改进哈里斯鹰优化算法在匹配地面点云孔洞修补中的应用_张炎.pdf

测绘通报2023 年第 6 期引文格式:张炎，刘立龙，何广焕，等 改进哈里斯鹰优化算法在匹配地面点云孔洞修补中的应用 J 测绘通报，2023(6):82-87 DOI:10 13474/j cnki 11-2246 2023 0172改进哈里斯鹰优化算法在匹配地面点云孔洞修补中的应用张炎1，2，刘立龙1，2，何广焕3，徐勇1，2，蒙金龙3(1 桂林理工大学测绘地理信息学院，广西 桂林 541006;2 广西空间信息与测绘重点实验室，广西 桂林 541006;3 广西建设职业技术学院，广西 南宁 530007)摘要:针对无人机匹配点云经地面点滤波后存在较多孔洞的问题，本文提出了利用改进哈里斯鹰算法优化最小二乘支持向量机修补地面点云孔洞。首先，利用八叉树结构法对滤波后的点云数据进行地面特征点提取;然后，采用非线性收敛因子和自适应逃脱概率策略对哈里斯鹰算法进行改进，并将其用于最小二乘支持向量机孔洞修补模型的参数优化。试验结果表明，与常规最小二乘支持向量机相比，组合模型的孔洞修补精度提高了 34.3%，其稳定性也得到增强，具备一定的时效性和现实性。关键词:改进哈里斯鹰算法;八叉树结构法;最小二乘支持向量机;点云孔洞修补中图分类号:P237文献标识码:A文章编号:0494-0911(2023)06-0082-06Application of improved Harris Hawks optimization algorithm in patchingcloud holes at matching ground pointsZHANG Yan1，2，LIU Lilong1，2，HE Guanghuan3，XU Yong1，2，MENG Jinlong3(1 College of Geomatics and Geoinformation，Guilin University of Technology，Guilin 541006，China;2 Guangxi Key Laboratory of SpatialInformation and Geomatics，Guilin 541006，China;3 Guangxi Construction Vocational and Technical College，Nanning 530007，China)Abstract:Aiming at the problem that there will be more holes in the UAV matching point cloud after ground point filtering，this paperproposes to use the improved Harris Hawks optimization algorithm to optimize the least squares support vector machine to repair theground point cloud hole Firstly，the eight-pronged tree structure method is used to extract ground feature points from the filtered pointcloud data Secondly，the Harris Eagle algorithm is improved by using nonlinear convergence factor and adaptive escape probabilitystrategy，and it is used for parameter optimization of hole repair model of least squares support vector machine Experimental resultsshow that compared with the conventional least squares support vector machine，the hole repair accuracy of the combined model isimproved by 34.3%，and its stability is also enhanced，which has a certain timeliness and realityKey words:improved Harris Hawks optimization algorithm;octagonal tree structure method;least squares support vector machine;point cloud hole repair进入 21 世纪后，无人机用途不断扩大，逐渐在军事、测绘、国土等行业得到广泛应用，现已成为一种新型的空中平台1。通过无人机低空摄影测量技术快速精确地获取目标地物的空间地理信息是当前测绘学者们研究的一个重要方向，该过程主要是利用无人机外业航拍获取测区的序列影像，依据其时间的连续性和成像区域空间位置重叠性等特征，结合相关的计算机视觉技术及空中三角测量原理对序列影像中的所有地物解算出实际空间位置信息。在实际工作中，因测区植被、建筑物等干扰，获取的地表点云数据处理后会出现一系列的孔洞，从而降低了最终的建模精度2-3。针对此类问题，文献 4 通过大量的试验发现，地势越陡则各种空间插值方法精度越差，其中点云密度较小(1 19点/m2)，不规则三角网插值与自然领域插值在陡坡的插值精度更具优势;文献 5 提出利用点云孔洞边界及其附近的空间信息，通过最小二乘支持向量机(least squares support vector machine，LSSVM)对点云孔洞建立三维曲面，最终完成孔洞修补。本文在哈里斯鹰优化(Harris Hawks optimization，HHO)算法的基础上，引入非线性收敛因子和自适应逃脱概率策略，并将改进后的哈里斯鹰优化28收稿日期:2022-08-08基金项目:国家自然科学基金(42064002);广西空间信息与测绘重点实验室基金(2020GXNSFBA297160;2021GXNSFBA220046);广西中青年教师基础能力提升项目(2021KY0268)作者简介:张炎(1992)，男，硕士，助理实验师，主要研究方向为数字摄影测量。E-mail:zy_290250 163 com通信作者:何广焕。E-mail:503871493 qq2023 年第 6 期张炎，等:改进哈里斯鹰优化算法在匹配地面点云孔洞修补中的应用(improved Harris Hawks optimization，IHHO)算法应用于最小二乘支持向量机的核函数和正则化参数的搜寻过程中。针对原始点云数据中存在过多冗余信息的问题，选择八叉树结构法提取匹配地面点云地形特征点，利用预 处 理 后 的 数 据，通 过IHHO-LSSVM 算法构建点云孔洞修补模型，进一步提高点云孔洞修补的精度。1数据获取研究区域为南宁市青秀区某建筑材料消纳场，范围约为 0.227 km2，呈方形面状，内部含有平地、丘陵、沟壑等地貌特征，且存在部分植被、房屋、电线杆等地物及填挖方设备(如图 1 所示)。利用低空摄影测量结合 PPK 技术完成研究区的数据采集，无人机基础参数设置及数据获取内容见表 1表 2。图 1航摄区域表 1无人机航拍参数设置参数类别航高/m分辨率/cm纵横重叠度(%)航飞模式定位方式参数值/模式802.180正射+倾斜PPK表 2采集数据类型数据类别影像/张航拍观测文件/个RTK 观测文件/个像控点/个基站点/个数量13225141首先利用 Pen-PPK 软件结合外业获取的无人机卫星观测文件、基站卫星观测文件及其厘米级坐标对各个影像的 POS 信息进行后差分解算;然后通过 Agisoft Metashape 软件对获取的航测数据及后处理的影像 POS 数据作进一步处理，从而生成试验区的匹配点云。因获取的匹配点云存在大量的非地面点，需要通过地面点滤波提取地面匹配点云，本文采用布料模拟滤波法在获取的匹配点云中提取地面点云，效果如图 2 所示。图 2滤波处理后的地面点云本文以该区域经滤波处理后产生的点云孔洞为主要研究对象，利用外业 RTK 获取的地形点作为研究区域的孔洞修补检核数据。其中，RTK 采样点间隔约为 5 m，且在地形陡峭复杂的位置进行了加密采集。为综合评价孔洞修补精度，选定试验区内25 个点位作为孔洞修补的局部检查点，点位一般处于植被、灌木丛、电线杆、陡坎等地物的下方或附近，呈一定的隐蔽状态，且在整个研究区内均匀分布。点位分布如图 3 所示(灰色区域代表滤波后的地面点云，白色区域代表点云孔洞，点代表检查点)。图 3试验区检核点分布2特征点提取八叉树结构法是依据点云数据在空间坐标轴(O XYZ)上的最大值和最小值建立一个立体包围盒，然后通过八叉树结构对点云的几何空间进行n 次 8 个立方体剖分，当某个立方体内的点云数据具有相同的特性时，则由该立方体构成一个叶节点38测绘通报2023 年第 6 期并停止剖分;反之为根节点，并继续把该立方体剖分为 8 个子立方体，依次递剖分直至完成空间特征点的提取6-7。该过程仅需设置合适的剖分递归层数，即可对点云数据进行多次分解，从而提取空间特征点，适用于处理杂乱无章的点云数据，是一种经典的地形数据结构模型。研究区域的匹配地面点云数据相对较密集，存在较多的冗余信息。为提高点云孔洞模型的修补效率和准确性，引入八叉树结构法提取地面点云数据的地形特征点。将八叉树的最大递归层数设置为 9，即将点云数据剖分为 512 个最小子立方体，所提取的地形特征点既可存在于最小子立方体，又可存在于其他子立方体。研究区内局部提取效果如图 4 所示。图 4特征点提取由图 4 可知，提取后的特征点能较清晰地反映出原点云中山脊、陡坎、斜坡等地形特征，为后期点云孔洞修补模型的构建提供可靠的训练数据。3点云孔洞修补模型3.1IHHO 算法HHO 算法具备良好的稳定性，因其调节参数少、操作简单等特点得到广泛应用8-9。尽管 HHO算法具有良好的空间寻优策略，但其在进行参数寻优的过程中会出现收敛速度慢、易陷入局部最优等情况，因而需对 HHO 算法作进一步改进。本文引入逃逸能量的非线性收敛因子且采用自适应逃脱概率等两种策略对 HHO 算法进行改进。(1)引入非线性收敛因子。在 HHO 算法中，其种群主要是依据猎物的逃逸能量 E 进行捕猎，但在逃逸能量中仅存在一个线性递减的收敛因子 a 和能量初始随机数，不能有效地描述出哈里斯鹰多轮协同围捕猎物的状况。为更高效地展现出其快速、全局性的搜索捕获能力，本文引入非线性收敛因子，公式为a=2 1 tT()(原公式)a=21+eQ(2tT1)(改进代替)(1)式中，e 为自然底数;t 为当前迭代数;T 为最大迭代次数;Q=9.903 438。改进前后的递减因子趋势如图 5 所示。图 5改进前后收敛因子对比由图 5 可知，经改进后的收敛因子由 2(非线性)递减至 0，迭代前期呈凸性递减，能使猎物的逃逸能量下降缓慢，进而使得哈里斯鹰种群执行更多次数的全局搜索，很大程度上避免了其陷入局部最优解;迭代后期，收敛因子呈凹性递减，猎物的逃逸能量急剧下降，使得哈里斯鹰种群能迅速执行捕猎机制，并快速收敛寻找到最优值。因此，改进后的收敛因子不仅能提高 HHO 算法的全局搜索能力，也能进一步缩短局部搜索过程。(2)采用自适应的逃脱概率策略。在哈里斯鹰算法的收敛因子改进后，尽管其全局和局部搜索能力均得到提高，但由于加快了局部搜索最优解的过程，且原算法中猎物的逃脱概率 r 设置为0.5，导致进入局部搜索阶段后，哈里斯鹰种群强围攻和硬包围的动作比软围攻和软包围的概率更大。因此，为了平衡这 4 种攻击策略的平衡性，提出一种具有自适应性的猎物非线性递减逃脱概率，公式为r=1 lg