第三章 系統流程
3.3 距離影像的辨識
3.3.2 相似度比對
本論文於在線架構下則是利用標高角(elevation)介於 10~80 度與方位角 (azimuth)介於 10~360 度中隨機挑選一組角度來做為輸入距離影像的取得，然後 再經由特徵抽取後可得到一組傅立葉描述子的特徵向量，場景的輸入距離影像所 得之特徵向量要與資料庫中的特徵向量做比對時，本論文在此比較三種範數 (norm)，目的在於比較這三種範數對於兩個特徵向量比對的差異度，在比對中則 是希望將像與不像在相似度上做個明顯的區隔，圖 3-8 表示利用 1-norm 應用在 塔台邊號 1 到 10 的相似度比較中，圖 3-9 表示利用 2-norm 應用在塔台邊號 1 到 10 的相似度比較中，圖 3-10 表示利用無限(infinite)-norm 應用在塔台邊號 1 到 10 的相似度比對中，若是這兩個特徵向量越接近則差異度越小，反之則越大，在圖 3-8 至圖 3-10 所使用的場景輸入皆為為塔台編號 10 的某個角度下所拍攝的影像，
然後再與 10 個塔台做相似度比對，從圖 3-8 中明顯可看出利用 1-norm 可以將其 不相似度值做明顯的區隔，而圖 3-9 與圖 3-10 則分別使用 2-norm 與 infinite-norm 並無法有效的區隔不相似度值，所以本論文將採用 1-norm 做為相似度比對時所 使用之比對方法，而在本論文中的特徵資料庫共有 10 個塔台模型，在從中找出 最小的值所對應的塔台模型作為最終的比對結果，本論文利用 Tou[30]提出之動 態最佳分群法(Dynamic Optimal Clustering)來對上述使用三種不同的範數時，對 於分類結果的效能評估，在此本論文直接對每個塔台在每一個固定的距離下都拍 攝 100 張，距離變化從 600 公尺到 1100 公尺做比較，式(3.1)表示效能估測的依
29
1-norm 2-norm Infinite-norm 600 公尺 0.1638 0.1758 0.1747
30
挑出候選模 型
找出候選模型的 角度落點範圍
找出內插後的特 徵(傅立葉描述子)
進行比對
圖 3-9 視角內插法流程圖。
3.3.4 挑出候選模型
首先將場景的距離影像與每一個塔台模型進行相似度比對，而一個塔台會產 生一組 288 個的比對結果，本論文稱之為 dissimilarity between nodel and scene(簡 稱 DMS)如圖 3-10 所示，表中每一格 Dis 則表示經過相似度比對後所產生的差異 度，再將這個 DMS 利用直方圖的方式來呈現如圖 3-11 所示，針對 10 個塔台挑 選出前幾名差異度最小的作為候選模型，而如何得到最小的差異度則是依據圖 3-10 所圈出的直方圖所對應的差異度，本論文則是針對 10 個塔台模型找出前幾 名差異度最小的作為候選模型，而表中被圈出的部份則由下一節來說明。
圖 3-10 場景與資料庫的特徵向量經由比對後所產生的結果之示意圖。
31
圖 3-11 直方圖表示對應的範圍。
本論文設定一個門檻值，當直方圖中的差異度小於門檻值，則所對應的值方圖將 被挑出來做為角度落點範圍的依據，圖 3-11 中紅色區塊則是差異度小於門檻值 所對應的值方圖。
3.3.5 找出候選模型的角度落點範圍及內插角度
圖 3-12 被圈出的區塊則是應對於圖 3-11 直方圖中差異度小於門檻值的部份，
由於在場景拍攝時是隨機拍攝，我們並不知道是在甚麼角度下去拍攝的，所以由 這些紅色區塊的分佈我們反推對應於場景拍攝時可能的角度範圍，每一個區塊可 看作是一個群集，圖 3-12 說明如何利用這些區塊中心做為內插角度的挑選。
圖 3-12 每個群集中心對應新的內插角度示意圖。
門檻值
32
3.3.6 找出內插的影像及計算傅立葉描述子
利用每個群集中心找出每一個候選模型的內插角度後，每一個候選模型都會 算出所屬的內插角度，接下來就是利用內插角度取出鄰近的距離影像的特徵向量，
最後就是對這些距離影像的特徵向量作內插，圖 3-13 為內插之流程圖。
圖 3-13 內插的流程
先得知後選模型有哪些，利用用新的內插角度得知鄰近四張影像的特徵向量，
在視角內插的部分，本論文利用雙線性內插法(bilinear interpolation)，將其四張影 像的特徵向量做內插，最後可得到內插後新的傅立葉描述子做為特徵向量。
3.3.7 進行比對
經由前幾名候選模型所算出之傅立葉描述子的特徵向量將與場景之特徵向 量做比對，比對的方式仍然是採用 2-norm 的方式來算出差異度，最後比對結果 也將採取前幾名差異度中最小的差異度所對應的模型作為最終的比對結果。
3.3.8 非資料庫物體偵測
通常進行比對後，不相似度最小的值所對應的物體，即是最後辨識出的物體，
33
不過往往辨識出的物體有時候不含在資料庫中，故本論文在此提出一個非資料庫 物體的偵測，利用 10 個模型進行比對後，經由正確比對所產生的大量不相似度 值之資料進行統計，可以得知當場景物體與資料庫模型進行比對後大概的相似度 值會介於在哪一個範圍內，進而可以依據這個範圍的限制，來剃除有可能不是在 資料庫中的場景物體。
圖 3-14 由左至右、由上至下分別為塔台編號 1 到 10，正確比對之對應不相似度 值。
圖 3-15 綜合 10 個塔台之正確比對所對應的不相似度值。
34
35
最小的不相似度值為 0.18，故相似比例小於門檻值，所以本論文判斷此類為不屬 於資料庫的場景物體。
3.4 點雲資料的辨識
本節將討論在塔台與雷射測距儀的距離足夠近的情況下無法擷取到完整的 影像資訊，本論文將採取點雲資料作為辨識時所使用的資料，在點雲資料的部份，
本論文提出一個結構特徵作為辨識時所使用之特徵表示，圖 3-18 表示當輸入資 料為點雲資料下的辨識流程架構。
特徵抽取(結構 描述子)
對每個塔台建 立特徵資料庫
輸入點雲 資料 特徵資料庫 離線架構
在線架構 輸入點雲
資料
相似度比對 特徵抽取(結構
描述子)
輸出比對結果
圖 3-18 輸入資料為點雲資料的辨識流程圖。
3.4.1 特徵抽取(結構描述子)
經由雷射測距儀所取得的點雲資料，雖然在空間中是無序的，但這些點雲的 分佈卻可以表示物體的外型，故將利用這些點雲的幾何分佈來做為辨識時所使用 的特徵，但是當量測的視角不同時，會得到不同的三維物體姿態，所以在特徵的 建立上必頇要滿足，尺度不變性(scale invariant)，平移不變性(translation invariant)，
36
旋轉不變性(rotation invariant )，本論文利用圖(graph)的方式來達到建立結構描述 子作為比對時所使用的特徵表示，建立結構描述子的流程如圖 3-19 所示。
輸入點雲資料
圖形建立(結構描述子) 前處理
計算主曲率
點雲分類
點雲分割 區域成長法 主成分分析
找法向量
圖 3-19 建立結構描述子的流程圖。
3.4.2 前處理
在求得某點 P 之主曲率前，必頇先要得知點 P 之法向量，利用空間中點 P 之 鄰近點，經由 P 點與鄰近點之空間幾何分佈可得之法向量之方向，由主成分分析 法 的 所 找 出 之 三 主 軸 即 為 其 相 關 矩 陣 之 特 徵 向 量{e0,e1,e2}對 應 的 特 徵 值
} , ,
{0 1 2 ，其中0 1 2，而0所對應的特徵向量e 就是法向量如圖 3-200 所示，而點 P 之主曲率可由 2.3.2 節求得。
37
38
(a) (b)
(c) (d)
圖 3-21 點分類後的結果 (a)編號 1 之原始部分點雲資料，(b)圖(a)之分類結果，
(c)邊號 10 之原始部分點雲資料，(d)圖(c)之分類結果。
3.4.4 區域分割
在點雲資料做完分類後，可得知每點的屬性，由於區域成長法也適用於高維 度的資料，故本論文應用區域成長法來達到分割每塊不同的平面或是曲面，在區 域成長法中，種子點的選擇有時候會關係到分割效果的好壞，一般而言種子點的 選擇是不希望種子點落在雜訊或是邊界上，但是就目前而言還沒有很好的說明應
39
用特定的種子點選擇可以達到最好的分割效果，所以按照不同的問題則會有不同 的種子點找尋的方法，由於本論文在 3.4.2 節已經將每點資料做過分類，所以在 種子點的找尋方面只針對內部點(interior)來處理，在每次新的群集之初始種子點 則是利用隨機的方式在內部點中挑選，而種子點之鄰近點是否屬於同一群集的評 判標準則是利用點與點的法向量夾角小於某個門檻值，點與點的歐基里德距離小 於某個門檻值，收尋的鄰近點中只能是內部點，而區域成長法的流程圖由 3-22 所示。
點雲資料
從內部點隨機挑 選起始種子點
由種子點進行鄰 近點的搜尋 是否每點都尋
訪過
否
非邊緣點 角度<門檻值 距離<門檻值 點合併
成為同一群的種子點
是否還有種子
是 否 點
是
否 是
成長結束
圖 3-22 區域成長法流程圖。
本論文在角度的門檻值是設定 12 度，距離的門檻值是設定 1.3 公尺，圖 3-21 的分割結果如圖 3-23 所示。
40
(a) (b)
(c) (d)
圖 3-23 點雲資料分割結果，不同區塊以不同的顏色區別 (a)編號 1 之塔台內部 點，(b)圖(a)之分割結果，(c)編號 10 之塔台內部點，(d)圖(c)之分割結果。
3.4.5 圖形建立
由 2.3.3 節本論文定義一個加權圖(weighted graph)，圖中之節點是由點雲經 過分割後所產生的每一個獨立區塊的中心點，而這些區塊可以是平面，也可以是 曲面，而節點與節點的連接即為圖形的邊，而本論文在建立圖形的邊則是依據點 雲分類後所產生的邊與點雲分割後產生的區塊是否有連接關係，區塊和區塊若有 被屬於經由分類後屬於邊的點所連接，則對應到圖形中節點與節點間就有邊產生，
圖形結構由圖 3-24 表示。
41
(a) (b)
(c) (d)
(e) (f)
圖 3-24 結構特徵抽取結果(a)、(c)、(e)表示分割面與邊在空間上的分佈關係，(b)、
(d)、(f)表示對應的圖形結構。
42
由於節點是由獨立區塊所構成的，而每一個區塊則是由點群所構成，且每一 個點資料都有自己所屬的法向量，節點的在空間上的位置是由獨立區塊的中心所 構成，而節點的法向量可以由獨立區塊的點群之平均法向量來構成，則這個節點 除了有三維空間中位置也有對應的法向量，故這個節點也能稱之為方向點 (oriented point)，如圖 3-25 所示，每一個區塊之法向量可由此區塊所有點資料之 法向量的平均來取得由式(3.3)表示，圖 3-24(b)之節點V 為對應區塊i A 之中心點i
在進行比對前，還需要賦予圖形中節點屬性(node attribute)與邊屬性(edge N1
43
44
可用於描述一個面的幾何形狀，在本論文中每一個獨立分割出來的面可能同 時包含幾種不同的幾何形狀，而利用形狀指標就可以將這些面在不同幾何分佈下
可用於描述一個面的幾何形狀，在本論文中每一個獨立分割出來的面可能同 時包含幾種不同的幾何形狀，而利用形狀指標就可以將這些面在不同幾何分佈下