基于自主水下航行器搭载单目-线激光器的水下目标三维重建方法

Underwater Target 3D Reconstruction Method Based on AUV Equipped with Monocular-Line Laser

摘要

基于自主水下航行器（AUV）平台搭载单目相机与线激光传感器对水下目标进行扫描与三维重建。针对水下激光图像中条纹坐标提取困难等问题，提出了一种自适应HSV空间下的激光条纹坐标提取方法，并结合激光三角测距模型与相机反投影矩阵计算目标点的三维空间坐标。进一步利用AUV位姿信息对多帧点云进行拼接，实现对目标物体完整三维结构的重建。通过构建所述算法框架，在水池环境下开展了AUV试验，验证了该方法的可行性与点云重建的有效性。

Abstract

The underwater targets were scanned and 3D reconstructed based on the autonomous underwater vehicle（AUV） platform equipped with a monocular camera and a line laser sensor. Aiming at the difficulty of extracting stripe coordinates in underwater laser images， an adaptive method was proposed for extracting laser stripe coordinates in the HSV space， and the 3D spatial coordinates of the target point were calculated by combining the laser triangulation model and the camera inverse projection matrix. Further， the AUV pose information was utilized to stitch multiple frames of point clouds， achieving the reconstruction of the complete 3D structure of the target object. By constructing the described algorithm framework described， AUV experiments were conducted to verify the feasibility of the method and the effectiveness of point cloud reconstruction under the pool environment.

Graphical abstract

关键词

条纹坐标提取 / 三角测距 / 反投影 / 三维重建

Key words

stripe coordinate extraction / triangulation / inverse projection / 3D reconstruction

0 引言

自主水下航行器（autonomous underwater vehicle，AUV）具有作业范围广、作业能力强、自主性和安全性高等优点，被广泛用于海洋地形测绘、环境监测、三维重构等领域^［1］。三维重建是一种能够构建目标物体周围三维立体场景的技术，通过非接触式地获取周围环境信息来构建三维地图^［2］，已被广泛应用于海底管道维护、大坝裂缝检测、沉船遗址重构等领域^［3］。

三维重建通常以视觉传感器为主，包括单目视觉法、双目视觉法和多目视觉法^［4］。双目相机因其能够提供立体视差而可直接计算得到深度信息。单目相机由于缺乏深度信息，往往无法达到理想的重建效果。人们常将单目相机与其他传感器（如结构光或线激光）结合使用，以单目相机结合线激光设备为例，相较于纯视觉方法，能够提供更为精确的深度信息，进而实现更丰富的三维场景构建。文献［5］提出了一种双目+线结构光的方法，比单目-线激光增加了一个相机约束条件，提高了单调场景下的重建精度。多线激光相对单线激光可提供出多帧激光束，重建出的点云更加丰富、细腻。文献［6］中提出基于双目视觉的多线激光重建方法，实现了对管线、鹅卵石等目标的高精度三维重建。文献［7］提出一种基于事件相机的结构光技术，事件相机是一种仿生动态视觉传感器，探测光强范围大，适用于探测较弱的光，更适用于水下，但是该设备对动态目标极为敏感，无法探测静态目标。在对激光图像条纹中心坐标的提取上，文献［8］采用双边滤波去噪和高斯加权的自适应灰度重心法获取轮廓线。文献［9］采用边缘检测与高斯拟合算法提取条纹中心。文献［10］提出一种融合导航定位数据和姿态信息的深海三维重建系统，其目标重建精度可达95%以上。文献［11］针对激光在水下折射的影响设计了一种基于折射补偿的旋转三维扫描系统，并通过试验验证了其有效性。

为更好地重建出目标物体三维点云，通常事先规划路径运动以获取目标全方位的数据，但水下环境中水流干扰等会影响设备姿态，从而导致理想运动姿态与实际运动姿态存在差异。文献［12］针对搭载激光扫描系统的水下机器人，采用 ANSYS AQWA 仿真分析水流干扰效应，并据此开展运动补偿，以提高系统运动精度。这些研究共同证明了激光技术在水下环境中进行三维重建的可靠性和精确性。

近年来，基于深度学习进行点云重建的方法频出，使用深度学习对图像处理是一个可行的研究方向^［13］，但深度学习需要训练大量数据，且激光图像条纹特征明显，使用传统基于opencv的视觉方法更易于提取中心坐标，同时深度学习模型较难以部署，对硬件配置要求较高。利用线激光进行重建通常需要对相机、光平面进行标定^［14］，本文利用光路的三角关系来获得条纹坐标，将激光扫描技术与计算机视觉算法进行融合，并利用AUV的自主导航与定位能力对水下目标进行三维重构。

1 算法框架

AUV进行水下作业时，搭载单目-线激光扫描系统可对目标物结构、环境等进行三维点云重建。如图 1所示，首先激光器向目标物体投射出一条鲜明的绿色线激光，随后单目相机精准捕获由激光与物体表面交互所形成的激光条纹图像。本文提出的自适应HSV色彩空间的坐标提取算法能用于辨识、定位激光条纹图像坐标，可精确提取激光图像坐标。结合三角测距模型可计算出激光点的深度信息（即激光点在相机坐标系Z轴方向上的距离）。最后结合相机内参矩阵，运用相机反投影模型将图像二维坐标转换为相机坐标系下的三维坐标。

通过上述步骤，每帧数据对应生成一束精准的三维点云。然后根据激光相机与惯性导航系统（以下简称“惯导”）的相对位置将相机坐标系下的点云转到AUV坐标系（即惯导坐标系）下，随着AUV在扫描目标物体过程中的运动变化，根据AUV的位姿（包括位置与朝向）将不同帧点云进行拼接匹配，以构建出目标物体的三维点云模型。

1.1 自适应HSV激光条纹中心坐标提取方法

光条纹中心提取算法常用的有灰度重心法、Steger法等。大多数研究学者基于此提出了不同的改进算法。如文献［15］提出一种光条纹中心亚像素提取方法，该方法先对图像进行中值滤波，采用灰度重心法对光条纹中心进行初提取，然后通过均方灰度梯度法计算条纹法线方向并以初提取点为中心进行插值，经加权灰度重心法计算出条纹中心像素位置。然而，水下采集的激光图像与陆地环境中的图像存在显著差异，主要表现为含有大量噪声和杂质，这对激光成像质量产生了一定影响。图2为所采集的激光图像，可总结出如下两个显著特点：①激光在物体不同区域的亮度存在差异，主要原因是物体边缘区域的几何形状发生突变，导致激光发生散射，反射光分散至多个方向，从而减少了进入相机的有效光强，使得边缘区域的激光成像亮度明显减弱；②图像中除激光线条所在区域外，其余部分均为黑色，表明图像背景无多余光照干扰，激光条纹特征清晰、易于提取。

根据这些特点，本算法使用自适应HSV空间提取算法对图像进行处理，该空间内光照变化主要影响亮度，对色调和饱和度的影响较小。而RGB颜色空间中光照变化会影响3个颜色通道，因此，HSV空间颜色信息在光照变化的情况下能够保持相对稳定，这对激光提取特别有用。并且图像背景为黑色，在对激光条纹处理提取时无需考虑该操作对图像其他区域造成的影响。本文提出的自适应HSV激光条纹中心坐标提取方法如图3所示，具体步骤如下：

1）将采集到的激光图像转换到HSV颜色空间。

2）设置激光点检测阈值。设置多个HSV亮度的范围，以适应不同亮度的激光条纹，当低于阈值时更换HSV范围。

3）对激光条纹进行形态学操作，先构建矩形结构元素，通过开运算剔除细小噪点，再利用闭运算将可能断裂的条纹进行连接。

4）针对激光成像特点遍历图像，提取每行中最亮的点作为激光点（通常激光中心处亮度最大）。

5）比较提取的激光点数是否大于设定的阈值，若大于则进行后续算法处理，否则更换HSV范围重新提取，以此循环。

本文分别采用灰度重心法、Steger算法以及所提出的改进算法对采集到的绿色激光图像进行光条纹中心坐标的提取。实验结果的性能参数如表1所示。为更加直观地对比不同算法的提取效果，将各算法提取的坐标点以可视化方式标注在原始图像上，结果如图4所示。

在所测试的几种激光条纹提取算法中，灰度重心法的表现相对较弱，未能准确捕捉激光条纹的精确位置。主要原因是该方法通过对整列像素进行加权平均来计算中心点，缺乏对激光线局部特征的聚焦能力，易受到背景噪声和非激光区域的影响。

Steger算法在一定程度上能够识别出激光条纹的基本特征，但在实际应用中存在一定的误检现象，特别是在激光亮度较弱或边缘过渡区域检测结果不够稳定。此外，该方法未对每行提取的点数量进行有效限制，导致在某些区域出现冗余点甚至错误点，影响后续处理的准确性。

相比之下，本文提出的自适应HSV空间提取算法表现出良好的适应性和鲁棒性。通过设定几个不同且合理的HSV阈值范围，能够较为精准地提取出激光条纹所在区域，并以较少的坐标点数有效地表征激光线的整体轮廓。该方法不仅提高了坐标的提取精度，同时也显著降低了数据量，从而提高了后续处理的效率和实时响应能力。综合来看，本文算法在检测精度、稳定性以及运行效率方面均优于传统方法，适用于激光扫描、三维重建等对实时性和精度要求较高的应用场景。

1.2 激光测距模型

常用的激光测距法有飞行时间法、相位测量法、三角测距法等^［16］。飞行时间法是通过测量激光从发射到接受所经过的时间来计算距离；相位测量法是利用激光的光波相位变化来测量距离；三角测距则是根据几何关系计算距离，相对而言结构简单、成本低。

本文所介绍的三维重建方法主要依赖于对激光图像的处理结果来获取点云数据，其核心仍基于相机成像模型，因此所涉及的坐标系为相机坐标系。激光的作用在于提供结构光，并不涉及独立的激光坐标系。重建过程中，仅需已知激光器与相机之间的相对距离以及激光的发射角度即可。本文所采用的单目-线激光设备的成像几何光路示意图见图5，其中H为激光中心到激光相机的水平距离，D为激光点A到相机的距离，\alpha为激光线与法线的夹角，s为相机到激光器的距离，f为相机焦距，\beta为相机-激光点连接线与相机法线（Z轴指向）的夹角，d为激光点A对应像素点与相机光心的距离。由图5所示的几何关系可得

H(\mathrm{t}\mathrm{a}\mathrm{n}\alpha +\mathrm{t}\mathrm{a}\mathrm{n}\beta )=s（1）

相机捕捉图像时，激光光线从物体表面反射并进入相机内部。在镜头系统中，这些反射光线经过一系列光学处理，最终在图像传感器上形成清晰的图像。从图 5 中物体与相机成像平面间的数学关系可得

\left.\begin{array}{l}\mathrm{t}\mathrm{a}\mathrm{n}\beta =d/f\\ d=(c-c_x)u\\ f=f_{x}u\end{array}\right\}（2）

其中，f_x 和c_x 为相机内参，相机内参共有f_x、f_y、c_x、c_y 四个参数，其中f_x、f_y 分别为相机焦距f在x、y方向（即图像的水平、竖直方向）上的像素单位，c_x、c_y 分别为主点在图像坐标系中的x、y坐标，它们可以在水下环境中使用张正友标定法获取；c为激光点在图像上的像素横坐标；u为图像像素单元尺寸。激光点的深度信息与其图像横坐标大小有关，横坐标越小表示该点到相机成像平面的距离越大，反之则距离越小。根据式（1）和式（2）即可求出激光线上各点的深度信息。

在相同实验条件下，水下环境中的测距结果与陆上环境存在一定差异。这是由于水下介质的折射率不同于空气，导致相机内参（如焦距、畸变系数、主点坐标等）发生改变，从而使原本适用于空气中的测距模型产生一定误差。若直接将空气中标定得到的相机内参应用于水下测距，则将引入明显的系统误差，因此，必须通过水下环境的专门标定来获取适应当前介质条件下的相机内参。

本文将设备相机放入水下，从不同角度（角度不宜过大）、不同距离（30~100 cm处，最佳工作场景距离）对棋盘格（边长28 mm）进行数据采集，然后对棋盘格角点进行检测，计算出角点坐标并反推出内参及畸变系数。因水下成像环境不佳，故对标定所用采集的图像进行直方图均衡化等处理，使其角点更易被检测到，如图6所示。

相机内参的标定结果如表2所示，其中k₁、k₂为径向畸变系数，p_1、p₂为切向畸变系数。通过与陆上的内参数据对比，发现水下的内参存在较大的差异，主要是受水介质的影响。而将通过水下标定获得的这些参数代入测距模型、坐标变换等公式中，即可减弱水下环境带来的误差影响。

1.3 相机反投影模型

结合相机反投影模型与测距模型所获得的深度值，可将图像像素转换为对应的三维空间点。对于每个激光点，均可通过图像像素（x，y）坐标转换到相机坐标系下的三维坐标（X，Y，Z），且存在如下对应关系：

Z\left[\begin{array}{c}x\\ y\\ \mathrm{1}\end{array}\right]=\left[\begin{array}{ccc}{f}_x& \mathrm{0}& c_x\\ \mathrm{0}& f_y& c_y\\ \mathrm{0}& \mathrm{0}& \mathrm{1}\end{array}\right]\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]（3）

其中，深度信息Z通过前文所提及的激光三角测距模型获得；中间3×3的矩阵称为相机内参矩阵 K，由前文中张正友标定法获取， K 描述了相机内部的几何特性。将内参 K 、深度Z代入式（3）中，至此每帧图像可获得一帧点云，如图7所示。

每帧图像对应生成一帧点云，但这些点云都是在不同位姿下生成的，还需将点云进行拼接形成一个完整的点云模型，如图8所示。相机位姿可直接获得，或根据AUV位姿推测。本研究的设备搭载于AUV上，AUV位姿由惯导等传感器提供，可通过传感器间的相对位置关系推导出不同帧点云的位姿关系。

为实现不同帧点云数据的拼接与对齐，需将相机坐标系下的点云转换至AUV坐标系下。随后，利用AUV的位姿信息对点云进行统一拼接与配准。通过测量相机坐标系原点在AUV坐标系中的位置，并结合旋转后的ZYX顺序欧拉角，可反推出从相机坐标系到AUV坐标系的旋转矩阵 R 和平移向量 t。利用该变换过程即可将点云数据统一转换至每个位姿的AUV坐标系下，其表达式如下：

\mathit{R}\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]+\mathit{t}=\left[\begin{array}{c}{X}_{\mathrm{A}\mathrm{U}\mathrm{V}}\\ Y_{\mathrm{A}\mathrm{U}\mathrm{V}}\\ Z_{\mathrm{A}\mathrm{U}\mathrm{V}}\end{array}\right]（4）

其中，（X_AUV，Y_AUV，Z_AUV）表示空间点在AUV位姿坐标系的坐标。惯导输出的信息通常包括AUV的位置和姿态。对原始惯导数据进行处理，将其转换为包含时间戳和位姿信息的标准格式，包括：timestamp_usec、x、y、z、q_x 、q_y 、q_z 、q_w。timestamp_usec为微秒级unix时间戳，用于将点云数据与位姿信息进行匹配；x、y、z为AUV的坐标，四元数q_x 、q_y 、q_z 、q_w表示AUV的姿态。欧拉角、旋转矩阵、四元数都是用来描述旋转姿态的，它们之间可以相互转换。四元数作为一种紧凑且高效的旋转表达方式，不仅避免了欧拉角存在的奇异性问题（如万向节锁），也无需像旋转矩阵那样维护正交性约束，便于计算与插值，在三维空间变换中具有显著优势。对于AUV坐标系下的点 p =（X_AUV，Y_AUV，Z_AUV），当已知AUV在世界坐标系下的位姿（位置用 t 表示，姿态用四元数 q 表示），则其对应世界坐标系下的点 p_w=（X_w，Y_w，Z_w）可表示为

{\mathit{p}}_{\mathrm{w}}=\mathit{q}\mathit{p}{\mathit{q}}^{-\mathrm{1}}+\mathit{t}（5）

将每个AUV坐标系下的点云按照式（5）进行坐标变换，即可将其统一到世界坐标系中，从而拼接生成一个完整、连续的三维点云模型。

2 试验与分析

2.1 水下重建试验

为测试AUV搭载单目-线激光器对目标物扫描重建的三维点云效果，设计及开展水池试验。使用AUV搭载单目-线激光设备分别进行两种试验：试验一为在小水池对锥体和球体两种形状的小目标物进行扫描重建；试验二为对大水池墙壁（含有梯子等结构物）等环境进行扫描重建。

如图9所示，橘红色部分代表AUV本体，其直径为20 cm、长度为180 cm。图10为AUV及搭载设备结构图，可测量获得相机与惯导的相对位置。小水池尺寸为3 m×2.36 m×1 m，通过绳索、支架使目标物悬浮在水中，如图11所示。墙壁水池尺寸为10 m×10 m×6 m，其中水池一边有通向水池底部的梯子，如图12所示。AUV在水池运动过程中对目标物、墙壁环境进行扫描。

试验使用的目标物体及环境如图13所示。试验一中所用目标物为锥体、球体。以水池角点为原点建立世界坐标系，其中锥体坐标为（2035，1570，1120）mm，锥体底部圆直径为12 cm，锥高为10 cm，对应单目-线激光设备坐标为（697，1474，1177）mm，朝向为（90°，19°，90°），共采集15组数据；球体坐标为（900，835，480）mm，其直径为440 mm，对应单目-线激光设备坐标为（2510，1060，710）mm，朝向为（90°，19°，90°），共采集21组数据。试验二对水池墙壁环境进行重建，涵盖梯子等结构物。AUV对墙壁进行直线运动扫描，梯子位于墙壁中间处，其中梯子中心位置为5 m，宽度为6.45 m。

线激光设备将激光打在物体表面，通过单目相机调整曝光参数捕捉激光图像。采用自适应HSV激光提取方法提取激光坐标后，结合相机内参进行测距、反投影等处理可得到一帧点云信息，最后根据AUV位姿将各帧点云数据进行融合，得到水下试验目标物体的三维点云信息。

2.2 试验分析

基于水下试验，采用本文算法完成了锥体、球体及水池墙壁的三维点云重建，如图14所示，其中锥体重建点云5021个，球体点云18 417个，水池墙壁因数据采集量大，重建点云达358 449个。对三类目标分别开展误差评估：以锥体底部圆直径为基准，对比实物尺寸与点云长度，计算出误差为9.7%；针对球体，通过对比点云两侧三维点间距与实物对应长度，测得误差为5.07%；对于水池墙壁，选取墙壁附属结构梯子至墙壁的距离为评估基准，测得点云距离为159.9 mm，实际距离为165 mm，误差为3.1%。

从图14中锥体、球体、墙壁的点云数量可以看出，重建出的点云数量主要受到采集数据量的影响，物体越大采集数据越多，点云就显得越丰富密集。锥体的点云能够清晰地呈现出其大致形状。由于锥体相对较小，采集的数据较少导致点云数量少，但依然足以描绘出其几何特征。球体重建出的点云是一个曲面，符合本研究的预期效果。水池墙壁的点云呈现出显著的平面特征，且中间梯子部分的点云特征明显，由于AUV在距离墙壁1.5 m处进行了8.37 m的直线运动，故点云呈现类似长条状。

本研究采用AUV平移运动模式采集数据，未对球体开展多角度数据采集，因此无法重建出完整的球体点云。此外，球体周边存在一些杂乱的点，主要原因在于水下环境中存在其他结构且悬浮颗粒较多，数据采集过程中不可避免地会捕获到这些结构的激光反射信号。同时，球体表面白色区域的激光反射强烈，直接影响了采集数据的质量；本研究中，水池的壁面及梯子等环境的重建效果最优。总体而言，受数据采集方式及AUV运动精度等因素的影响，本文所提算法仍能重建出贴合球体曲面特征的三维点云，具有一定的应用前景。

3 结论与展望

通过搭建本文算法框架，采用自适应HSV算法提取坐标，结合激光三角测距、相机反投影模型对水下目标进行重建，并开展试验验证，该研究对水下三维重建具有一定参考意义。试验结果表明，点云重建效果受采集数据质量、位姿精度、重建算法等影响。据此，后续研究将从以下几个方面进行改进。

1）原始数据处理。目前所获取的激光图像主要通过延长曝光时间来增强激光条纹的亮度。然而，这种方法存在两个问题：一方面，较长的曝光时间会降低相机的采集频率，进而影响点云重建的细腻程度；另一方面，在曝光期间相机随AUV处于运动状态，场景的变化可能导致激光条纹发生偏移或模糊，从而降低数据质量。后续工作中应尽可能地缩短曝光时间，在保证相机较高采集频率的前提下获取更多有效数据。

2）点云拼接算法。本文点云拼接方法基于位姿来实现对多帧点云数据的拼接。点云的整体轮廓精度直接受到运动位姿估计精度的影响。使用线激光进行三维重建通常需要高精度的位姿信息，以保证重建结果的准确性。在陆上环境中，可通过精密转台或控制设备沿固定路径运动来获取高精度位姿。然而水下复杂，AUV的位姿估计精度往往受限。目前，主要依靠惯导与DVL组合推算AUV的位姿，其提供的位姿信息仅能反映大致运动状态，难以满足高精度重建的需求，因此通常只能在有限的运动条件下进行数据采集。为提高点云拼接质量，一方面可借助外部设备提供的更高精度位姿信息，如在水池中部署外场标定系统；另一方面，还需进一步优化位姿估计算法，提高其在水下环境中的鲁棒性与准确性。这两方面内容都是未来亟须解决的关键问题。

3）重建算法或策略。本文所采用的重建算法或策略仍存在一些可优化和改进的空间。例如，在某些特定场景下激光条纹的提取效果仍有待增强；同时对彩色图像的处理可转为对灰度图像的处理，以提高系统效率，可在一定程度上增强算法鲁棒性。为获得更加丰富和细腻的目标点云数据，可从如下两个方面着手改进：一方面，可通过增加多线激光设备来获取更多光束信息，从而提高点云的整体密度与精度；另一方面，可在点云数据处理完成后采用插值方法对现有点云进行扩充，以进一步有效增加点云的数据量，并强化其细节呈现效果。

总体而言，后续的研究工作将主要从上述三个方面展开。水下三维重建一直是海洋领域中备受关注的研究方向之一，在海洋科学研究、水下考古、资源勘探与开发等方面具有重要的应用价值。随着技术的不断进步，相信未来将有更多样化的三维重建方法被应用于水下环境，推动该领域的进一步发展。

参考文献

[1] 高靖萱， 张亚， 孙风胜. AUV海底地形匹配导航方法综述［J］. 船舶工程， 2023， 45（2）： 167-176.

[2] GAO Jingxuan， ZHANG Ya， SUN Fengsheng. Review for AUV Seabed Terrain Aided Navigation Methods［J］. Ship Engineering， 2023， 45（2）： 167-176.

[3] 刘朝. 基于深度学习的水下三维场景重建［D］. 镇江： 江苏科技大学， 2022.

[4] LIU Zhao. Underwater 3D Scene Reconstruction Based on Deep Learning［D］. Zhenjiang： Jiangsu University of Science and Technology， 2022.

[5] 杨永俊. 基于视觉的近海捕捞ROV定位方法研究［D］. 哈尔滨： 哈尔滨工程大学， 2023.

[6] YANG Yongjun. Research on Visual Location Method for Offshore Fishing ROV［D］. Harbin： Harbin Engineering University， 2023.

[7] 仲恒. 基于双目立体视觉的三维重建研究［D］. 镇江： 江苏科技大学， 2023.

[8] ZHONG Heng. Research on 3D Reconstruction Based on Binocular Stereo Vision［D］. Zhenjiang： Jiangsu University of Science and Technology， 2023.

[9] 王姮， 徐鹏， 林海涛， 等. 基于极线约束的水下目标激光重建方法［J］. 激光与光电子学进展， 2024， 61（22）：280-288.

[10] WANG Heng， XU Peng， LIN Haitao， et al. Underwater Target Laser Reconstruction Method Based on Epipolar Constraint［J］. Laser & Optoelectronics Progress， 2024， 61（22）： 280-288.

[11] 陈国邦. 基于双目视觉的水下场景多线激光三维重建方法研究［D］. 哈尔滨： 哈尔滨工程大学， 2024.

[12] CHEN Guobang. Research on Multi-line Laser 3D Reconstruction of Underwater Scene Based on Binocular Vision［D］. Harbin： Harbin Engineering University， 2024.

[13] 杨树明， 瞿兴， 马椿洋. 基于事件相机的视觉测量综述［J］. 光学学报（网络版）， 2024， 1（3）：21-32.

[14] YANG Shuming， QU Xing， MA Chunyang. Review of Event Camera-based Visual Measurement（Invited）［J］. Acta Optica Sinica （Online）， 2024， 1（3）： 21-32.

[15] 王佳欢. 基于线激光海底管道三维重建方法研究［D］. 哈尔滨： 哈尔滨工程大学， 2022.

[16] WANG Jiahuan. Research on Three-dimensional Reconstruction Method of Submarine Pipeline Based on Line Laser［D］. Harbin： Harbin Engineering University， 2022.

[17] 孙茜， 薛庆生， 张冬雪， 等. 水下目标物三维激光重建方法研究［J］. 红外与激光工程， 2022， 51（8）： 234-240.

[18] SUN Qian， XUE Qingsheng， ZHANG Dongxue， et al. Research on the 3D Laser Reconstruction Method of Underwater Targets［J］. Infrared and Laser Engineering， 2022， 51（8）： 234-240.

[19] 赵子毅. 基于线结构光的深海小区域三维重建［D］. 青岛： 青岛科技大学， 2020.

[20] ZHAO Ziyi. 3D Reconstruction of Deep Sea Area Based on Line Structured Light［D］. Qingdao： Qingdao University of Science & Technology， 2020.

[21] XUE Qingsheng， SUN Qian， WANG Fupeng， et al. Underwater High-precision 3D Reconstruction System Based on Rotating Scanning［J］. Sensors， 2021， 21（4）：1402.

[22] 李奕轩. 水下载体姿态对三维重建影响的半实物仿真系统研究［D］. 哈尔滨： 哈尔滨工程大学， 2024.

[23] LI Yixuan. A Semi Physical Simulation System Study on the Influence of Underwater Body Posture on 3D Reconstruction［D］. Harbin： Harbin Engineering University， 2024.

[24] 张天驰， 刘宇轩. 深度学习驱动的水下图像处理研究进展［J］. 计算机科学， 2024， 51（）： 283-294.

[25] ZHANG Tianchi， LIU Yuxuan. Research Progress of Underwater Image Processing Based on Deep Learning［J］. Computer Science， 2024， 51（S1）： 283-294.

[26] 孙志远. 基于结构光点云的水下目标三维重建技术研究［D］. 哈尔滨： 哈尔滨工程大学， 2024.

[27] SUN Zhiyuan. Research on Three-dimensional Reconstruction Technology of Underwater Targets Based on Structured Light Point Cloud［D］. Harbin： Harbin Engineering University， 2024.

[28] 彭铖， 张爱军. 一种线结构光亚像素中心坐标提取方法［J］. 激光杂志， 2023， 44（1）： 56-61.

[29] PENG Cheng， ZHANG Aijun. A Method for Extracting Sub-pixel Coordinates of Line Structured Light Centre［J］. Laser Journal， 2023， 44（1）： 56-61.

[30] 俞圣池， 李佳康， 熊鑫泉， 等. 基于线激光三角测距法的鱼体测距研究［J］. 渔业现代化， 2024， 51（1）： 80-89.

[31] YU Shengchi， LI Jiakang， XIONG Xinquan， et al. Research on Fish Ranging Based on Line Laser Triangulation Ranging Method［J］. Fishery Modernization， 2024， 51（1）： 80-89.

基金资助

广东省海洋经济发展（海洋六大产业）专项资金(粤自然资合［2024］18号)