基于水下线扫描激光雷达的稳健激光条纹拼接方法，用于三维目标重建

《Optics and Lasers in Engineering》：Robust laser stripe stitching method based on an underwater line scanning lidar for 3D target reconstruction

　　徐赵|吴国军|刘贵忠|宋宗禧|冯飞|程晨生|徐靖汉|寇静伟
中国科学院西安光学精密机械研究所，中国西安，710119

摘要
水下线扫描激光雷达（ULSL）通过从激光条纹图像重建三维（3D）轮廓，在水下目标检测中发挥着关键作用。基于ULSL的3D目标重建过程包括两个关键步骤：1）从原始激光条纹图像中准确提取激光中心线；2）将激光条纹转换到统一的世界坐标系统中。目前，我们之前的研究已经成功解决了水下环境中激光中心线提取的挑战，这一问题因高吸收和强后向散射而变得复杂。为了解决由于ULSL搭载平台在扫掠扫描过程中的摆动和速度不均匀导致的3D重建结果失真问题，本文创新地将激光条纹拼接过程表述为点云配准问题，并提出了一种鲁棒的激光条纹拼接方法。此外，通过在两类水下目标上的3D重建实验验证了所提方法的优越性。结果表明：对于三级凸起目标，我们的方法将重建误差降低了53.6%；而对于圆柱形目标，误差降低幅度达到了73.1%。值得注意的是，我们的解决方案在没有引入额外计算开销的情况下实现了这些精度提升。

引言
水下线扫描激光雷达（ULSL）[1] [2]能够通过激光条纹图像重建水下目标的三维（3D）轮廓信息，在海床地形测绘、海洋生物研究、导航和军事目标检测等方面发挥着重要作用[3] [4]。具体而言，基于ULSL的水下目标3D重建包括两个关键步骤：首先，从获取的原始激光条纹图像中准确提取激光条纹；其次，按照特定算法系统地拼接这些激光条纹。在我们之前的研究中，已经有效解决了由于水下高吸收和强后向散射干扰导致的水下激光中心线提取问题[5]。然而，在对水下目标进行扫掠扫描时，平台运动引起的摆动和速度变化仍然是激光条纹拼接的主要障碍，严重影响了3D重建的质量。激光条纹拼接过程本质上是将与3D重建相关的激光条纹转换为统一的世界坐标系统，以补偿由平台运动和非均匀速度引起的ULSL成像失真。从根本上说，激光条纹拼接代表了连续激光条纹之间的姿态变换，从而可以将相邻帧的激光条纹拼接问题表述为点云配准问题。

激光条纹处理在ULSL的3D重建中起着关键作用，是本工作提出方法的基础。从几何结构和强度特征的角度来看[6]，现有方法通常可以分为两大类。第一类方法仅考虑灰度值，并使用纯最大值准则来检测中心线，例如灰度-重力法[7]、阈值法[8]、极值法[9]、方向模板法[10]、曲线拟合法[11]、Hessian矩阵法[12]等。这些方法通常依赖于全局或局部强度最大化来确定中心线位置。然而，在水下环境中，光散射和吸收会严重扭曲强度分布，常常导致中心线假设错误且鲁棒性降低。第二类方法将激光条纹视为具有几何边缘的对象，例如边缘法[13]和细化法[14]。首先确定激光条纹的边缘轮廓，然后识别垂直于激光条纹的边缘轮廓的几何中心作为其中心线。然而，由于水下浑浊条件下的局部对比度低和条纹边界模糊，可靠的边缘提取变得具有挑战性，限制了这类方法的效果。随着深度神经网络在水下图像增强和特征提取中的成功应用[15] [16]，人们越来越多地关注数据驱动的激光条纹处理方法。这些方法旨在提高抗噪声和散射效应的能力，同时提高中心线检测的准确性。在解决相关挑战时，周等人[17]提出了一种算法，用于减轻环境光照变化对激光条纹分割精度的影响。他们的方法结合了单尺度Retinex（SSR）去噪、帧间差异、基于Otsu的初始分割、几何平均滤波、形态学闭合以及基于灰度分布特性的精细分割策略。实验结果表明，在环境光照强度范围为37至1050 lx且激光功率≥50 mW的情况下，分割成功率超过90.625%，显著提高了测量精度。此外，为了在保留目标边缘特征的同时抑制点云中的大尺度噪声，周等人[18]还提出了一种基于法向量相似性的算法，该算法在局部最优邻域框架内运行，其准确率比Segment Anything Model（SAM）高出0.0673，并有效减少了测量误差。为了进一步处理基于线条的点云数据中的噪声，高等人[19]提出了一种混合方法，该方法结合了基于角度-距离准则的缺陷点去除和分段自适应滤波。具体而言，改进的Savitzky-Golay（SG）滤波策略对曲率半径小的段落使用距离加权的高斯滤波，对曲率半径大的段落使用标准高斯滤波，对近似线性的段落使用中值滤波。实验结果表明，这种方法有效提高了几何参数估计的准确性。这些激光条纹分割和点云去噪方面的进展为开发更鲁棒、更精确的水下环境激光条纹处理技术提供了宝贵经验。

现有的点云配准算法可以分为三大类：基于ICP（迭代最近点）的方法、基于NDT（-normal Distributions Transform）的方法和基于深度学习的方法。其中，ICP算法[20] [21] [22]最初由Paul J. Besl和Neil D. McKay于1992年提出，仍然是最著名的算法，用于在欧几里得（刚性）变换（仅包括旋转和平移）下高效配准两个2D或3D点集。其概念简单直观：给定一个初始变换后，它通过对应点匹配和最优刚性变换估计两个步骤进行迭代，直到误差收敛，最终完成源点云到目标点云的精确配准。值得注意的是，点对点ICP算法可以直接处理原始点集，而不受其固有属性（如分布、密度和异常值）的影响[23]。由于其概念简单、易用性和良好的实际性能，ICP及其变体获得了广泛的应用。Kok-Lim Low提出了一个严格推导的线性系统，将传统的点对点距离度量重新表述为点到切平面范式。这种适应方式获得了高保真的最小二乘解，同时通过计算简化将收敛速度提高了3-5倍[24]。为了解决两个大致预注册、部分重叠、刚性和嘈杂的3D点集的几何配准问题，Chetverikov D等人提出了一种新的、自然的、简单且鲁棒的扩展算法Trimmed ICP（TrICP）。TrICP算法速度快，当重叠量小于50%时表现良好，对错误和不完整的测量结果具有鲁棒性，其参数易于设置[25]。Segal等人将迭代最近点（ICP）算法和点到平面ICP算法统一到一个概率框架中，即Generalised ICP（G-ICP）。实验结果表明，其性能超过了标准ICP及其点到平面变体[26]。Serafin J等人提出了一种新颖的在线递归点云配准方法“Normal Iterative Closest Point”（简称NICP），该方法在选择最近点时考虑了投影点与候选最近点之间的曲率和法向量，并在公开基准数据上验证了其优越性[27]。然而，基于ICP的算法存在以下固有局限性：首先，作为一种迭代方法，它需要良好的初始化；否则，算法容易收敛到局部最小值，导致估计结果偏差。更严重的是，没有可靠的方法可以确定它是否陷入了局部最小值。其次，计算点之间的欧几里得距离容易受到噪声和异常值的影响。第三，每次迭代都需要最近邻搜索，计算成本较高。最后，当点云稀疏或不均匀分布时，基于ICP的算法性能较差，不适合结构化稀疏场景。

NDT算法由Biber P.和Strasser W.于2003年提出，以克服基于ICP的算法的上述固有局限性[28]。与ICP的点对点匹配方法不同，NDT采用概率建模进行配准。核心方法包括：将参考点云划分为网格单元，使用高斯分布对每个单元内的点分布进行建模，并通过概率密度函数匹配而不是直接点对应来进行配准。该算法最终通过最大化目标点云在参考点云概率分布框架内的可能性来确定最优变换参数。研究人员将2D NDT扫描匹配技术扩展到3D空间，采用多分辨率网格方法实现了从粗到细的配准，显著提高了计算效率和匹配精度[29]。对于3D地图闭环检测，Magnusson M.等人提出了一种创新方法，该方法利用基于表面方向和光滑度的特征直方图进行位置表示。该方法通过特征直方图匹配检测闭环，同时结合自适应网格调整来实现不同点云密度的鲁棒性能[30]。尽管基于NDT的算法相比基于ICP的算法有所改进，但仍存在许多问题需要解决：首先，它们受网格分辨率敏感性的影响。NDT的核心思想是将点云划分为单元，并对每个单元内的点拟合高斯分布。网格大小的选择直接影响配准性能——如果网格太大，可能会丢失局部细节，导致配准精度降低；反之，如果网格太小，则由于点云稀疏，某些单元可能包含不足的点，无法拟合有效的高斯分布。此外，尽管NDT对初始姿态估计的依赖性低于ICP，但它仍然存在局限性。如果初始姿态偏差太大，概率分布匹配可能会收敛到局部最优解。

自Zeng等人于2017年提出3DMatch方法[31]以来，基于深度学习的方法逐渐成为研究热点，在噪声鲁棒性、计算效率和泛化到大规模场景方面克服了传统方法的局限性。特别是PointNet[32]和PointNet++[33]的引入使得卷积神经网络可以直接应用于原始点云，无需体素化，显著提高了点云的处理效率。Aoki等人将PointNet和Lucas & Kanade（LK）算法整合到一个可训练的循环深度神经网络框架中，并在多个标准配准场景中评估了其性能[34]。Huang等人创新性地引入了重叠注意力模块，以实现两个点云的潜在编码之间的早期信息交换，特别适用于重叠比率较低点云对[35]。Lu等人提出了DeepVCP——一种新颖的端到端3D点云配准框架，其关键贡献在于通过从候选点集合学习匹配概率来生成对应关系，从而提高配准精度[36]。然而，基于深度学习的算法仍面临几个挑战，包括高训练数据依赖性、较大的计算资源消耗以及对噪声的鲁棒性不足。

激光条纹可以近似为线性分布的点云，其拼接过程可以类似地视为点云配准问题。然而，激光条纹拼接和点云配准之间存在三个根本差异。首先，点云配准旨在合并来自空间或时间不同视角捕获的同一目标的多个点云，而激光条纹拼接依赖于连续扫掠过程中不同时间反射的激光条纹之间的相关性进行数据融合。与使用公共数据集的现有点云配准研究（例如ScanNet[37] [38]、ModelNet40[39] [40]、3DMatch[31] [35] [42]和Redwood[43]）不同，本文研究的激光条纹具有根本不同的数据特性，这些特性体现在两个方面：尺度和维度。在规模方面，传统的点云通常包含数万到数百万个点。如图1所示，ModelNet40、ScanNet、3DMatch和Redwood的样本分别包含10,000、40,256、3,699,303和8,560,872个点。相比之下，激光条纹仅包含几百个点（例如，图1(e)中的445个点），导致几何特征极为稀疏。在维度方面，传统的点云是三维的（3D），而激光条纹是二维的（2D），因此激光条纹之间没有重叠区域。最后，尽管相邻的激光条纹由于目标连续性而表现出特征相关性，但它们不可避免地存在固有差异。更为关键的是，水下环境——其特点是强烈的吸收和高散射特性——会在激光条纹数据中引入大量噪声和异常值，从而影响拼接精度。此外，由于检测到的目标通常位于海底或水中悬浮，通常特征稀疏的背景为激光条纹拼接带来了额外的挑战。因此，本文提出了一种用于水下目标三维重建的激光条纹拼接方法。由于水下环境的高散射和强吸收特性，原始激光条纹中含有大量由噪声干扰引起的异常值。为了确保拼接精度，我们首先进行异常值过滤。随后，为了避免非目标特征引入的错误，我们精确地识别激光条纹中的目标特征区域。最后，所有激光条纹依次与点云中的第一帧激光条纹对齐，以实现畸变校正。由于激光条纹数据的稀疏性和二维线性结构，基于三维体素高斯分布模型的无约束三角测量（NDT）方法的统计假设在这种场景下难以成立。这导致算法收敛不稳定，并且对体素分辨率非常敏感，使其不适合本研究中的激光条纹拼接任务。同时，水下激光条纹拼接任务受到缺乏大规模标注数据、复杂的噪声干扰和有限部署资源等因素的限制。深度学习方法依赖于隐式数据先验，与这项任务所需的显式物理结构约束存在根本差异，并且在适用性和可解释性方面仍面临关键限制。相比之下，ICP算法通过直接最小化对应点之间的几何距离来实现点云配准。它能够在优化过程中嵌入强先验信息，从而更符合本研究的实际需求。此外，在相邻时刻获取的激光条纹数据之间的自然几何相关性与ICP的迭代配准概念高度一致，进一步增强了该方法的可适用性和可解释性。本文的贡献可以总结如下：1）为了解决由于散射干扰、背景模糊、缺少重叠区域和水下激光条纹数据采样不均匀导致的传统点云配准方法的局限性，本文提出了一种基于相邻帧中激光条纹之间几何相关性的鲁棒激光条纹拼接方法。该方法将拼接过程重新定义为一种受几何相关性引导的约束优化问题，并整合了针对水下场景设计的改进策略。2）提出的方法已在水池实验中得到验证，相应的实验结果证明了其有效性。对两个水下目标的对比三维重建实验表明，该方法在配准精度和计算效率方面均优于传统方法。定量分析显示，对于三级凸起目标，误差减少了53.6％；对于圆柱形目标，误差减少了73.1％。本文的其余部分组织如下。下一节（第2节）介绍激光条纹拼接的问题陈述。第3节详细阐述所提出的方法。第4节展示所提出方法的实验验证。第5节进行多次对比实验并讨论结果。最后，我们在第6节总结并对未来的工作进行展望。

问题陈述
在本文中，基于ULSL的三维目标重建本质上是将激光条纹统一到一个共同的坐标系统中。具体来说，我们以第一帧的激光条纹作为参考，然后对后续的激光条纹进行对该参考的对齐。此外，将两个相邻帧的激光条纹拼接视为一个点云配准问题，并以与标准点对点ICP相同的方式定义L2范数配准任务。

方法
基于上述理论分析，我们提出了一种利用迭代最近点（ICP）算法的水下激光条纹拼接的畸变校正方法。该方法有效地将用于三维重建的激光条纹转换到一个统一的世界坐标系统中，从而消除了由于水下平台摇晃和速度不均匀导致的三维成像畸变。所提出的激光条纹拼接解决方案遵循一个多步骤过程，如实验结果所示。

为了验证所提出方法的有效性，构建了一个基于ULSL的实验平台，该平台安装在一个预先设计的支撑框架上。如图6所示，系统由三个关键组件组成：一个激光发射器、两个相机和一个处理单元。为了实现扩展的景深覆盖范围，采用了双相机配置，测量范围为1.8米到65.0米。具体来说，位于激光器4.8米处的近距相机覆盖了1.8米到...米的深度范围。

讨论
与传统点云相比，本文研究的激光条纹表现出根本不同的数据特性。具体来说，它们较小的规模导致特征稀疏，其二维性质使得不同激光条纹之间没有重叠区域。为了解决这个问题，我们提出了一个集成了几何先验、基于区域特征的配准和畸变校正的鲁棒配准框架。首先，通过引入几何先验...

结论
本文重点讨论了ULSL水下目标的三维重建需求，解决了由于平台不稳定（包括摇摆运动和非均匀速度）在推扫过程中导致的三维重建结果中的畸变问题。随后，在受控的水箱环境中完成了两种类型目标（三级凸起目标和圆柱形目标）的三维重建，验证了所提出方法的有效性。

CRediT作者贡献声明
赵旭：撰写——原始草稿、可视化、软件、方法论、调查、形式分析、概念化。
吴国军：撰写——审阅与编辑、监督、资源获取、概念化。
刘贵忠：撰写——审阅与编辑。
宋宗熙：撰写——审阅与编辑。
冯飞：验证、软件、项目管理、数据管理。
程陈生：软件。
徐京汉：撰写——审阅与编辑。
寇京伟：撰写——审阅与编辑。

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道的工作。

致谢
国家关键技术研究与发展计划（2024YFC2814403）；中国科学院关键部署项目（KGFZD-145-25-15）；崂山实验室自筹科技创新项目（LSKJ202502201）；国家自然科学基金（62305379）。