第三章 系統流程
3.3 系統前處理
3.3.2 物件分群
在前面的部分有提到點雲資訊是由距離影像經過一定的運算得來的，也就是說，距 離影像上的每個像素，都可以對應到點雲資訊上的某一個點，反過來說，每當利用平面 切割的方法刪去點雲中任一個點的時候，也等於將距離影像中的某一個像素值歸為零，
假設有一場景經過平面切割厚，如圖 3.10：
圖 3.10 平面切割後點雲資訊。
可以將圖 3.10 這筆點雲資訊轉換成為距離影像如圖 3.11：
圖 3.11 平面切割後對應之距離影像。
圖 3.11 為將平面切割後點雲圖對應的距離影像，這邊利用連結區塊分類法，可以將物 件進行分群，而這邊不同於過去連結區塊法的地方是，過去的連結區塊法會配合二值化 一起使用，但本論文提出了不同的方法，不利用二值化，而是使用距離影像擁有深度的 這個特色來進行切割，做法與傳統連結區塊分類法有些微的不一樣，傳統連結區塊的演 算法是：
步驟一：由左至右，由上至下的掃描影像中的所有像素，並給予標記值，標記值是以鄰 近點中，標記值最小的為主，若鄰近點都未被標記，則給予一個新的標記值。
步驟二：再次掃描所有像素，若相鄰點標記不同，則重心標記為鄰近點中的最小值。
而本論文的做法不同，給予標記值之前，會先計算兩個點的深度差，如果小於閥值才給 予為同一個標記值，如果大於閥職則給予新的標記值，若同時有多個不同位置符合結果，
則是以標記時較小的為主。利用這樣的方法可以得到結果，如圖 3.12
圖 3.12 連結區塊法分類結果。
在物件分群中，會設定每個類別的最大值以及最小值以避免掉過多不必要的分類，根據 圖 3.12 可以發現，在圖的左上角可以看到有四塊鄰近的區塊，如果以過去傳統連結區 塊法會連結成同一區塊，但是利用深度差的方式來執行的話，可以將四塊不同的物件都 切割開來。為了證明本方法的正確性，最後也將這樣分類的結果與過去常使用的歐西里 德距離法來進行分類的結果比較，如圖 3.13：
圖 3.13 歐西里德距離分類法分類結果。
可以發現分類結果是一樣的，證明利用距離影像進行分類，因為不必建立 KD-tree，並 且利用 4-鄰近點的方式也減少了點雲中搜尋鄰近點的步驟，所以在時間上有很大的優勢，
並且結果也是一樣的，從圖 3.13 中可以看到在深度不同，多物件連接的位置，利用連 結區塊法也是可以順利分割，而決定是否可以分割的依據是靠閥值來決定的，閥值若設 定過小會造成同一物件被過度分割，相反的閥值若設定太大會造成兩個不同物件被分為 同一類，所以如何設定閥值是非常重要的工作，在這邊本論文也提供閥值設定的方法，
閥值r 本身代表的意義是兩個物件若距離超過th r 則會被分成兩類，所以在設定時，則是th 以考量物件會距離多遠來進行設定，但是要考慮到點雲的密集問題，也不能將閥值設定 太小，以本論文為例，設定閥值為 2 公分。
3.3.3 興趣目標搜尋
興趣目標搜尋的部分主要是依靠點雲來執行的，由於三維影像是以距離作為表示，
所以不論雷射測距儀距離物件多遠，量到物件的尺寸只會有點數的差異，而不會有大小 的不同，如圖 3.14：
(a) (b)
圖 3.14 不同距離拍攝之坦克車。(a) 15179 點；(b)10942 點。
圖 3.14 中，(a) 圖與(b) 圖是同一台坦克在不同位置及距離下拍攝的結果，可以發現不 同距離之下，點數相差甚多，(a)有 15179 點，(b)則只有 10942 點，但若將兩圖放在同一 座標軸，如圖 3.15
圖 3.15 不同距離之坦克車圖。
可以發現，兩圖雖然點數不同，但是整體大小並不會因為距離而改變，而本論文就是依 靠這樣的特性來確認哪些物件為興趣目標。
考慮到物體會形變，找出來的尺寸在不同的形態下會有不一樣的結果，本論文的做 法是：
步驟一：將物件根據與平面之距離 r 分為上下兩個部份。
步驟二：對下部份的物件進行主成份分析，求出長度 l 以及寬度 w。
步驟三：根據長度以及寬度，檢查是否大於長寬閥值 lth、wth， 若大於閥值則非坦克車；
若未大於閥值進入步驟四。
步驟四：找出上部分的高度是否大於高度閥值 hth， 若大於閥值則非坦克車；
若未大於閥值則為坦克車。
其中 r 的設定主要目的只是要找出下部分皆為坦克車身，並非要很精準的將物件分為車 身及砲塔，所以 r 的設定只要不要過高，切到形變部分即可，以本論文為例，設定 r = 5 公分(換算實際距離為 5*16=80 公分)；lth的設定則是以物件的對角線會為最大值，wth的 設定則是當長軸為對角線時所對應的寬度，如圖 3.16 所示：
圖 3.16 長寬閥值定示意圖。
由於本論文目標是對所有坦克車進行姿態估測，所以長寬閥值並不能只為單一台坦克車 做設計，但是大部分的坦克車在長度以及寬度都相似，所以設定閥值時則是以大部份坦 克車的大小來做設定，以本論文為例，閥值設定為 lth = 50 公分(換算實際距離為 50*16=8 公尺)，wth=20 公分(換算實際距離為 20*16=3.2 公尺)，最後高度閥值 hth的部分的設定目
標是將類似樹、圍牆以及房子等這些可能出現在戰場中，設定上也是依照大部份坦克車 炮管高度來調整，以本論文為例 r = 20 公分(換算實際距離為 20*16=3.2 公尺)，利用以 上的參數搭配本論文提出的演算法就可以順利的找到場景中的興趣目標，以下圖 3.17 為例：
圖 3.17 坦克車場景。
圖 3.17 中為含有坦克車之場景，經過平面切割以及分類後可以得到下圖 3.18：
圖 3.18 物件分類結果。
圖 3.18 中是利用連結區塊分類得到結果，再利用興趣目標切割法可以得到如圖 3.19：
圖 3.19 興趣目標搜尋結果。
圖 3.19 中可以發現，利用本論文的演算法可以順利獲得坦克車的點雲資訊，下一章節 將開始介紹本論文姿態估測的相關演算法。