽，即當前種植模式，讀取預(yù)置的去噪?yún)?shù)后，將兩類信息傳遞至動態(tài)半徑濾波算法，從而有針對性地抑制不同種植模式下的點云噪聲。

3 點云去噪方法

基于半徑濾波的點云去噪方法具有處理速度快、通用性強、去噪效果穩(wěn)定的優(yōu)點而得到廣泛應(yīng)用[22]，但該類方法對于密度差異較大的點云數(shù)據(jù)，存在去噪不完全或者細節(jié)損失較嚴重的缺點，從而限制了該類方法在戶外點云去噪的應(yīng)用。由于目標點距離和點云密度存在相關(guān)關(guān)系，本文根據(jù)目標點到原點的歐氏距離設(shè)計該點的濾波半徑，從而實現(xiàn)與密度相適應(yīng)的動態(tài)半徑濾波器。

3.1 半徑濾波

半徑濾波的基本原理是考察點云中以某個點為中心的指定半徑空間范圍內(nèi)相鄰點的數(shù)量作為判斷該點是否為孤立點的依據(jù)[12-13]。若相鄰點數(shù)量大于等于指定閾值，則該點為非孤立點并予以保留，反之為孤立點予以去除。半徑濾波示意圖如圖3所示，圖中點云密度相對一致，設(shè)定近鄰數(shù)量為N，數(shù)據(jù)點Ai為中心、r為半徑的鄰域內(nèi)的實際近鄰數(shù)目為ni。當ni≥N時，保留數(shù)據(jù)點Ai；反之，則刪除該點。

圖3中，當指定至少有2個近鄰，即N=2時，只有點A1被刪除；如果指定N=3時，則A1和A3都被刪除。

3.2 動態(tài)半徑濾波

半徑濾波方法的效果與選取的半徑參數(shù)相關(guān)，而半徑參數(shù)與區(qū)域點云密度相關(guān)。若探測范圍內(nèi)點云密度相對均勻，則根據(jù)點云密度可選取適當?shù)陌霃絽?shù)；若點云密度差異較大，則應(yīng)根據(jù)點云密度動態(tài)改變?nèi)ピ氩僮鞯陌霃健?/p>

單位矩形內(nèi)的點云平均間距是衡量點云密度的重要指標，平均距離越大，點云密度越低；點云間的平均間距越小，點云密度越高。單位矩形T中，點云數(shù)量、平均間距和點云密度計算公式為

(1)

(2)

ρ=-s+c

(3)

式中m——單位矩形的點云數(shù)量，個

s——點云的幾何平均間距，m

ρ——點云密度，m

h——單位矩形高，m

w——單位矩形寬，m

l——激光雷達與單位矩形的距離，m

rh——水平方向激光雷達的角分辨率,(°)

rv——垂直方向激光雷達的角分辨率,(°)

c——點云的單位間距，幾何意義為單位面積內(nèi)僅有單個點云時的平均間距，m

計算方法對應(yīng)示意圖如圖4所示。

基于公式(1)～(3)，研究變量rh、rv、l和點云間距s、點云密度ρ之間的關(guān)系，文中采用等邊單位矩形，即h、w相同。單位矩形垂直于激光雷達中心O與y軸的延長線上，且矩形中心O′與Oy共線，四者關(guān)系如圖5～7所示。

由圖5～7可知，平均間距s隨距離l增加而增加，點云密度ρ隨之降低，在近距離區(qū)域，點云密度ρ加速降低，其他區(qū)域的點云密度ρ與距離l呈近似線性負相關(guān)。

經(jīng)理論分析可知：理想條件下，當單位矩形與激光雷達的距離為0時，點云密度達到最大值，即ρ=1 m；當點云密度等于0時，單位矩形內(nèi)的點云處于消失的臨界。

距離l相同的條件下，激光線越密集，分辨率越高，角分辨率rv、rh數(shù)值越小，平均間距s越小，表明具有更高的點云密度ρ。由于等邊矩形的h、w相同，根據(jù)式(1)、(2)可知，此條件下的rv、rh具有對稱性，例如，rv=0.1°、rh=0.2°與rv=0.2°、rh=0.1°兩種條件下的點云密度ρ一致。為進一步研究點云密度與距離的關(guān)系，對式(3)進行求導(dǎo)，點云密度變化率的計算公式為

(4)

ρ′(l)與l的關(guān)系曲線如圖8所示。

分析圖7、8可知，在激光雷達附近區(qū)域(半徑1.5 m內(nèi))的點云密度變化率ρ′(l)逐漸減小，點云密度緩慢降低(圖7)；在半徑1.5 m以外區(qū)域，點云密度變化率ρ′(l)無明顯變化，近似為常數(shù)，點云密度ρ(l)與距離l可近似為線性負相關(guān)。

綜合以上分析，除激光雷達附近的點云外，其他區(qū)域的點云密度近似線性減小。激光雷達常用于較遠距離點云信息的獲取，點云密度非線性變化的區(qū)域集中在激光雷達附近，所占比重較低，而且本文所用激光雷達的探測范圍為0.4～28 m，在此區(qū)域點云密度近似線性變化。

激光雷達輸出點云密度隨目標點距離增大而減小，其點云密度分布示意圖如圖9所示。

由圖9可知，近距離區(qū)域和遠距離區(qū)域的點云密度差異較大，點云密度與探測距離近似線性負相關(guān)，點云噪聲密度分布同樣符合以上特性，A1、A2、A3以r為半徑的鄰域內(nèi)分別具有1、4、15個近鄰，其數(shù)量差異明顯，由于半徑濾波參數(shù)固定，在場景中，容易出現(xiàn)過度去噪或噪聲殘留問題，實際效果并不理想。

降低點云密度變化的影響是提高去噪準確性的關(guān)鍵方法之一。點云距離激光雷達越遠，其密度越稀疏，濾波半徑應(yīng)增大。本文根據(jù)目標點到原點的歐氏距離設(shè)計該點的濾波半徑，從而有效地避免了密度對濾波過程的影響，為降低算法時間和空間復(fù)雜度，將濾波半徑與探測距離視作線性相關(guān)，濾波半徑計算公式為

ri=Kdi

(5)

(6)

式中ri——濾波半徑

di——目標點與原點的歐氏距離，本文中激光雷達所在位置為原點

K——濾波半徑相關(guān)系數(shù)

xi、yi、zi——目標點的歐氏坐標

動態(tài)半徑濾波的具體步驟如下：①根據(jù)場景類別初始化濾波參數(shù)：濾波半徑相關(guān)系數(shù)K和近鄰點數(shù)量N，其中，K為目標點歐氏距離的縮小比例，K越大，則濾波半徑越大，K越小，則濾波半徑隨之減??；N為近鄰數(shù)量，當鄰域內(nèi)的點云數(shù)目小于N時，刪除該點；反之，則保留數(shù)據(jù)點。②依據(jù)式(5)、(6)計算某目標點去噪?yún)?shù)：歐氏距離di和濾波半徑ri。③統(tǒng)計濾波半徑ri內(nèi)的近鄰點數(shù)ni，若ni小于近鄰點數(shù)量N，則該點為離群點，刪除該點；否則予以保留。當按上述步驟遍歷所有目標點后，完成當前數(shù)據(jù)幀處理。

本文提出的噪聲去除方法的偽代碼如下：

Algorithm自適應(yīng)半徑濾波方法

Input: 原始點云

Output: 去噪后的點云

while 接收到完整點云數(shù)據(jù)幀 do

轉(zhuǎn)換 原始點云 為 二值圖;

場景類別←改進MobileNetV2 (二值圖);

動態(tài)半徑濾波器(K1,N1, 原始點云);

else

動態(tài)半徑濾波器(K2,N2, 原始點云);

end

function動態(tài)半徑濾波器(K,N, 原始點云)

fori←1 to 點云數(shù)量 do

ri←Kdi

if 以pi為中心、ri為半徑的鄰域內(nèi)的點云數(shù)量小于Nthen

刪除該點;

else

保留該點;

end

end

4 試驗

4.1 試驗設(shè)計

為保證數(shù)據(jù)集能夠較好地反映自然條件下樹林的真實特點，分別在蘋果種植園、白楊樹林和旱柳樹林進行試驗，點云采集設(shè)備為北醒光子CE30-D固態(tài)面陣激光雷達，其固有參數(shù)為：探測范圍0.4～28 m，視場角60°×4°，分辨率320像素×20像素。此類場景中，激光雷達主要受到兩類噪聲的干擾：天空、樹行盡頭等無目標處產(chǎn)生的失落信息；樹干、樹枝等目標邊緣產(chǎn)生的逸出值。試驗場景及其噪聲來源具有較強的代表性，且包含的信息復(fù)雜程度與農(nóng)業(yè)自動導(dǎo)航機器人的一般工作環(huán)境相似。

同時，為驗證算法有效性，將本文去噪方法與點云庫(PCL)中的統(tǒng)計濾波、半徑濾波進行對比測試，試驗平臺為Intel(R) Core(TM) i7-6850K CPU，3.60 GHz，NVIDIA 1080Ti×4 GPU，32 GB RAM，500 GB SSD。

4.2 種植模式判定器

本文共收集1 083幅點云數(shù)據(jù)，其中，477幅來自采用密集矮化種植的蘋果園，在胸高位置，密集種植的植株間不存在明顯間隙；285幅來自非密集種植的白楊樹林，321幅來自非密集種植的旱柳樹林，在此種植條件下，植株間在胸高位置存在明顯間隙。

訓練神經(jīng)網(wǎng)絡(luò)時，先將點云數(shù)據(jù)轉(zhuǎn)換成俯視視角的二值圖像，點云轉(zhuǎn)二值圖平均耗時為每幅圖像0.312 ms。數(shù)據(jù)集的60%作為訓練集，20%作為驗證集，20%作為測試集。

配置網(wǎng)絡(luò)超參數(shù)如下：批處理量為128幅，學習率為0.05，Adam優(yōu)化器，同時，模型訓練過程中，使用隨機旋轉(zhuǎn)的方法增強數(shù)據(jù)。采用邊訓練邊評估的方式，共訓練1 000周期，過程的平均損失值、訓練集精確率和驗證集精確率如圖10所示。

由于訓練集和驗證集存在差異性，且訓練初期的模型參數(shù)變化明顯，因此，驗證集精確率呈波動上升趨勢，如圖10c所示。本文為抑制模型過擬合現(xiàn)象，在訓練時隨機旋轉(zhuǎn)數(shù)據(jù)集角度，增加訓練數(shù)據(jù)的復(fù)雜性和多樣性，提高訓練集和驗證集的差異，導(dǎo)致驗證集確率曲線波動更加明顯。隨著訓練周期的增加，模型參數(shù)逐漸收斂，分類能力趨于穩(wěn)定。

訓練至702周期時，分類器在訓練集的精確率為0.99，驗證集的精確率為0.98，綜合效果較好，僅使用CPU的條件下，推理速度平均為每幀7.51 ms；如果使用GPU，推理速度為每幀7.04 ms。測試結(jié)果如圖11所示。

4.3 去噪性能評價

本文從去噪耗時、聚類精確率、聚類召回率和F1分數(shù)4個維度評價算法性能。將去噪后的點云進行密度聚類(Density-based spatial clustering of applications with noise，DBSCAN)，聚類結(jié)果包含3類信息：噪聲點云簇、目標點云簇和未被聚類點云。將聚類結(jié)果的精確率(Precision)、召回率(Recall)和F1分數(shù)作為去噪效果的評估指標。

由于蘋果種植園采用密集矮化的種植方法，點云數(shù)據(jù)呈連續(xù)的立面狀，不適合采用聚類分析方法，因此，本文采用結(jié)合圖像分析算法的分析方法。

4.4 去噪結(jié)果分析

點云去噪不僅應(yīng)準確去除遠處、近處和物體邊緣的噪聲，而且目標點云簇的細節(jié)和特征應(yīng)被充分保留，為聚類、識別和融合等操作奠定基礎(chǔ)。由于點云去噪為不可逆操作，因此本文在整定去噪?yún)?shù)時，以保留充足的信息量為原則，兼顧去噪效果和目標細節(jié)。

經(jīng)過試驗分析，3種方法去噪效果較好的參數(shù)設(shè)置如表1所示。

表1 去噪?yún)?shù)設(shè)置Tab.1 Denoising parameters setting

4.4.1蘋果種植園試驗結(jié)果

試驗地點為北京市昌平區(qū)蘋果種植園，該果園采用矮化密植的種植模式，株行距為1 m×3 m，如圖12所示。

在圖12所示的場景中，點云噪聲主要來自兩方面：枝葉邊緣帶來的逸出值，如圖13a的虛線框所示；部分激光束穿過枝葉間隙到達無目標處，帶來失落信息，表現(xiàn)為近距離密集噪聲，如圖13a的實線框所示。去噪方法應(yīng)有效抑制目標邊緣的逸出值和近距離密集噪聲，且保留豐富的點云信息。

圖13b為統(tǒng)計濾波結(jié)果，近距離區(qū)域存在大量密集噪聲；在遠距離區(qū)域內(nèi)，行兩側(cè)的點云細節(jié)有所丟失。圖13c為半徑濾波結(jié)果，稀疏離群點被有效去除，但近距離區(qū)域存在較多密集噪聲，而且兩側(cè)的點云信息損失嚴重。圖13d為本文提出的自適應(yīng)半徑濾波試驗結(jié)果，稀疏離群點、密集噪聲被有效去除，激光雷達前方幾乎不存在密集噪聲，兩側(cè)點云細節(jié)保留完整。

綜合比較以上去噪結(jié)果，本文提出的自適應(yīng)半徑濾波不僅去除了更多密集噪聲，而且細節(jié)更豐富。

4.4.2白楊樹林試驗結(jié)果

試驗地點為山西省太原市尖草坪區(qū)的白楊樹林，株行距為3 m×3 m，如圖14所示。

在圖14所示的場景中，噪聲主要來自兩方面：分布在樹干邊緣的逸出值；林間無目標處的失落信息，表現(xiàn)為近距離密集噪聲，兩種噪聲均應(yīng)被算法明顯抑制。逸出值和密集噪聲原始點云數(shù)據(jù)如圖15a所示，圖15中一種顏色代表一個經(jīng)DBSCAN聚類的點云簇，黑色點云為未能聚類的點。

圖15b和圖15c為統(tǒng)計濾波和半徑濾波試驗結(jié)果，兩種方法均可有效抑制離群噪聲和拖點，但近距離區(qū)域內(nèi)存在大量密集噪聲。圖15d為本文提出的自適應(yīng)半徑濾波試驗結(jié)果，稀疏離群點、密集噪聲和目標周圍的拖點被有效去除，在遠距離區(qū)域，目標細節(jié)和數(shù)量保留較完整。

綜合比較以上去噪結(jié)果，半徑濾波和統(tǒng)計濾波能有效去除明顯離群點和少量密集噪點，但對于密度差異較大的長距離激光點云，噪聲去除率較低。本文方法可有效抑制不同密度中的噪聲，且目標特征保留較完好。

4.4.3旱柳樹林試驗結(jié)果

試驗地點為山西省太原市尖草坪區(qū)旱柳樹林，株行距為3.5 m×3.5 m，如圖16所示。

圖16所示的場景中均勻種植著旱柳樹，與白楊樹相比，此樹種的胸徑較細，更容易損失目標信息，去噪難度相對更大。圖17a為原始點云，噪聲來源與白楊樹林一致，但由于樹木分布更加稀疏，林間無目標處的失落信息更多，算法應(yīng)有效去除散布在樹木周邊的逸出值和近距離的密集噪聲。

圖17b和圖17c為統(tǒng)計濾波和半徑濾波試驗結(jié)果，兩種方法均可有效抑制離群噪聲和拖點，但近距離區(qū)域內(nèi)存在大量密集噪聲，半徑濾波在遠距離區(qū)域目標數(shù)量和細節(jié)相對更少。圖17d為本文提出的自適應(yīng)半徑濾波試驗結(jié)果，稀疏離群點、密集噪聲和目標周圍的拖點被有效抑制，目標數(shù)量和細節(jié)損失更少。

綜合比較3種去噪方法，由于半徑濾波和統(tǒng)計濾波參數(shù)固定，容易出現(xiàn)細節(jié)損失和噪聲殘留的問題，本文方法根據(jù)點云密度動態(tài)調(diào)整去噪?yún)?shù)，可有效抑制不同點云密度中的噪聲，且目標特征保留相對完整。

4.4.4量化分析

點云的噪聲數(shù)量直接影響聚類或識別的精度，經(jīng)過去噪的點云有利于提升聚類的精確率和召回率。首先，對原始數(shù)據(jù)依次用統(tǒng)計濾波、半徑濾波和本文提出的自適應(yīng)半徑濾波進行去噪，并統(tǒng)計去噪時間，本文方法的去噪時間由3部分組成：點云轉(zhuǎn)換圖像、神經(jīng)網(wǎng)絡(luò)推理和自適應(yīng)半徑濾波；其次，針對白楊樹林和旱柳樹林原始數(shù)據(jù)和濾波結(jié)果，依次進行DBSCAN聚類，計算其精確率、召回率和F1分數(shù)。由于蘋果種植園采用密集種植方法，點云呈連續(xù)的立面狀，不適合做聚類分析。白楊樹林和旱柳樹林的聚類真值如圖18所示。

圖18中的矩形框中為目標點云簇，白楊樹林和旱柳樹林的聚類真值分別為20和22，其余部分為點云噪聲或信息量很少的點云。結(jié)合圖15和圖17中的聚類信息，計算精確率、召回率和F1分數(shù)，結(jié)果如表2所示。

表2 不同方法的去噪結(jié)果Tab.2 Denoising results of different method

綜合比較統(tǒng)計濾波、半徑濾波和本文提出的自適應(yīng)半徑濾波3種點云去噪方法，由表2可知，本文方法可顯著提升DBSCAN聚類精確率和召回率。表明基于目標點距離，設(shè)置動態(tài)濾波半徑的方法有效，不僅更加有效地抑制噪聲，而且保留了更豐富的目標信息，可明顯提高聚類效果，為點云的后續(xù)處理提供了更有效的數(shù)據(jù)。

此外，與點云庫中的半徑濾波和統(tǒng)計濾波相比，本文方法的去噪時間(已包含神經(jīng)網(wǎng)絡(luò)分類時間)并未明顯增加。一方面，由于以上算法均基于鄰域分析，去除鄰域中點云的數(shù)量越多，算法迭代次數(shù)越少，耗時越短，本文方法的噪聲去除率更高，因此，去噪耗時更短。另一方面，本文優(yōu)化了神經(jīng)網(wǎng)絡(luò)模型，使網(wǎng)絡(luò)模型更加符合使用條件，通過合理地裁剪卷積層、廣泛使用深度可分離卷積、減少池化層等方式，不僅取得了較高的算法效率，而且保證了網(wǎng)絡(luò)的分類精度。

4.4.5綜合分析

在蘋果種植園、白楊樹林和旱柳樹林等大場景中，點云密度相差較大，本文中的數(shù)據(jù)點間平均距離相差約70倍，而半徑濾波、統(tǒng)計濾波的參數(shù)固定，不能根據(jù)點云密度動態(tài)調(diào)整，去噪效果容易受到點云密度、數(shù)據(jù)點間距的影響，實際效果并不理想。

經(jīng)分析，在密集種植和非密集種植場景中，激光點云的形態(tài)特點差異較大，通常需要采用多組去噪?yún)?shù)，本文通過提前預(yù)置參數(shù)并使用神經(jīng)網(wǎng)絡(luò)分類器的方式，有效地提升了方法的適應(yīng)性。

本文提出動態(tài)半徑濾波器，利用點云密度與探測距離近似負相關(guān)的特性，根據(jù)目標點到原點的歐氏距離，有針對性地設(shè)計該點的濾波半徑，從而有效地避免了點云密度差異對去噪的影響，實現(xiàn)有效抑制噪聲的同時，保留更加豐富的場景細節(jié)。

該方法共有2個參數(shù)：近鄰數(shù)量和濾波半徑相關(guān)系數(shù)。近鄰數(shù)量相同時，增大濾波半徑相關(guān)系數(shù)，噪聲去除能力有所減弱；在濾波半徑相關(guān)系數(shù)一定時，適當增大最小近鄰數(shù)可提升濾波效果。經(jīng)試驗：在密集種植場景，點云呈連續(xù)面狀，選擇較多的近鄰數(shù)量和較大的濾波半徑相關(guān)系數(shù)有利于保持點云特征并提高去噪效果；而在非密集種植場景，激光數(shù)據(jù)表現(xiàn)為若干點云簇，近鄰數(shù)量較多且濾波半徑相關(guān)系數(shù)較大時，目標信息損失較少，噪聲抑制效果更加顯著。

綜上所述，本文提出的自適應(yīng)半徑濾波不僅能有效去除稀疏離群噪聲，而且對密集噪聲、目標周圍的噪聲同樣有較明顯的抑制效果。此外，與半徑濾波和統(tǒng)計濾波相比，耗時基本一致，具有較高的實時性，可適用于密集種植、非密集種植場景。自適應(yīng)半徑濾波保留了更加豐富的目標信息，較明顯地提升了聚類精確率和召回率，有利于提升后續(xù)點云處理的效果。

5 結(jié)論

(1)提出一種種植模式判定器，用于識別當前所處種植環(huán)境，通過預(yù)置去噪?yún)?shù)的方式，避免了繁瑣的調(diào)參過程，可直接應(yīng)用于密集種植和非密集種植場景。

(2)提出動態(tài)半徑濾波器，根據(jù)目標點到原點的歐氏距離設(shè)計該點的濾波半徑，從而實現(xiàn)濾波半徑與點云密度相適應(yīng)，可有效去除不同尺度噪聲并保留豐富的目標點云簇，較明顯地提升聚類精確率和召回率，為點云的后續(xù)操作提供良好基礎(chǔ)。

(3)本文提出的自適應(yīng)半徑濾波耗時較短，不依賴有序點云和反射信息，在密集種植和非密集種植場景中，能夠明顯抑制多尺度點云噪聲，具有較強的通用性、魯棒性和實用性。