三维点云提取方法及装置

1.本发明涉及图像处理技术领域，尤其涉及一种三维点云提取方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.圆周扫描地基合成孔径雷达(ground-based synthetic aperture radar，gbsar)是将机载圆迹合成孔径雷达(synthetic aperture radar，sar)模式引入地基平台的一种新体制gbsar，通过天线在竖直平面上旋转形成的二维圆形合成孔径，从而实现对监测视场的三维成像，在地形起伏、有高度的建筑物场景中可以准确提取三维信息，在陡峭地形测绘、城区测绘，以及目标探测和识别等方面受到广泛关注。
4.但是圆周扫描gbsar的曲线观测几何导致图像中存在强旁瓣的问题。在三维sar数据中，强旁瓣具有三维空间分布，扩散在整个数据中。因此，在不同的高度，强旁瓣可能会掩盖邻近弱目标的主瓣，从而导致目标点丢失、检测出强旁瓣，无法实现精确提取三维sar图像目标点云。
5.目前三维sar图像目标点云提取没有行之有效的方法。现阶段，在目标检测方面，二维sar图像目标检测发展成熟，双参数恒虚警率(constant false alarm rate，cfar)目标检测器具有自适应门限检测能力，是能够适应背景杂波的变化的一种重要算法。但该算法应用于三维sar图像目标检测中时，需要在三维像的不同高度逐层检测，受强旁瓣三维空间分布的影响，双参数cfar逐层检测结果中存在大量的虚警，无法准确提取三维sar图像中的目标点云。在虚警抑制方面，基于密度的噪声应用空间聚类(density-based spatial clustering of applica-tions with noise，dbscan)是一种常用的基于密度的聚类算法，该算法通过调整邻域阈值eps和点数阈值minpts两个参数可快速地从有噪音点的图像数据中提取出聚类信息，实现虚警抑制。
6.但传统的dbscan算法在处理点簇密度不均匀、伴有强旁瓣的三维sar数据时存在弊端，首先是eps与minpts两个参数的选取对簇内点密度变化敏感，若eps参数选取过大，则无法分辨扩散在三维点云中的强旁瓣点簇，若eps参数选取过小，则会漏掉部分游离的目标点簇，难以选取到合适的阈值。其次是利用cfar算法检测后的三维目标点云中仍包含部分强旁瓣，扩散在整个数据中，利用传统的dbscan聚类方法无法准确聚类来区分目标和强旁瓣，无法实现虚警抑制，准确提取三维点云。
7.综上，现有技术目前不能实现三维点云的精确提取，在目标检测方面，圆周扫描gbsar的曲线观测几何导致图像中存在强旁瓣，增加三维sar图像目标点云提取方法的难度，经典的双参数cfar算法无法在强旁瓣的影响下检测出准确的目标点。在虚警抑制方面，传统的dbscan算法对簇内点密度变化敏感，无法较好地识别与分割目标区和强旁瓣，无法抑制虚警。


技术实现要素：

8.本发明实施例提供一种三维点云提取方法，用以在强旁瓣的影响下准确提取三维点云，抑制虚警，该方法包括：
9.获得三维sar图像的圆周扫描gbsar三维数据，对三维sar图像中三个维度最大值投影进行提取，得到三视图；
10.检测所述三视图，得到三视图掩膜；
11.利用三视图掩膜投影得到三维掩膜，将三维掩膜与三维sar图像取交集，得到潜在目标区域数据；
12.检测所述潜在目标区域数据，得到三维目标点云；
13.在所述三维目标点云中抑制虚警，得到聚类结果，根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类，得到虚警抑制后的三维点云。
14.本发明实施例还提供一种三维点云提取装置，用以在强旁瓣的影响下准确提取三维点云，抑制虚警，该装置包括：
15.提取投影模块，用于获得三维sar图像的圆周扫描gbsar三维数据，对三维sar图像中三个维度最大值投影进行提取，得到三视图；
16.检测模块，用于检测所述三视图，得到三视图掩膜；
17.数据获取模块，用于利用三视图掩膜投影得到三维掩膜，将三维掩膜与三维sar图像取交集，得到潜在目标区域数据；
18.三维点云获取模块，用于检测所述潜在目标区域数据，得到三维目标点云；
19.虚警抑制模块，用于在所述三维目标点云中抑制虚警，得到聚类结果，根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类，得到虚警抑制后的三维点云。
20.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述三维点云提取方法方法。
21.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述三维点云提取方法。
22.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述三维点云提取方法。
23.本发明实施例中，三维点云提取方法，与现有技术中：在目标检测方面，圆周扫描gbsar的曲线观测几何导致图像中存在强旁瓣，增加三维sar图像目标点云提取方法的难度，经典的双参数cfar算法无法在强旁瓣的影响下检测出准确的目标点。在虚警抑制方面，传统的dbscan算法对簇内点密度变化敏感，无法进行较好的识别与分割目标区和强旁瓣，无法抑制虚警的技术方案相比，通过获得三维sar图像的圆周扫描gbsar三维数据，对三维sar图像中三个维度最大值投影进行提取，得到三视图；检测所述三视图，得到三视图掩膜；利用三视图掩膜投影得到三维掩膜，将三维掩膜与三维sar图像取交集，得到潜在目标区域数据；检测所述潜在目标区域数据，得到三维目标点云；在所述三维目标点云中抑制虚警，得到聚类结果，根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类，得到虚警抑制后的三维点云。从而在强旁瓣的影响下准确提取三维点云，抑制虚
警。
附图说明
24.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
25.图1为本发明实施例中三维点云提取方法的流程示意图；
26.图2为本发明实施例中根据全局恒虚警率算法得到三维目标点云的流程示意图；
27.图3为本发明实施例中改进的基于密度的噪声应用空间聚类算法的流程示意图；
28.图4为本发明另一实施例中三维点云提取方法的流程示意图；
29.图5为本发明实施例中三维点云提取装置的结构示意图。
具体实施方式
30.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
31.基于两步cfar的圆周扫描gbsar三维点云提取的难点在于圆周扫描gbsar的曲线观测几何导致图像中存在强旁瓣，而且在三维sar数据中，强旁瓣具有三维空间分布，扩散在整个三维sar数据中，增加三维sar图像目标点云提取方法的难度。现有技术应用于强旁瓣情况下的三维数据中存在弊端，在目标检测方面，经典的双参数cfar算法无法在强旁瓣的影响下检测出准确的目标点。在虚警抑制方面，传统的dbscan算法对簇内点密度变化敏感，无法进行较好的识别与分割目标区和强旁瓣，无法实现虚警抑制。
32.现有技术目前不能实现三维点云的精确提取，在目标检测方面，圆周扫描gbsar的曲线观测几何导致图像中存在强旁瓣，增加三维sar图像目标点云提取方法的难度，经典的双参数cfar算法无法在强旁瓣的影响下检测出准确的目标点。在虚警抑制方面，传统的dbscan算法对簇内点密度变化敏感，无法较好地识别与分割目标区和强旁瓣，无法抑制虚警。
33.针对上述问题，本发明实施例提供一种三维点云提取方法，用以在强旁瓣的影响下准确提取三维点云，解决了圆周扫描gbsar的曲线观测几何导致三维sar图像中存在强旁瓣，难以准确提取三维点云的问题。该方法利用两步cfar算法在强旁瓣的影响下检测三维sar图像目标点，并利用改进的dbscan算法进一步抑制虚警，实现三维sar图像中的目标点云精确提取。
34.图1为本发明实施例中三维点云提取方法的流程示意图，如图所示，该方法包括：
35.步骤101：获得三维sar图像的圆周扫描gbsar三维数据，对三维sar图像中三个维度最大值投影进行提取，得到三视图；
36.步骤102：检测所述三视图，得到三视图掩膜；
37.步骤103：利用三视图掩膜投影得到三维掩膜，将三维掩膜与三维sar图像取交集，得到潜在目标区域数据；
38.步骤104：检测所述潜在目标区域数据，得到三维目标点云；
39.步骤105：在所述三维目标点云中抑制虚警，得到聚类结果，根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类，得到虚警抑制后的三维点云。
40.在一个实施例中，步骤101中三视图的公式可以表示为：
[0041][0042]
其中，s表示取圆周扫描gbsar三维数据，s
左
表示三视图的左视图，x0是x轴的方向向量，s
主
表示三视图的主视图，y0是y轴的方向向量，s
俯
表示三视图的俯视图，z0是z轴的方向向量，max表示取圆周扫描gbsar三维数据s对应轴方向的方向向量最大值。
[0043]
在一个实施例中，步骤102中，检测所述三视图，得到三视图掩膜，可以包括：
[0044]
根据双参数恒虚警率算法，检测所述三视图，得到三视图掩膜。
[0045]
具体实施时，根据如下公式，获取三视图掩膜：
[0046][0047]
其中，m
左
(y,z)表示三视图掩膜的左视图掩膜，m
主
(x,z)表示三视图掩膜的主视图掩膜，m
俯
(x,y)表示三视图掩膜的俯视图掩膜，cfar表示双参数恒虚警率算法。
[0048]
在一个实施例中，步骤104中，检测所述潜在目标区域数据，得到三维目标点云，可以包括：
[0049]
根据全局恒虚警率算法，检测所述潜在目标区域数据，得到三维目标点云。
[0050]
具体实施时，图2为本发明实施例中根据全局恒虚警率算法得到三维目标点云的流程示意图，如图2所示，根据全局恒虚警率算法，检测所述潜在目标区域数据，得到三维目标点云，可以包括：
[0051]
步骤201：根据全局恒虚警率算法，对潜在目标区域数据进行全局恒虚警率检测，将潜在目标区域数据转化为第一行向量，计算第一行向量中数据的均值和方差；
[0052]
步骤202：根据所述均值和方差以及恒定的虚警概率，计算检测阈值；
[0053]
步骤203：以滑动窗的形式，遍历潜在目标区域数据，得到滑动窗的中心像素；
[0054]
步骤204：根据检测阈值判断所述滑动窗的中心像素是否为目标点，获得目标点检测结果；
[0055]
步骤205：根据目标点检测结果，得到三维目标点云。
[0056]
在一个实施例中，步骤204中，根据检测阈值判断所述滑动窗的中心像素是否为目标点的判断公式可以如下所示：
[0057][0058]
其中，xi表示滑动窗的中心像素，ic表示检测阈值。
[0059]
在滑动窗的中心像素大于或等于检测阈值时，判断滑动窗的中心像素是目标点，在滑动窗的中心像素小于检测阈值时，判断滑动窗的中心像素不是目标点。
[0060]
在一个实施例中，步骤103中，可以根据如下公式，得到三维掩膜：
[0061]
i(x,y,z)＝m
左
(i
x
,y,z)∩m
主
(x,iy,z)∩m
俯
(x,y,iz)
[0062][0063]
其中，i(x,y,z)表示三维掩膜，i
x
、iy、iz从1开始取整数，i
x
、iy、iz的下角标x,y,z对应x,y,z轴的方向；m
左
(i
x
,y,z)表示补充了预设的i
x
方向向量的左视图掩膜，m
主
(x,iy,z)表示补充了预设的iy方向向量的主视图掩膜，m
俯
(x,y,iz)表示补充了预设的iz方向向量的俯视图掩膜；
[0064]
以及根据如下公式，得到潜在目标区域数据：
[0065]
f(x,y,z)＝s(x,y,z)∩i(x,y,z)
[0066]
其中，f(x,y,z)表示潜在目标区域数据，s(x,y,z)表示圆周扫描gbsar三维数据，i(x,y,z)表示三维掩膜。
[0067]
在一个实施例中，步骤105中，在三维目标点云中抑制虚警，得到聚类结果，去除聚类结果中强旁瓣所在类，可以包括：
[0068]
根据改进的基于密度的噪声应用空间聚类算法，在所述三维目标点云中抑制虚警，得到聚类结果，根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类，其中，改进的基于密度的噪声应用空间聚类算法采用改进的聚类约束条件，使三维目标点云呈圆柱体状进行聚类，以区分目标和强旁瓣。
[0069]
具体实施时，图3为图3为本发明实施例中改进的基于密度的噪声应用空间聚类算法的流程示意图，如图3所示，改进的基于密度的噪声应用空间聚类算法的步骤包括：
[0070]
步骤301：采用欧氏距离来度量三维目标点云中各个点云之间的距离；
[0071]
步骤302：确定改进的聚类约束条件为：约束任意两个点云之间的横坐标和纵坐标维度的距离不超过预设距离值，在高度维度的距离不超过预设高度值；
[0072]
步骤303：根据改进的约束条件，在三维点云中进行聚类，聚类结果；
[0073]
步骤304：根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类。
[0074]
在一个实施例中，步骤301中的欧氏距离可以表示为：
[0075][0076]
其中，d表示三维目标点云中各个点云之间的欧氏距离，(x1,y1,z1)表示第一个点的坐标，(x2,y2,z2)表示第二个点的坐标。
[0077]
在一个实施例中，步骤302中改进的聚类约束条件可以表示为：
[0078]
[0079]
其中，d
x
表示横坐标维度的距离，dy表示纵坐标维度的距离，dz表示高度维度的距离，r为预设距离值，h为预设高度值。
[0080]
在一个实施例中，步骤105中的预设特征包括：角度，形状，尺寸和位置中的其中一种或任意组合。
[0081]
图4为本发明另一实施例中三维点云提取方法的流程示意图，下面结合图4来介绍本发明实施例中三维点云提取方法的流程：
[0082]
输入圆周扫描gbsar三维数据；
[0083]
提取sar三维图像中三个维度最大值投影的三视图；
[0084]
在三视图上应用双参数cfar进行检测，获取三视图掩膜；
[0085]
利用三视图掩膜投影得到三维掩膜，三维掩膜与三维数据取交集，从而得到潜在目标区域数据；
[0086]
对取交集提取的潜在目标区域数据进行全局cfar检测，获得目标点检测结果；根据目标点检测结果，得到三维目标点云；
[0087]
根据三维数据目标点簇密度不均匀，在竖直面多呈线状结构等特征，改进传统的dbscan聚类算法，改进聚类算法的约束条件，根据约束条件，在三维点云中进行聚类，进一步抑制虚警，通过角度，形状，尺寸，位置等特征判别区分目标和强旁瓣，去除强旁瓣所在类，输出虚警抑制后的三维点云。
[0088]
本发明实施例中还提供了一种三维点云提取装置，如下面的实施例所述。由于该装置解决问题的原理与三维点云提取方法相似，因此该装置的实施可以参见三维点云提取方法的实施，重复之处不再赘述。
[0089]
图5为本发明实施例中三维点云提取装置的结构示意图，如图5所示，该装置包括：
[0090]
提取投影模块01，用于获得三维sar图像的圆周扫描gbsar三维数据，对三维sar图像中三个维度最大值投影进行提取，得到三视图；
[0091]
检测模块02，用于检测所述三视图，得到三视图掩膜；
[0092]
数据获取模块03，用于利用三视图掩膜投影得到三维掩膜，将三维掩膜与三维sar图像取交集，得到潜在目标区域数据；
[0093]
三维点云获取模块04，用于检测所述潜在目标区域数据，得到三维目标点云；
[0094]
虚警抑制模块05，用于在所述三维目标点云中抑制虚警，得到聚类结果，根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类，得到虚警抑制后的三维点云。
[0095]
在一个实施例中，三视图的公式表示为：
[0096][0097]
其中，s表示取圆周扫描gbsar三维数据，s
左
表示三视图的左视图，x0是x轴的方向向量，s
主
表示三视图的主视图，y0是y轴的方向向量，s
俯
表示三视图的俯视图，z0是z轴的方向向量，max表示取圆周扫描gbsar三维数据s对应轴方向的方向向量最大值。
[0098]
在一个实施例中，检测模块02具体用于：
[0099]
根据双参数恒虚警率算法，检测所述三视图，得到三视图掩膜，根据如下公式，获
取三视图掩膜：
[0100][0101]
其中，m
左
(y,z)表示三视图掩膜的左视图掩膜，m
主
(x,z)表示三视图掩膜的主视图掩膜，m
俯
(x,y)表示三视图掩膜的俯视图掩膜，cfar表示双参数恒虚警率算法。
[0102]
在一个实施例中，三维点云获取模块04具体用于：
[0103]
根据全局恒虚警率算法，对潜在目标区域数据进行全局恒虚警率检测，将潜在目标区域数据转化为第一行向量，计算第一行向量中数据的均值和方差；
[0104]
根据所述均值和方差以及恒定的虚警概率，计算检测阈值；
[0105]
以滑动窗的形式，遍历潜在目标区域数据，得到滑动窗的中心像素；
[0106]
根据检测阈值判断所述滑动窗的中心像素是否为目标点，获得目标点检测结果；
[0107]
根据目标点检测结果，得到三维目标点云。
[0108]
在一个实施例中，数据获取模块03具体用于：
[0109]
根据如下公式，得到三维掩膜：
[0110]
i(x,y,z)＝m
左
(i
x
,y,z)∩m
主
(x,iy,z)∩m
俯
(x,y,iz)
[0111][0112]
其中，i(x,y,z)表示三维掩膜，i
x
、iy、iz从1开始取整数，i
x
、iy、iz的下角标x,y,z对应x,y,z轴的方向；m
左
(i
x
,y,z)表示补充了预设的i
x
方向向量的左视图掩膜，m
主
(x,iy,z)表示补充了预设的iy方向向量的主视图掩膜，m
俯
(x,y,iz)表示补充了预设的iz方向向量的俯视图掩膜；
[0113]
根据如下公式，得到潜在目标区域数据：
[0114]
f(x,y,z)＝s(x,y,z)∩i(x,y,z)
[0115]
其中，f(x,y,z)表示潜在目标区域数据，s(x,y,z)表示圆周扫描gbsar三维数据，i(x,y,z)表示三维掩膜。
[0116]
在一个实施例中，虚警抑制模块05具体用于：
[0117]
采用欧氏距离来度量三维目标点云中各个点云之间的距离；
[0118]
确定改进的聚类约束条件为：约束任意两个点云之间的横坐标和纵坐标维度的距离不超过预设距离值，在高度维度的距离不超过预设高度值；
[0119]
根据改进的约束条件，在三维点云中进行聚类，聚类结果；
[0120]
根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类。
[0121]
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述三维点云提取方法。
[0122]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有
计算机程序，所述计算机程序被处理器执行时实现上述三维点云提取方法。
[0123]
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述三维点云提取方法。
[0124]
本发明实施例中，三维点云提取方法，与现有技术中在目标检测方面，圆周扫描gbsar的曲线观测几何导致图像中存在强旁瓣，增加三维sar图像目标点云提取方法的难度，经典的双参数cfar算法无法在强旁瓣的影响下检测出准确的目标点。在虚警抑制方面，传统的dbscan算法对簇内点密度变化敏感，无法进行较好的识别与分割目标区和强旁瓣，无法抑制虚警的技术方案相比，通过获得三维sar图像的圆周扫描gbsar三维数据，对三维sar图像中三个维度最大值投影进行提取，得到三视图；检测所述三视图，得到三视图掩膜；利用三视图掩膜投影得到三维掩膜，将三维掩膜与三维sar图像取交集，得到潜在目标区域数据；检测所述潜在目标区域数据，得到三维目标点云；在所述三维目标点云中抑制虚警，得到聚类结果，根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类，得到虚警抑制后的三维点云，从而在强旁瓣的影响下准确提取三维点云，抑制虚警。
[0125]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0126]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0127]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0128]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0129]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种三维点云提取方法，其特征在于，包括：获得三维sar图像的圆周扫描gbsar三维数据，对三维sar图像中三个维度最大值投影进行提取，得到三视图；检测所述三视图，得到三视图掩膜；利用三视图掩膜投影得到三维掩膜，将三维掩膜与三维sar图像取交集，得到潜在目标区域数据；检测所述潜在目标区域数据，得到三维目标点云；在所述三维目标点云中抑制虚警，得到聚类结果，根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类，得到虚警抑制后的三维点云。2.如权利要求1所述的方法，其特征在于，三视图的公式表示为：其中，s表示取圆周扫描gbsar三维数据，s
左
表示三视图的左视图，x0是x轴的方向向量，s
主
表示三视图的主视图，y0是y轴的方向向量，s
俯
表示三视图的俯视图，z0是z轴的方向向量，max表示取圆周扫描gbsar三维数据s对应轴方向的方向向量最大值。3.如权利要求1所述的方法，其特征在于，检测所述三视图，得到三视图掩膜，包括：根据双参数恒虚警率算法，检测所述三视图，得到三视图掩膜；检测所述潜在目标区域数据，得到三维目标点云，包括：根据全局恒虚警率算法，检测所述潜在目标区域数据，得到三维目标点云。4.如权利要求3所述的方法，其特征在于，根据双参数恒虚警率算法，检测所述三视图，得到三视图掩膜，包括：根据如下公式，获取三视图掩膜：其中，m
左
(y,z)表示三视图掩膜的左视图掩膜，m
主
(x,z)表示三视图掩膜的主视图掩膜，m
俯
(x,y)表示三视图掩膜的俯视图掩膜，cfar表示双参数恒虚警率算法。5.如权利要求3所述的方法，其特征在于，根据全局恒虚警率算法，检测所述潜在目标区域数据，得到三维目标点云，包括：根据全局恒虚警率算法，对潜在目标区域数据进行全局恒虚警率检测，将潜在目标区域数据转化为第一行向量，计算第一行向量中数据的均值和方差；根据所述均值和方差以及恒定的虚警概率，计算检测阈值；以滑动窗的形式，遍历潜在目标区域数据，得到滑动窗的中心像素；根据检测阈值判断所述滑动窗的中心像素是否为目标点，获得目标点检测结果；根据目标点检测结果，得到三维目标点云。6.如权利要求1所述的方法，其特征在于，利用三视图掩膜投影得到三维掩膜，将三维掩膜与三维sar图像取交集，得到潜在目标区域数据，包括：
根据如下公式，得到三维掩膜：i(x,y,z)＝m
左
(i
x
,y,z)∩m
主
(x,i
y
,z)∩m
俯
(x,y,i
z
)其中，i(x,y,z)表示三维掩膜，i
x
、i
y
、i
z
从1开始取整数，i
x
、i
y
、i
z
的下角标x,y,z对应x,y,z轴的方向；m
左
(i
x
,y,z)表示补充了预设的i
x
方向向量的左视图掩膜，m
主
(x,i
y
,z)表示补充了预设的i
y
方向向量的主视图掩膜，m
俯
(x,y,i
z
)表示补充了预设的i
z
方向向量的俯视图掩膜；根据如下公式，得到潜在目标区域数据：f(x,y,z)＝s(x,y,z)∩i(x,y,z)其中，f(x,y,z)表示潜在目标区域数据，s(x,y,z)表示圆周扫描gbsar三维数据，i(x,y,z)表示三维掩膜。7.如权利要求1所述的方法，其特征在于，在所述三维目标点云中抑制虚警，得到聚类结果，根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类，包括：根据改进的基于密度的噪声应用空间聚类算法，在所述三维目标点云中抑制虚警，得到聚类结果，根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类，其中，改进的基于密度的噪声应用空间聚类算法采用改进的聚类约束条件，使三维目标点云呈圆柱体状进行聚类，以区分目标和强旁瓣。8.如权利要求7所述的方法，其特征在于，所述改进的基于密度的噪声应用空间聚类算法的步骤包括：采用欧氏距离来度量三维目标点云中各个点云之间的距离；确定改进的聚类约束条件为：约束任意两个点云之间的横坐标和纵坐标维度的距离不超过预设距离值，在高度维度的距离不超过预设高度值；根据改进的约束条件，在三维点云中进行聚类，聚类结果；根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类。9.如权利要求1所述的方法，其特征在于，预设特征包括：角度，形状，尺寸和位置中的其中一种或任意组合。10.一种三维点云提取装置，其特征在于，包括：提取投影模块，用于获得三维sar图像的圆周扫描gbsar三维数据，对三维sar图像中三个维度最大值投影进行提取，得到三视图；检测模块，用于检测所述三视图，得到三视图掩膜；数据获取模块，用于利用三视图掩膜投影得到三维掩膜，将三维掩膜与三维sar图像取交集，得到潜在目标区域数据；三维点云获取模块，用于检测所述潜在目标区域数据，得到三维目标点云；虚警抑制模块，用于在所述三维目标点云中抑制虚警，得到聚类结果，根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类，得到虚警抑制后的三维点云。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任一所述方法。12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至9任一所述方法。13.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至9任一所述方法。

技术总结
本发明公开了一种三维点云提取方法及装置，其中该方法包括：获得三维SAR图像的圆周扫描GBSAR三维数据，对三维SAR图像中三个维度最大值投影进行提取，得到三视图；检测所述三视图，得到三视图掩膜；利用三视图掩膜投影得到三维掩膜，将三维掩膜与三维SAR图像取交集，得到潜在目标区域数据；检测所述潜在目标区域数据，得到三维目标点云；在所述三维目标点云中抑制虚警，得到聚类结果，根据预设特征区分所述聚类结果中的目标与强旁瓣，去除聚类结果中强旁瓣所在类，得到虚警抑制后的三维点云。本发明可以在强旁瓣的影响下准确提取三维点云，抑制虚警。抑制虚警。抑制虚警。


技术研发人员：申文杰 郅洁 林赟 李洋 蒋雯 王彦平
受保护的技术使用者：北方工业大学
技术研发日：2023.04.10
技术公布日：2023/8/5