SSA-BP神經(jīng)網(wǎng)絡(luò)在無人機點云孔洞修補的應(yīng)用

呂富強,唐詩華,2,張 炎,2,宋曉輝,胡鵬程,李 翥

(1. 桂林理工大學(xué)測繪地理信息學(xué)院,廣西 桂林 541004; 2. 廣西空間信息與測繪重點實驗室,廣西 桂林 541004)

隨著無人機航測技術(shù)的快速發(fā)展,激光雷達、航攝相機等各種現(xiàn)實三維數(shù)據(jù)采集設(shè)備被運用于無人機攝影測量中,無人機所獲取的點云數(shù)據(jù)已成為重要的空間數(shù)據(jù)源,在數(shù)字城市、變形監(jiān)測、三維建模及城市規(guī)劃等相關(guān)項目中發(fā)揮著越來越重要的作用[1-5]。在無人機點云數(shù)據(jù)的獲取與處理過程中,由于采集過程、地物遮擋、技術(shù)條件限制及處理軟件缺陷等因素,造成部分點云數(shù)據(jù)的缺失,帶有孔洞的點云數(shù)據(jù)不能真實地反映目標(biāo)地物的實際形狀,并且會對后續(xù)的測繪產(chǎn)品制作造成不便[6]。因此,在前期的數(shù)據(jù)處理工作中需要對這些點云孔洞進行修補。

國內(nèi)外學(xué)者針對孔洞修補問題,提出了許多修補方法。文獻[7]使用三次B樣條曲線的方法對奶牛點云孔洞完成修補,但該方法容易受噪聲的影響。文獻[8]使用GA-BP神經(jīng)網(wǎng)絡(luò)對散亂點云孔洞進行修補。文獻[9]使用最小二乘支持向量機對點云孔洞進行了修補。文獻[10]利用三角格網(wǎng)的方法實現(xiàn)了孔洞修補。上述方法在孔洞面積較小的區(qū)域可以實現(xiàn)較好的修補效果,但在點云缺失較多、地形變化較大的區(qū)域中修補精度效果還不夠理想。

無人機航測所獲取的點云數(shù)據(jù)量龐大,區(qū)域面積較廣,因此傳統(tǒng)的修補方法難以適用于無人機點云孔洞的修補。BP(back propagation)神經(jīng)網(wǎng)絡(luò)在進行孔洞修補時,存在參數(shù)難以確定和易陷入局部最優(yōu)的問題,導(dǎo)致修補精度無法滿足精度要求。文獻[11]提出了麻雀搜索算法,該算法相比于傳統(tǒng)的尋優(yōu)算法,在處理尋優(yōu)問題時具有收斂速度更快、穩(wěn)健性更強等優(yōu)點。通過麻雀搜索算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化,可以解決該算法在無人機點云孔洞修補中的參數(shù)設(shè)定及精度不足等問題。

因此,為了解決無人機點云數(shù)據(jù)中的孔洞修補問題,本文提出基于SSA-BP(sparrow search algorithm-back propagation)神經(jīng)網(wǎng)絡(luò)的點云孔洞修補方法。利用麻雀搜索算法尋優(yōu)能力強、收斂速度快的特點,對傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進行初始權(quán)重與閾值的優(yōu)化,再將麻雀搜索算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)算法運用于無人機點云數(shù)據(jù)中孔洞的修補。

1 算法原理

1.1 麻雀搜索算法

麻雀搜索算法模擬了麻雀群體的覓食過程,是依據(jù)麻雀群體的覓食與抗捕食行為提出的一種新型的群體智能優(yōu)化算法。在該算法中,將麻雀種群的個體分為發(fā)現(xiàn)者、加入者及警戒者。其中,發(fā)現(xiàn)者為種群提供覓食方向和區(qū)域,加入者則根據(jù)發(fā)現(xiàn)者的信號進行覓食,兩種個體行為之間可以進行動態(tài)轉(zhuǎn)換,而警戒者通過反捕食策略進行預(yù)警,使種群避免陷入局部最優(yōu)[11]。麻雀搜索算法的數(shù)學(xué)模型如下所述。

在模擬麻雀覓食過程中,假設(shè)麻雀種群中的個體數(shù)量為n只麻雀,該種群表示形式為

(1)

式中,d為數(shù)據(jù)維數(shù);n為麻雀的數(shù)量,則該種群的適應(yīng)度值FX為

(2)

發(fā)現(xiàn)者具有較好的適應(yīng)度值,在覓食過程中會優(yōu)先獲取食物,在種群中為其他覓食者提供覓食方向,發(fā)現(xiàn)者的位置更新公式為

(3)

在覓食過程中,加入者會根據(jù)發(fā)現(xiàn)者的動態(tài)進行食物的奪取,當(dāng)發(fā)現(xiàn)者找到更好的食物,加入者則會離開當(dāng)前位置進行食物奪取。若奪取食物成功,則可獲得發(fā)現(xiàn)者的食物;否則繼續(xù)對發(fā)現(xiàn)者進行監(jiān)控與食物搶奪[12]。加入者的位置更新為

(4)

警戒者的初始位置在種群中隨機產(chǎn)生,當(dāng)它們意識到危險時,會進行危險預(yù)警。 此時存在危險的麻雀會向安全區(qū)域靠攏,躲避危險。其模型構(gòu)建為

(5)

1.2 SSA-BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

BP 神經(jīng)網(wǎng)絡(luò)在進行點云孔洞的修補過程中,存在易陷入局部極小、收斂速度慢、泛化性能差的缺點。使用麻雀搜索算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重與閾值進行優(yōu)化,適應(yīng)度值選用訓(xùn)練集與測試集的均方誤差,可使適應(yīng)度函數(shù)值較小,預(yù)測精度更高[13-15]。

SSA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的具體構(gòu)建流程如下:

(1)確定BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu),確定輸入層、隱含層及輸出層節(jié)點參數(shù)。

(2)初始化麻雀搜索算法參數(shù)。

(3)根據(jù)適應(yīng)度函數(shù)計算麻雀搜索算法的適應(yīng)度。

(4)根據(jù)位置更新公式,更新麻雀位置,判斷是否滿足收斂精度。

(5)更新適應(yīng)度。

(6)計算得出優(yōu)化后的權(quán)重與閾值,并賦予BP神經(jīng)網(wǎng)絡(luò)。

該優(yōu)化模型構(gòu)建流程如圖1所示。

圖1 SSA-BP模型構(gòu)建流程

1.3 精度評價指標(biāo)

對SSA-BP神經(jīng)網(wǎng)絡(luò)算法的修補精度采用修補結(jié)果的平均絕對誤差(MAE)、均方誤差(MSE)、均方根誤差(RMSE)進行評價[16]。計算公式分別為

(6)

(7)

(8)

式中,y′為預(yù)測值;y為原始值;n為訓(xùn)練樣本數(shù)量。

2 試驗與分析

2.1 數(shù)據(jù)處理

試驗選取的數(shù)據(jù)為桂林市雁山區(qū)某區(qū)域的無人機點云數(shù)據(jù)。該區(qū)域為施工用地,區(qū)域含有坑洼、土堆及低矮植被等。使用CloudCompare點云數(shù)據(jù)處理軟件在該區(qū)域中截取三處地表起伏明顯且具有明顯地表特征的區(qū)域作為試驗樣本,設(shè)定為孔洞區(qū)域,具體位置如圖2所示。

圖2 孔洞區(qū)域

圖2藍色部分為選取的孔洞樣本區(qū)域。3個樣本區(qū)域的總點數(shù)分別為764、2029、1023個。訓(xùn)練集數(shù)據(jù)點數(shù)分別為527、1525、798個,測試集數(shù)據(jù)點數(shù)分別為237、504、225個。

為了保證各組算法預(yù)測結(jié)果的對照可信度,優(yōu)化模型與未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層及輸出層參數(shù)設(shè)定為同一參數(shù),其中輸入層節(jié)點數(shù)為2,隱含層節(jié)點數(shù)為5,輸出層節(jié)點數(shù)為1。

2.2 殘差分析

為了驗證3組算法的穩(wěn)定性,將3組算法的殘差曲線圖進行繪制,如圖3—圖5所示。

圖3 孔洞1殘差曲線

圖4 孔洞2殘差曲線

圖5 孔洞3殘差曲線

根據(jù)3組算法在3個孔洞修補結(jié)果中得到的殘差曲線可知:

(1)在孔洞1的預(yù)測結(jié)果中,3組算法的殘差范圍分別為[-0.075 6,0.047 3]、[-0.124 0,0.045 7]、 [-0.074 5,0.050 9] m。

(2)在孔洞2的預(yù)測結(jié)果中,3組算法的殘差范圍分別為[-0.074 1,0.373 0]、[-0.103 7,0.305 9]、 [-0.124 7,0.210 7] m。

(3)在孔洞3的預(yù)測結(jié)果中,3組算法的殘差范圍分別為[-0.220 8,0.178 7]、[-0.180 0,0.132 9]、 [-0.116 7,0.184 5] m。

根據(jù)3組修補結(jié)果的殘差值范圍可知,SSA-BP神經(jīng)網(wǎng)絡(luò)修補結(jié)果穩(wěn)定性最佳,要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)與LSSVM算法。

2.3 精度分析

為了進一步驗證SSA-BP神經(jīng)網(wǎng)絡(luò)算法的適用性與精確性,將3組修補結(jié)果的平均絕對誤差、均方誤差、均方根誤差進行對比與分析,見表1。

表1 精度比較 m

根據(jù)表1的精度比較結(jié)果,SSA-BP神經(jīng)網(wǎng)絡(luò)算法的MAE、MSE、RMSE 3個精度指標(biāo)均小于其他2組算法,且精度滿足1∶500地形圖航空攝影測量規(guī)范要求。通過上述分析,證明SSA-BP神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)量龐大、地表點云分布雜亂的無人機點云孔洞的修補中具有更高的修補精度。相比于其他2組算法,SSA-BP神經(jīng)網(wǎng)絡(luò)算法的穩(wěn)定性與適用性也有明顯的提高。

2.4 修補效果

使用SSA-BP算法進行孔洞修補后,將修補結(jié)果與孔洞周圍的點云數(shù)據(jù)進行匯總與展示,使用CloudCompare軟件進行修補前后的三維效果展示,如圖6所示。

圖6 修補前后對比

由圖6可以看出,通過對比修補后的點云模型與原始點云模型,可以看出該算法得到的修補結(jié)果連續(xù)性、平滑性較好,還原度較高,具有較好的修補效果,可適用于無人機點云在復(fù)雜地形的孔洞修補。

3 結(jié) 論

針對無人機點云數(shù)據(jù)中的孔洞問題,本文將SSA-BP神經(jīng)網(wǎng)絡(luò)算法運用于無人機點云的孔洞修補中。將修補結(jié)果中每組算法的殘差曲線及修補精度進行對比與分析,可得出如下結(jié)論:

(1)使用麻雀搜索算法進行BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化,使SSA-BP神經(jīng)網(wǎng)絡(luò)在修補的精度上相比于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)有明顯的提高。

(2)麻雀搜索算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò),相比于未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)、LSSVM算法具有更高的修補精度,在穩(wěn)定性上也具有明顯的提高。

(3)利用本文的修補方法對無人機點云孔洞進行修補,能夠得到符合1∶500 地形圖航空攝影測量規(guī)范的數(shù)據(jù)成果。該算法的修補結(jié)果與周圍點之間的連續(xù)性與平滑性較好,在點云修補上具有一定的應(yīng)用價值與研究意義。