基于置信度的飛行時間點云去噪方法

王明星，鄭 福，王艷秋，孫志斌

基于置信度的飛行時間點云去噪方法

王明星1,2，鄭 福1，王艷秋1,2，孫志斌1,2

（1. 中國科學(xué)院國家空間科學(xué)中心，北京 100190；2. 中國科學(xué)院大學(xué)，北京 100049）

飛行時間（Time-of-Flight，ToF）三維成像方法由于多路徑干擾和混合像素等問題降低了目標(biāo)物體深度測量的精度。傳統(tǒng)的方法通過優(yōu)化重構(gòu)異常點云數(shù)據(jù)或濾除噪聲點云數(shù)據(jù)來提高目標(biāo)的準(zhǔn)確性，但是這些方法復(fù)雜度高且容易導(dǎo)致過度平滑。三維點云圖像中的有效點云與噪聲點云之間的關(guān)系很難用數(shù)學(xué)模型來表示。針對上述問題，本文提出了一種基于置信度的飛行時間點云去噪方法。首先，分析多幀點云數(shù)據(jù)的概率相關(guān)性，以點云數(shù)據(jù)的置信度作為判別有效點云與噪聲點云的依據(jù)；其次，利用多幀點云之間的矢量對偶性，提出了一種快速提取不同置信度點云的算法，其時間復(fù)雜度為()；最后使用該算法提取多幀三維圖像中置信度高的點云數(shù)據(jù)獲得目標(biāo)物體的真實測量數(shù)據(jù)，并重點對4組不同場景的點云數(shù)據(jù)進(jìn)行對比實驗。實驗結(jié)果表明，該算法能夠在有效濾除噪聲的同時，顯著提高目標(biāo)物體的距離測量精度，增強(qiáng)目標(biāo)物體的特征，因此具有廣泛的應(yīng)用價值。

飛行時間；點云去噪；置信度

0 引言

近20年以來，飛行時間三維成像方法因具有非接觸測量、響應(yīng)速度快等優(yōu)勢，在工業(yè)生產(chǎn)、科學(xué)研究、計算機(jī)視覺、自主導(dǎo)航等領(lǐng)域得到廣泛的應(yīng)用。飛行時間三維成像方法是通過向目標(biāo)物體發(fā)射近紅外強(qiáng)度調(diào)制信號，傳感器接收從目標(biāo)物體返回的調(diào)制信號，然后對發(fā)射信號與接收信號進(jìn)行相位解調(diào)獲得目標(biāo)物體與飛行時間相關(guān)的相位差數(shù)據(jù)，最后計算獲得目標(biāo)物體的距離信息[1]。在實際應(yīng)用中，存在系統(tǒng)相關(guān)噪聲和非相關(guān)噪聲，其中系統(tǒng)噪聲包括深度畸變噪聲、積分時間相關(guān)噪聲、像素相關(guān)噪聲、振幅相關(guān)噪聲和溫度相關(guān)噪聲[2]；非相關(guān)噪聲是指多徑干擾[3]、背景光產(chǎn)生的噪聲等。

現(xiàn)有的點云去噪方法主要可以分為4類：基于移動最小二乘（moving least squares，MLS）的方法、基于局部最優(yōu)投影（locally optimal projection，LOP）的方法、基于稀疏性的方法和非局部的方法[4]。

基于移動最小二乘的方法首先根據(jù)最小二乘法確定每個點的局部參考域，然后擬合一個基于參考域的多項式函數(shù)，最終將輸入點云擬合出一個平滑曲面，并將點投影到生成的曲面上[5]。文獻(xiàn)[6]提出代數(shù)點集曲面（algebraic point set surfaces，APSS）的方法，利用局部移動最小二乘法擬合代數(shù)球面，通過控制擬合球面的曲率，解決了高曲率情況下不穩(wěn)定重構(gòu)的問題。文獻(xiàn)[7]提出一種魯棒的隱式最小二乘法（robust implicit MLS，RIMLS），解決了移動最小二乘法對異常值和尖銳特征敏感的問題。然而，這些方法存在過度平滑的問題[8]。

基于局部最優(yōu)投影的方法與基于MLS的方法不同，它不計算曲面的顯式參數(shù)。文獻(xiàn)[9]中通過最小化到數(shù)據(jù)點的歐氏距離之和來定義表示估計曲面的一組點。它的兩個改進(jìn)版本是加權(quán)局部最優(yōu)投影（weighted LOP, WLOP）[10]和邊緣感知點集重采樣（edge-aware resampling，EAR）[11]。WLOP通過使排斥項適應(yīng)局部密度來輸出分布更均勻的點云，而EAR通過局部各向異性投影進(jìn)行重采樣來保留尖銳特征。然而，基于局部最優(yōu)投影的方法也存在過度平滑的問題[8]。

基于稀疏性的方法假設(shè)每個局部是平面，并針對某些幾何特征的稀疏表示進(jìn)行優(yōu)化?；诒砻娣ň€稀疏性的方法首先通過使用L0[8]或L1[12]正則化求解全局極小化問題得到表面法線的稀疏重建，然后基于局部平面假設(shè)解決另一個全局極小化問題來使用表面法線更新點的位置。但是，在局部噪聲比較高的情況下，法線估計會產(chǎn)生較大的誤差，由此導(dǎo)致過度平滑或過度銳化[8]。

非局部的方法將數(shù)字圖像去噪算法中非局部均值（non-local means，NLM）[13]和三維塊匹配濾波（block-matching and 3D filtering，BM3D）[14]的非局部自相似性概念應(yīng)用到點云去噪中，在高噪聲水平下能夠更好地保留結(jié)構(gòu)特征。文獻(xiàn)[15]中利用基于曲率的相似性進(jìn)行非局部濾波，由于濾波過程中考慮了鄰域的幾何結(jié)構(gòu)，更好地保留了精細(xì)的形狀特征。然而，這些方法的計算復(fù)雜度很高。

綜述分析了各類點云去噪方法，本文提出的基于置信度的點云去噪算法不屬于上述中的任何一類。它跳出了從單幀點云分析的思維局限，利用統(tǒng)計學(xué)的方法分析多幀有序點云，計算點云的置信度，如果該點云的置信度大于給定的置信度閾值，則該點為有效點，予以保留；相反，若小于給定的置信度閾值，則該點為噪聲點，予以刪除。

1 飛行時間三維成像原理與噪聲分析

飛行時間三維成像設(shè)備主要包括發(fā)射端和接收端，如圖1所示，控制器發(fā)送調(diào)制信號到激光器，控制激光器發(fā)出調(diào)制的近紅外光，經(jīng)過物體漫反射后，接收端傳感器接收反射回來的調(diào)制光，最后根據(jù)發(fā)射信號與接收信號的相位差來計算深度信息。相位差D是由4個不同相位延遲的接收窗口的電荷量1、2、3、4計算得到[1]：

獲得相位差之后，根據(jù)公式(2)計算目標(biāo)物體與相機(jī)之間的距離：

式中：表示光速；表示發(fā)射信號的調(diào)制頻率。

圖1 TOF相機(jī)成像原理

公式(2)中，相位差D的取值范圍為[0, 2p]，因此相機(jī)能測量的最大距離為/2，與調(diào)制頻率成反比，頻率越低，能夠測量的范圍就越大，但是隨之帶來的是測量精度的下降。若目標(biāo)超過相機(jī)能夠測量的最大距離，測量得到的錯誤值依然落在[0,/2]區(qū)間內(nèi)，這種噪聲混雜在真實點云中難以濾除。因而在實際應(yīng)用中，面對不同距離的測量場景，需要調(diào)制不同頻率的發(fā)射信號。

在飛行時間相機(jī)獲取的點云圖中，物體與背景之間以及物體邊緣處存在大量的飛行像素噪聲（flying pixels[16]），這是由于目標(biāo)物體測量的距離信息和背景測量的距離信息混合后產(chǎn)生的干擾噪聲。當(dāng)飛行時間相機(jī)的單個傳感單元同時接收到前景和背景反射回來的調(diào)制光[17]，如圖2所示，二者產(chǎn)生的能量疊加在一起，使用公式(1)計算得到錯誤的相位差，此時傳感器測量得到的距離介于前景與背景之間，導(dǎo)致生成3D點云后，出現(xiàn)了實際場景中不存在的飛行像素噪聲。尤其在拍攝對象細(xì)節(jié)豐富的情況下，飛行像素噪聲散落在物體邊緣，如圖3(a)所示，在視覺上物體的邊緣信息已經(jīng)完全被破壞。因此在進(jìn)行點云分割、配準(zhǔn)、重建等下游任務(wù)之前必須有效去除噪聲。

另外，如圖3(b)中橢圓標(biāo)記2，在相機(jī)鏡頭與目標(biāo)之間存在實際場景中不存在的噪聲，這是由于場景中的鏡面反射引起的。同時，反射率不合適的目標(biāo)材料、鏡頭散射以及多徑干擾也是噪聲產(chǎn)生的原因[16-17]。

圖2 飛行像素噪聲的產(chǎn)生

圖3 實際場景中點云噪聲示例

2 點云置信度的定義

由于存在噪聲，傳感器的各個傳感單元獲取的點云數(shù)據(jù)存在誤差或者缺失的現(xiàn)象。具體表現(xiàn)為：本該接收到紅外反射光的圖像傳感單元，由于太陽反射光直流分量或是硬件問題導(dǎo)致紅外反射光丟失，呈現(xiàn)點云缺失的現(xiàn)象；一些本不應(yīng)該接收到反射光的圖像傳感單元，受物體漫反射、多路徑干擾等影響接收到距離信息，產(chǎn)生飛行像素噪聲。對此本文利用有效點云與噪聲之間的非相關(guān)性，定義了點云置信度的概念。當(dāng)把圖像傳感單元采集的數(shù)據(jù)作為一個隨機(jī)變量，點云噪聲以較低的概率被圖像傳感單元接收，而有效點云以較高概率被采集。對同一個目標(biāo)進(jìn)行多次測量，根據(jù)圖像傳感單元采集的次數(shù)計算置信度。

本實驗采用的飛行時間傳感器有307200個圖像傳感單元對目標(biāo)進(jìn)行測量，并輸出有序點云數(shù)據(jù)。當(dāng)對同一目標(biāo)采集次，則第個圖像傳感單元采集的點云的置信度為：

即按采集次數(shù)計算點云的置信度，當(dāng)采集10幅圖時將會有10組點云，若10次圖像傳感單元都接收到了信息，計算該點云置信度為100%，可以認(rèn)為該圖像傳感器單元接收到的是有效的信息。若10次測量中只有1次采集到信息時，計算該點云置信度為10%，那么可以認(rèn)為該圖像傳感單元接收到的是噪聲。

3 基于置信度的點云去噪算法

根據(jù)公式(3)可以求出各個傳感單元獲取的點云的置信度，若直接對幅點云圖像遍歷求得t，在面對數(shù)據(jù)量極大的點云時，其復(fù)雜度相對較高。本文提出了一種通過矢量對偶點云加和的方式快速提取不同置信度的點云方法，該方法能夠以很小的時間和空間復(fù)雜度提取出符合置信度要求的點云。當(dāng)使用飛行時間傳感器采集到副點云圖時，對其中第幅圖像的傳感單元進(jìn)行研究，若傳感單元接收到物體反射信號，該傳感單元將會根據(jù)公式(1)和(2)計算輸出該點云的三維坐標(biāo)L＝(X,Y, Z)，若傳感單元沒有接收到物體反射信號，該傳感單元會輸出一個極大的偏置L＝max＝(max,max,max)，表明該點區(qū)域沒有物體，即該點為無效點。若在次采集中圖像傳感器單元只有次采集到數(shù)據(jù)，對該傳感單元次獲取的三維坐標(biāo)進(jìn)行求和有：

式中：sum,j是圖像傳感單元采集次的三維坐標(biāo)之和，由于被正確采集時，三維坐標(biāo)數(shù)據(jù)受隨機(jī)誤差影響在小數(shù)量級浮動，可以近似表示為sum,j＝*1j；當(dāng)只有次被采集時，同理sum,j可以近似表示為sum,j＝*L＋(－)*max。這樣根據(jù)未被采集的次數(shù)－，sum,j就會相對于原始點云進(jìn)行(－)*max的偏移，因此只要偏置max足夠大時，對這些點云進(jìn)行直通濾波處理，就可以很容易提取出不同置信度的點云。

基于置信度的點云去噪算法的偽代碼如下所示：

算法基于置信度的點云去噪 輸入: //n幀點云圖像 輸出: //點云集和對應(yīng)置信度 1：if//檢查是否為同源點云 2： //矢量加和 3： //分割提取 4： 5：else 6： output輸入錯誤 7： return 8：return

基于置信度的點云去噪算法的計算主要集中在點云坐標(biāo)的相加，時間復(fù)雜度為()，是常量，取決于點云圖的分辨率以及幀數(shù)。一般來說，對于常量級的加法操作，其復(fù)雜度幾乎可以忽略不計。

4 實驗與分析

4.1 飛行時間點云獲取和預(yù)處理

以實驗中一組數(shù)據(jù)為例，首先將“東方紅一號”1:15的模型固定在光學(xué)實驗平臺中央，然后利用飛行時間傳感器從4個不同的角度分別采集10幀數(shù)據(jù)，4個角度之間相隔90°左右。實驗裝置如圖4所示。

實驗獲取的點云數(shù)據(jù)如圖5所示，點云數(shù)據(jù)中包含了大量與目標(biāo)物體無關(guān)的背景數(shù)據(jù)以及噪點，并且由于物體的遮擋，如圖5(a)、(c)所示，在目標(biāo)物體和背景之間存在大量的飛行像素噪聲。對原始數(shù)據(jù)進(jìn)行直通濾波實現(xiàn)目標(biāo)提取，目標(biāo)提取結(jié)果如圖5(b)、(c)所示，目標(biāo)物體背面的點云比較稀疏和散亂，給后續(xù)的點云拼接與重建工作帶來了較大阻礙。

圖4 實驗裝置

圖5 TOF相機(jī)拍攝的點云數(shù)據(jù)示例

4.2 基于置信度的點云去噪

本文實驗使用的傳感器分辨率為480×640，輸出有序點云數(shù)據(jù)。實驗在固定位置對目標(biāo)連續(xù)采集10幀圖像。將每一個圖像傳感器單元采集到的10個三維坐標(biāo)進(jìn)行求和，得到的點云如圖6所示，從左上角到右下角很明顯地分成了10個區(qū)域，由于這10個區(qū)域在空間中是彼此分離的，因此很容易分別提取出來。左上角為10幀圖像中采集到10次的點，在這10幀圖像中它的置信度為100%，右下角為10幀圖像只采集到一次的點，它的置信度為10%。

圖6 10幀點云圖各像素單元求和結(jié)果

將圖6中不同置信度的點云分別提取出來，得到的結(jié)果如圖7所示。其中100%置信度的點云具有最豐富的細(xì)節(jié)，表面特征相較于原始點云更加明顯，這是因為這些點被百分之百接收。另外，其它置信度的點云基本上都分布在目標(biāo)物體的邊緣，說明物體的邊緣比較容易產(chǎn)生異常點和噪聲，這與飛行像素噪聲產(chǎn)生的原理是相吻合的。

表1統(tǒng)計了不同置信度的點云數(shù)量及其所占比率，其中100%置信度的點云所占比率為0.9425，這表明基于置信度的點云去噪方法能夠保證在有效數(shù)據(jù)不損失的前提下去除噪聲。另外，根據(jù)需求降低置信度閾值可以豐富目標(biāo)邊緣信息。

圖7 提取不同置信度點云結(jié)果

表1 不同置信度的點云數(shù)量及所占比率

圖8（左）是置信度為100%的點云數(shù)據(jù)，與圖5中的(b)、(d)比較，置信度去噪后的點云相比于原始的點云以及經(jīng)過統(tǒng)計濾波的點云有明顯的提升：

1）傳統(tǒng)的濾波方法無法對混雜在正確點云中的噪聲進(jìn)行濾除，而基于置信度的點云去噪方法能找到置信度不高的點云進(jìn)行濾除，并且具有復(fù)雜度低、效率高的優(yōu)點。

2）提高測量精度。基于置信度點云去噪的結(jié)果中點云分布相較原始點云更加細(xì)致有序。由于隨機(jī)誤差、計算精度等，測量得到的點云三維坐標(biāo)存在隨機(jī)誤差的情況，假設(shè)該誤差以高斯分布形式出現(xiàn)(,2)，當(dāng)利用10幅圖進(jìn)行置信度去噪后，根據(jù)統(tǒng)計學(xué)原理，該點的分布會變成(, 0.1*2)，即對點云進(jìn)行了校正。實驗中選取圖8（左）紅色框選區(qū)域的點云數(shù)據(jù)，其坐標(biāo)范圍為[4,15]，坐標(biāo)范圍為[13,14]，分析在置信度去噪前后的距離隨坐標(biāo)變化的圖像，其分布如圖8（右）所示，原始圖像距離的范圍為[362.75, 376.75]，置信度去噪后的距離的范圍為[365, 370.23]，即原始圖像的距離測量精度為±7.00mm，置信度去噪后的距離測量精度為±2.62mm，精度提高了62.86%。

圖8 置信度去噪結(jié)果(左）和紅色選中區(qū)域置信度去噪前后距離Z隨坐標(biāo)X的變化圖像（右）

3）增強(qiáng)目標(biāo)物體特征。傳統(tǒng)濾波根據(jù)點云的空間分布信息進(jìn)行濾波，使得一些零散卻有效的點被濾除，表現(xiàn)為特征模糊。而基于置信度的點云去噪能保留這些特征，如圖8（左）所示，衛(wèi)星模型的表面結(jié)構(gòu)更加清晰，有利于后續(xù)配準(zhǔn)、重建等工作。

邊緣缺失的點云是衛(wèi)星模型72面球體結(jié)構(gòu)的特殊性造成的。缺失部分對應(yīng)的鏡面反射路徑朝著遠(yuǎn)離相機(jī)傳感器的方向，傳感器無法接收該部分反射光信息，導(dǎo)致點云缺失。缺失部分可以采用多視角點云配準(zhǔn)的方式進(jìn)行補全，最終實現(xiàn)完整的三維重建。

4.3 不同幀數(shù)的置信度去噪對比實驗

實驗按照目標(biāo)物體的類型分為A、B、C、D四組。分別測試?yán)貌煌瑤瑪?shù)的去噪效果，并與直通濾波方法進(jìn)行對比。

其中A1、A2是在室內(nèi)用飛行時間傳感器從2個不同的角度獲取的“東方紅一號”1:15的模型拍攝的點云數(shù)據(jù)。B1、B2是在室外用飛行時間傳感器從2個不同的角度獲取的汽車的點云數(shù)據(jù)。C1、C2是在室內(nèi)用飛行時間傳感器從2個不同的角度獲取的雕塑的點云數(shù)據(jù)。D1、D2是在室內(nèi)用飛行時間傳感器從2個不同的角度獲取的木制椅子的點云數(shù)據(jù)。

實驗中對各組數(shù)據(jù)分別進(jìn)行直通濾波以及2幀、4幀、6幀、8幀、10幀的置信度去噪處理。表2顯示了不同幀數(shù)置信度去噪后點云的數(shù)量，可以看出A、B兩組點云數(shù)量隨著幀數(shù)的增加呈現(xiàn)的下降趨勢比C、D兩組更加明顯，這是因為A、B組的目標(biāo)物體表面為金屬材質(zhì)，高反光條件下獲取的數(shù)據(jù)中的噪聲相對更多。

實驗發(fā)現(xiàn)，通過2幀點云數(shù)據(jù)的置信度去噪，能夠達(dá)到較好的去噪效果，在有效濾除噪聲的同時能夠保留目標(biāo)物體的特征。如圖9所示，相比于原圖，在兩幀點云加和后，點云圖中的目標(biāo)物體周圍的飛行像素噪聲幾乎消失了，目標(biāo)提取變得更加容易，為后續(xù)的配準(zhǔn)以及重建工作創(chuàng)造了有利條件。

圖10列出了A1、B1、C1、D1組在不同幀數(shù)加和的效果以及對應(yīng)置信度去噪的結(jié)果。點云幀數(shù)越多，置信度去噪后點云數(shù)量越少，例如，在B1組數(shù)據(jù)的置信度去噪結(jié)果中，車頂部分的點云隨幀數(shù)增加變得稀疏。在C1、D1組中，由于獲取的原始點云目標(biāo)物體周圍噪聲相對較少，10幀點云的置信度去噪與2幀點云的置信度去噪結(jié)果從視覺上不易發(fā)現(xiàn)差別，都完整地保留了目標(biāo)物體的特征。這也說明了本文算法去除點云噪聲能力較強(qiáng)，而對于有效的目標(biāo)點云能夠較好地保留下來。

圖9 B1組原始點云俯視圖（左）與2幀加和后點云俯視圖（右）對比

表2 不同幀數(shù)置信度去噪后點云數(shù)量

5 結(jié)論

本文提出了一種基于置信度的點云去噪方法，實驗證明，它能夠快速有效地去除ToF點云中的噪聲，去除噪聲占比達(dá)5.75%，還能減小隨機(jī)誤差，目標(biāo)物體的距離測量精度提高了62.86%，同時增強(qiáng)目標(biāo)物體的特征。這種方法對于通過其它方式獲取的同源有序點云數(shù)據(jù)同樣適用，具有可推廣性。

本文算法簡單高效，時間復(fù)雜度為()，點云幀數(shù)和置信度閾值在實驗中需要根據(jù)實際情況進(jìn)行選擇，因此可以考慮直接將算法嵌入相機(jī)芯片或者集成到通用圖像捕獲軟件中，把置信度作為一個設(shè)置參數(shù)，直接輸出經(jīng)過置信度去噪后的點云數(shù)據(jù)。在置信度較高時，目標(biāo)物體的邊緣若出現(xiàn)點云缺失的情況，可以通過多視角點云配準(zhǔn)的方式進(jìn)行補全。

[1] LI L. Time-of-flight camera–an introduction[R/OL]. [2021-10-08].chrome-extension://ibllepbpahcoppkjjllbabhnigcbffpi/http://www-cs.ccn y.cuny.edu/～ wolberg/capstone/kinect/ToFBasicsTI14.pdf.

[2] Foix S, Alenya G, Torras C. Lock-in time-of-flight (ToF) cameras: A survey[J]., 2011, 11(9): 1917-1926.

[3] Whyte R, Streeter L, Cree M J, et al. Review of methods for resolving multi-path interference in time-of-flight range cameras[C]//,, 2014: 629-632.

[4] ZENG J, CHEUNG G, Ng M, et al. 3D point cloud denoising using graph Laplacian regularization of a low dimensional manifold model[J]., 2019, 29: 3474-3489.

[5] Fleishman S, Cohen-Or D, Silva C T. Robust moving least-squares fitting with sharp features[J].(TOG), 2005, 24(3): 544-552.

[6] Guennebaud G, Germann M, Gross M. Dynamic sampling and rendering of algebraic point set surfaces[C]//, 2008, 27(2): 653-662.

[7] ?ztireli A C, Guennebaud G, Gross M. Feature preserving point set surfaces based on non-linear kernel regression[C]//, 2009, 28(2): 493-501.

[8] SUN Y, Schaefer S, WANG W. Denoising point sets via L0 minimization[J]., 2015, 35: 2-15.

[9] Lipman Y, Cohen-Or D, Levin D, et al. Parameterization-free projection for geometry reconstruction[J].(TOG), 2007, 26(3): 22-es.

[10] HUANG H, LI D, ZHANG H, et al. Consolidation of unorganized point clouds for surface reconstruction[J].(TOG), 2009, 28(5): 1-7.

[11] HUANG H, WU S, GONG M, et al. Edge-aware point set resampling[J].(TOG), 2013, 32(1): 1-12.

[12] Avron H, Sharf A, Greif C, et al. ?1-sparse reconstruction of sharp point set surfaces[J].(TOG), 2010, 29(5): 1-12.

[13] Buades A, Coll B, Morel J M. A non-local algorithm for image denoising[C]//(CVPR'05), 2005, 2: 60-65.

[14] Dabov K, Foi A, Katkovnik V, et al. Image denoising by sparse 3-D transform-domain collaborative filtering[J]., 2007, 16(8): 2080-2095.

[15] WANG R, CHEN W, ZHANG S, et al. Similarity-based denoising of point-sampled surfaces[J]., 2008, 9(6): 807-815.

[16] HE Y, CHEN S. Recent advances in 3D data acquisition and processing by time-of-flight camera[J]., 2019, 7: 12495-12510.

[17] Reynolds M, Dobo? J, Peel L, et al. Capturing time-of-flight data with confidence[C]//,, 2011: 945-952.

Time-of-Flight Point Cloud Denoising Method Based on Confidence Level

WANG Mingxing1,2，ZHENG Fu1，WANG Yanqiu1,2，SUN Zhibin1,2

(1.,,100190,;2.,100049,)

The time-of-flight (ToF) 3D imaging method suffers from reduced precision in the depth measurement of target objects because of multipath interference and mixed pixels. Traditional methods improve the accuracy of the measurement by optimizing and reconstructing abnormal point cloud data or filtering noisy point cloud data. However, these methods are complex and can easily lead to excessive smoothing. The relationship between a valid point cloud and noisy point cloud in a 3D point cloud image is difficult to express using a mathematical model. To address these problems, a point cloud denoising method based on the confidence level is proposed in this paper. First, the probability correlation of multi-frame point cloud data is analyzed, and the confidence level of the point cloud data is used as the basis to distinguish valid point clouds from noisy point clouds. Second, by utilizing the vector duality between multi-frame point clouds, a fast algorithm for extracting point clouds with different confidence levels is presented, and its time complexity is(). Finally, the algorithm is used to extract the point cloud data with a high confidence level in multi-frame 3D images to obtain the real measurement data of the target object. We focus on the comparative experiments of four groups of point cloud data in different scenes. The experimental results show that the algorithm can not only effectively filter the noise but also significantly improve the distance measurement accuracy of the target object and enhance the characteristics of the target object; therefore, it has extensive application value.

ToF, point cloud denoising, confidence level

TN391

A

1001-8891(2022)05-0513-08

2021-10-08；

2021-11-11.

王明星（1998-），男，江西人，碩士研究生，主要研究方向為點云數(shù)據(jù)處理與應(yīng)用，E-mail: wangmingxing20@mails.ucas.ac.cn。

孫志斌（1978-），男，山西人，博士，研究員，博士生導(dǎo)師，主要研究方向為空間光子學(xué)、光子信息學(xué)、空間材料學(xué)和物理電子學(xué)。E-mail: zbsun@nssc.ac.cn。

國家重點研發(fā)計劃（2016YFE0131500）；中國科學(xué)院青年創(chuàng)新促進(jìn)會優(yōu)秀會員項目（2013105，Y201728）；中國科學(xué)院科研儀器設(shè)備研制項目（YJKYYQ20190008）；發(fā)改委國家重大科技基礎(chǔ)設(shè)施（2018YFA0404201，2018YFA0404202）；空間科學(xué)戰(zhàn)略先導(dǎo)專項（XDA15016300）；國家重大科學(xué)儀器設(shè)備開發(fā)專項（2013YQ030595）；空間科學(xué)戰(zhàn)略先導(dǎo)專項（XDA15013600）；國家自然科學(xué)基金委面上項目（61474123，61274024）。