0 引言

　　目標的三維重建被廣泛地應用在生產生活、軍事偵查等領域，其主要采用激光掃描點云重構的方法實現。由于待測目標表面的反射率、粗糙度、入射角等的不同，從而對激光掃描結果產生很大的影響，故多手段結合、多方法集成、多數據格式融合的目標點云濾波與算法優化設計成為提高三維目標重建效果的研究熱點之一。激光掃描獲得的點云數據是離散的，所以并不能像二維圖像處理那樣通過像素點鄰域特征算法完成目標識別，從而造成目標局部點云數據提取時夾雜噪聲點或剔除目標點，降低目標三維重建質量。故點云掃描常常需要配合相應的特征提取算法才能更好地完成目標三維重建，例如數模邊界法、包絡盒法、立體投影法、光譜限定法等。

　　數模邊界法以待測目標數模作為點云邊界條件，可以獲得準確的局部特征，速度快、精度高，但不適用于非合作目標;王果等人采用已知數模為車載激光雷達點云數據分離單木目標，可分度較優化前得到了大幅提升。包絡盒法可以根據目標類型自適應調節點云選框范圍，可適用于非合作目標、更靈活，但易受目標外形及照射角度影響。Dominik 等人采用三維包絡盒反向投影目標點云數據，實現了車輛局部數據的快速提取，但算法在車型結構復雜時識別率僅達 53.1%。立體投影法與以上兩種方法相近，都是基于目標幾何特性實現的，存在普適性差的問題。Mousavian 將目標投影方向的點云映射位置作為特征邊界，獲取自動駕駛中外部障礙物的目標三維位置，相比傳統方法的測距精度提升了 23.4%。

　　相比之下，采用多光譜融合等手段提供邊界限制的方法更具通用性。仝選悅將紅外特征作為點云提取邊界，完成了非合作坦克目標的快速識別。Choi 等采用 RGB 分通道圖像濾波的方式，對點云數據的特征點進行分離，噪聲均值降低了約 30%。王宏濤等人采用融合光譜對機載 LiDAR 進行雜散點濾波，分類精度提升了 13.4%。本文將多偏振光譜疊加形成目標局部特征區域，再把限定范圍與激光掃描截面相結合，從而得到了經濾波抑噪的三維重建點云數據。

　　1 系統設計

　　本系統由 3 個部分組成：(a)偏振多光譜模塊。處理模塊控制步進電機選擇不同的偏振片，入射光經偏振處理后照射在被測目標上，目標反射光由透鏡組、檢偏器接收光信號導入 CCD;(b)雙目激光掃描模塊。掃描模塊完成對目標整個區域的點云進行采集，CCD1 和 CCD2 同時獲取被測目標的激光回波信號，從而實現三維重建;(c)處理模塊。將偏振多光譜模塊的偏振圖像數據作為映射邊界條件，通過多光譜融合算法與點云特征對雙目掃描的點云數據進行分類與降噪，最終完成目標三維視覺重建。

　　傳統目標三維重建采用激光掃描實現，但掃描獲得的點云數據往往受限于目標紋理、反光特性等影響而使局部重建誤差過大，甚至出現數據空洞等現象。為了提高三維視覺重建效果，系統在掃描結構的基礎上增加了(a)模塊，通過步進電機驅動包含 4 個不同偏振態偏振片的旋轉裝置，使系統在任意掃描位置可以實現對目標表面分時采集 4 組偏振圖像，并由 CCD 完成 4 幅偏振圖像的采集。為了避免更換偏振片造成系統位置偏差導致的測試誤差，選用旋轉結構，即通過分時采集的方式保證空間位置不變，從而保證系統測試的穩定性。在測試過程中，采用偏振光源與雙目成像系統中的光源同時照射待測目標，由于目標漫反射光與雜散光的偏振特性差異大，即在對原始多光譜進行適當濾波的條件下就能夠提取目標光譜信息。同時，偏振光譜不受制于目標紋理特征，可以為三維點云數據提供準確的邊界條件。

　　2 數據融合模型構建

　　2.1 雙目激光三維掃描

　　線激光屬于結構光，設其入射方向與基準面的入射角為 θ1，漫反射光與基準面的法線夾角為 θ2。

　　通過標定完成主點位置提取，將 Halcon 標定板放置于與光軸平行的位置上，沿光軸方向平行運動，在預設位置上分別提取 3 張圖像(P1，P2，P3 所在平面)，把黑色圓心當作特征點位。

　　2.2 偏振多光譜

　　根據菲涅爾原理，反射率會因光矢量方向的不同而不同，則通過旋轉偏振片，可以改變反射光的亮度。

　　2.3 數據融合

　　由于偏振光譜坐標系與雙目測距坐標系在測試過程中是固定的，所以可以通過三維位置換算完成坐標系的統一。對于雙目掃描系統而言，任意截面上的點云集合只能表征目標的距離信息，所以三維重建時容易產生局部位置分割錯誤的問題。采用多光譜偏振圖像就相當于在對應截面上給出了一個具有偏振特性的邊界區域，由此重建目標時有了明確的邊界，則局部細節完整，避免了數據空洞與邊界不清等問題。

　　表示根據目標表面特性預設的光強度識別閾值，只有當在有效測試范圍內超過測試閾值的光強度值才會被保留。當 I0≥I (μ,λ,v) 時，則說明其符合閾值設定，標記為同一局部單元，即符合同一局部的邊界特征。當 I0

　　3 實驗

　　3.1 激光掃描標定實驗

　　模型中需要獲取 3 個位置的圖像信息進行位置標定，激光器采用 ColdRay-660nm 結構光激光器(實驗中采用線型掃描)，相機選用 MER-240 型面陣 CCD，電控平臺選用 ZXT400MA06 步進平臺。CCD1 和 CCD2 的間距為 50.0cm，標定板尺寸為 60.0cm×60.0cm，標定板到相機像面距離為 150.0cm。因為系統完成后主要應用于工業生產流水線上目標表面質量的快速檢測，其工作距離在 1.2～1.8m 之間，故采用 150.0cm 的標定距離。前置透鏡組典型焦距 1200mm，可電控調焦，相機最高幀率為 100fps/s。

　　在獲得線激光的能量分布后，對中心位置進行曲線擬合可以得到結構激光掃描線的擬合方程;然后通過兩個 CCD 中標準板的圖像位置，計算基線長度、測試目標與測試平臺的夾角;最后將每個測量截面點云在三維空間復現，構成目標三維點云集合。以 P1 面的光強分布為例，對光束照射位置處能量進行采樣擬合，在對比了極值采樣與高斯采樣的基礎上，選用了高斯采樣，獲得了亞像素級的標準位置坐標點，再結合 Halcon 標定板上圓點坐標，即可將該截面的二維信息轉化為三維點云。

　　高斯分布擬合的中心線對各個測試點的方差均值更小，當系統存在雜散點、照明不均勻、背景強光等時，其對總體分布的波動影響較小，而極值采樣更偏向于峰值位置。在本系統應用中，高斯分布的擬合線更符合實際測試要求。高斯采樣擬合與極值采樣擬合的直線映射位置與實際位置的偏差均值分別是 0.59mm 與 0.93mm，故采用高斯采樣誤差更小。

　　3.2 偏振多光譜邊界

　　對于雜散光引入的白噪聲干擾，僅采用傳統灰度圖像處理算法就能夠很好的抑制，但在雙目識別中采用的是激光掃描獲取的方式，數據點是離散的，傳統算法僅能計算某一界面，這樣會導致目標不同局部區域存在混疊的問題。故單純采用灰度圖像處理算法無法對空間離散的白噪聲進行有效抑制，所以限定濾波的邊界顯得尤為重要。本系統以 CCD 感光面法向為參考方向，設置前置偏振片線偏振度為 0°、45°、90° 和 135°，采集 4 幅不同偏振圖像 I1、I2、I3 和 I4，對 4 幅偏振光譜圖像進行線性加權，生成單幅濾噪后圖像，避免耀光、雜散光的干擾。將抑噪后圖像中目標所在區域范圍作為目標三維點云在該截面的二維邊界。

　　線激光外的區域中存在的雜散光等白噪聲并不是二維平面上的噪聲，所以不能將其全部濾除，其中包含了目標其它部分的有效信號及不同分區的噪聲，所以需要通過不同偏振角條件下點云數據的分區進行分別濾波。當根據 4 個偏振態圖像的邊界分區分別進行濾波后，從而得到解算后的融合圖像，該圖像完成了目標不同部分的分區濾波。濾波后線激光灰度圖像的背景噪聲被大幅降低，線激光照射的區域以外噪聲強度均值得到了很好的抑制。取背景區域內 10×10 像素范圍計算噪聲強度均值，濾波前后分別為 49.5 和 13.4，說明采用偏振多光譜疊加可以對不具備偏振特征的白噪聲起到很好地抑制作用。而對 5×5 像素范圍的線激光照射區域灰度圖像進行分析發現，濾波前后分別為 238.6 和 229.1，強度衰減遠小于背景區，即濾波對提高圖像信噪比是有效的。

　　3.3 數據融合與三維重建

　　實驗選用兩段局部具有不同曲率的測試目標，對其進行掃描采集的點云數據，并利用偏振多光譜測試中提供的邊際條件對點云數據進行濾波，獲得目標三維可視化圖像。在測試目標表面分別選取了 100 個坐標點，絕大部分分布在目標兩個局部表面上。測試結果顯示，大部分的測試點位重建精度偏差很小，超過 80% 的測試點的誤差小于 3.05μm，這些點優化前后的平均偏差為 1.49μm。

　　但未優化的測試點中存在 3 處明顯偏差位置，偏差最大值為 62.32μm，顯然已不在同一個表面，其被判定為雜散點噪聲，可見采用本算法對點云內異常點具有很好的識別效果。經過優化濾波后的目標三維點云數據分布均勻，在主要的兩個局部表面上基本沒有雜散點，可以很好地反映目標表面結構，提供較好的視覺效果。

　　4 結論

　　本文針對三維目標重建過程中容易誤將目標位置附近的雜散點混入的問題、對目標表面光滑度高容易產生數據空洞的問題，提出了基于偏振多光譜融合的雙目激光掃描成像系統。雙目激光掃描實驗中，得到了高斯采樣可以獲得更好的中心位置反演精度的結論。偏振圖像疊加測試時將目標界面的噪聲進行了抑制，得到了較好的效果。最終，對待測目標點云數據的三維視覺重建得到了優化，驗證了本算法的可行性。

龐士昱;馮賢菊,河南工業職業技術學院,202411