一种基于优化分离矩阵的点云特征保留新过滤方法，该方法用于独立成分分析

《Optics & Laser Technology》：A novel filtering method for point cloud feature retention based on optimized separation matrix for independent component analysis

点云滤波、局部特征保留、高阶独立成分分析（GICA）、原子搜索优化算法（K-ASO）、几何细节保持

　　

英奎·顾|洪章·朱|陈璐·刘|彭黄|广琪·邱

江西科技大学机电工程学院，中国赣州341000

摘要

在修复铁路轨道的任务中，净化点云数据通常可以提高维护的准确性。然而，在过滤过程中，局部特征信息和曲率变化处的特征信息难以保留，这导致点云数据不完整，维护准确性降低。为了解决这些问题，提出了一种新的点云过滤方法，该方法能够保留局部特征。首先，提出了一种基于网格的高阶独立成分分析（GICA）的过滤算法。该算法充分考虑了包含局部特征信息的点，并且即使在增加过滤尺度的情况下也能保留局部特征。此外，还提出了一种优化算法（K-ASO）。使用峰度作为迭代方向，而曲率变化方向作为扰动方向。通过随机扰动来探索最优分离矩阵，从而最大程度地提高噪声点的识别能力，并保留具有较大曲率变化的点云特征。随后，设置一个阈值，并根据计算出的能量值过滤噪声点。最后，选择多条不同角度的铁路轨道作为实验对象。结果表明，与传统的过滤算法相比，所提出的方法过滤效率提高了约9.375%。为了验证所提出方法的泛化能力，在Stanford数据集和其他几个数据集上进行了实验。采用倒角距离（CD）作为评估指标，结果显示与SOTA方法相比平均提高了16.8%。这表明所提出的方法有效地去除了噪声干扰，并在保留点云几何特征的同时提高了其鲁棒性。

引言

随着激光雷达生成的点云数据的广泛应用，在线缺陷检测、机器人技术和遥感技术的最新进展显著扩展了这些数据的利用范围，使点云处理成为计算机视觉研究的一个重点领域[1]、[2]、[3]。在采集过程中，点云数据经常受到各种噪声源的影响，包括设备稳定性和精度的限制、光照条件、电磁干扰、物体表面特性以及人为操作错误等因素。这些因素可能会引入大量噪声，对后续的数据处理任务产生不利影响。因此，识别和去除点云数据中的噪声和缺陷是确保数据质量和可靠性的关键步骤[4]、[5]、[6]、[7]。

目前，为了更好地保留特征信息，避免对原始点云中尖锐几何特征进行过度平滑处理，Kang等人引入了一种基于贝叶斯采样共识（BaySAC）的平面检测方法，该方法采用阈值独立的采样机制和点云降采样技术[8]、[9]、[10]。Liu等人[11]提出了一种鲁棒的法线估计方法，通过改进局部邻域中的法线向量计算，实现了对光滑表面和尖锐边缘的兼容性。此外，通过将主成分分析（PCA）与参数曲线细分技术相结合，该方法提取了高保真度的插值节点并生成拟合曲线。这种方法不仅优化了时间序列点云的数据处理效率，还显著提高了对边缘平滑度和图像稀疏性的控制精度[12]。Lian等人[13]提出了一种基于特征信息保留的多尺度过滤方法。它通过计算每个点及其邻居的统计特征来识别和去除大规模异常值。采用改进的双边过滤算法，结合法线估计和方向判别来消除小规模局部噪声和边缘噪声。PointProNets[14]是专注于去噪的一个成功尝试。他们创新地将3D点云投影到2D高度图域上，并使用卷积神经网络（CNN）进行噪声抑制[15]，验证了深度学习在点云去噪中的适用性。Rakotosaona等人[16]提出了PointClean Net（PCN），构建了一个更精细的两阶段框架。虽然深度学习显著提高了过滤效率，但由于其对大量标记数据的依赖性，特别是在数据稀缺的特定场景中，也存在局限性。因此，如何减少对大规模标注数据的依赖已成为一个关键的研究方向。Hermosilla等人[17]进一步突破了监督学习范式，将无监督图像去噪概念[18]、[19]、[20]应用于3D领域。通过对抗性训练，他们在不需要干净点云监督的情况下实现了噪声建模[[21]、[22]、[23]]，为实际工业场景中的数据稀缺问题提供了新的解决方案[24]、[25]、[26]、[27]。无监督方法可以有效减轻深度学习对大规模标注数据的依赖，但它们也面临重大挑战。无监督去噪模型通常收敛缓慢，训练不稳定，且对超参数更敏感，这增加了实际应用中的调试和部署难度。

在铁路检测任务中，提取干净的铁路点云对于后续的检测环节非常重要。获取高质量点云数据的方法包括更换更高精度的采集设备和处理收集到的点云数据。显然，处理收集到的点云数据的成本较低。因此，处理收集到的点云数据是最佳解决方案。然而，铁路的复杂几何形状（包括铁路冠部和腹部的曲率问题）以及从铁路侧面捕捉点云的挑战给过滤任务带来了显著障碍。户外数据采集特别容易受到环境干扰，往往导致点云中充满难以区分的噪声。此外，相机角度的限制可能会产生盲点，导致点云数据不完整，严重影响后续的过滤。需要一种过滤方法，从细节角度评估每个点对整个点云的贡献，确定其是否对铁路点云结构至关重要，同时确保保留局部几何细节。这种方法可以过滤掉噪声，并最小化后续处理阶段中异常值的干扰。

为了解决上述问题，本研究提出了一种保留铁路轨道局部特征的方法，该方法通过渐进机制在复杂的噪声环境下实现点云特征保留和高效去噪。为了解决铁路点云采集中的盲点问题，提出了一种基于网格的FsatICA分析方法。该方法将采集到的点云数据进行网格划分，计算每个点对整个网格的贡献，以防止局部不完整的点云被误认为是噪声并导致数据丢失。随后，为了解决铁路冠部和腹部交界处的曲率问题以及铁路几何形状的复杂性，引入了一种改进的原子搜索优化算法。使用峰度作为优化标准，权重更新被建模为一个包含漂移项的随机过程。通过模拟点之间的相互作用，该方法解决了由于交界处曲率变化较大而导致的边缘特征丢失问题，从而获得更高质量的几何边缘。

主要贡献总结如下：

• (1)
  提出了一种基于网格的快速独立成分分析（GICA）点云过滤方法。通过对体素单元内的点进行统计分析，解决了局部稀疏点云被误认为是噪声的问题，从而最大限度地保留了点云数据中的局部特征。
• (2)
  提出了一种基于随机微分方程理论的改进原子搜索优化算法（K-ASO）来构建优化框架。使用峰度作为优化标准，点云的曲率变化作为随机扰动。该框架优化了网格中每个点的能量贡献分离矩阵，解决了由于点云数据中曲率变化较大而导致的边缘特征缺失问题。

本文的其余部分组织如下。第2节详细介绍了保留局部特征的过滤方法。第3节进行了实验讨论和分析。第4节总结了整篇文章。

部分片段

基于优化分离矩阵的ICA点云特征保留过滤方法

图中展示了利用优化分离矩阵的提出的ICA点云特征过滤方法。首先，使用距离加权质心计算方法将原始点云划分为体素网格，以提取每个网格内的点云特征。接下来，对每个体素网格内的点云进行居中和白化处理，以消除数据相关性并标准化分布特性。

实验平台

根据工业测试要求，构建了一个实验平台。该平台包括四个主要组成部分：铁路点云数据采集单元、铁路引导单元、输送机构（由传送带组成）和PC控制终端。图3显示了实验平台的示意图。铁路在测试台上以恒定速度从右向左移动。当它通过铁路点云数据采集单元时，内部

结论

针对在复杂情况下难以保留点云模型几何特征的过滤算法，本文提出了一种以铁路轨道为研究对象的点云特征保留方法。完成了铁路轨道点云模型的过滤工作，并验证了过滤结果的合理性，本文的工作总结如下：

(1)

为了解决保留局部点云特征的挑战，

资助信息

本工作得到了国家自然科学基金（资助编号：52306533和52165012）和江西省自然科学基金（资助编号：20242BAB25266）的支持。

作者贡献

顾英奎和朱洪章参与了研究的构思和设计。刘陈璐进行了数据收集和分析，彭黄参与了所提出模型的开发。邱广琪监督并资助了研究的开展。所有作者都阅读并批准了最终稿件。

CRediT作者贡献声明

英奎·顾：撰写——初稿、形式分析、概念化。洪章·朱：撰写——初稿、验证、方法论、调查、概念化。陈璐·刘：可视化、验证、数据管理。彭黄：验证、方法论、调查。邱广琪：撰写——审稿与编辑、监督、资金筹集。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。