Page 55 - 《应用声学》2024年第1期

第 43 卷 第 1 期 任露露等： 点云投影结合轻量化卷积神经网络实现三维成像声呐快速目标分类 51

都置零，这样阈值滤波之后点云中点的个数依旧是 强度信息，N α 和 N β 分别是水平方向和垂直方向的
N α × N β 。 波束数量，其中位置信息为散射点在声呐坐标系下
的三维坐标，用公式(8)表示。
2 三维点云至二维图像投影
p α,β = [x α,β , y α,β , z α,β ] . (8)
三维点云具有高度稀疏性和无序性，这两个特
将每个波束方向散射点的距离进行归一化处
点使得三维点云难以处理以及处理运算量大。三维
理并且映射至 0 ∼ 255 区间范围，便可以实现深度
成像声呐生成的点云同样是高度稀疏的和无序的，
图的生成，深度图中每个像素数值与其对应散射点
但是这些点云中的点分布具有一定的规律性，在距
的三维坐标的关系如下：
离向以及两个角度向都分布在预定义的网格上。利 ⌊ ⌋
||p α,β ||
用这个特性，便可以将三维点云投影为二维图像，同 D α,β = × 255 , (9)
R max
时保留点云的强度信息和位置信息。图 5 为三维点
其中，⌊.⌋ 表示向下取整，∥ · ∥ 表示取模，∥p α,β ∥ 表示
云至二维图像投影流程图。
散射点与声呐之间的距离，R max 为声呐的作用距
2.1 点云生成深度图 离。生成的深度图为单通道的灰度图，为了方便观
经过阈值滤波和最大值滤波之后，三维成像声 察，将单通道深度灰度图进行伪彩化得到伪深度伪
呐点云中包含了 N α × N β 个散射点的位置信息和 彩图，如图6所示。

20 20 20
15 15 15
z/m 10 z/m 10 z/m 10
5 5 5
0 0 0
10 10 10
5 5 5
0 x/m 0 x/m 0
10 10 10
-5 5 -5 5 -5 5
x/m
0 0 0
-10 -5 y/m -10 -5 y/m -10 -5 y/m
-10 -10 -10
(a) வ಴᫠ϙ໚ฉག̈ (b) ດᎪ᫠ϙ໚ฉག̈ (c) ፤ߕ᫠ϙ໚ฉག̈
图 4 阈值滤波点云
Fig. 4 Threshold filtered point cloud

ᭆᅾ᫼
20
Bᤰ᥋
15
z/m 10
5
0
10
5
ງए༦एڏ Gᤰ᥋ ຉՌᤰ᥋ڏ
0
x/m
10
-5 5
0
-10 -5 y/m
-10
໚ฉՑག̈
ूए༦एڏ Rᤰ᥋
图 5 三维点云至二维图像投影流程图
Fig. 5 Flow chart of 3D point cloud to 2D image projection