CN114387288A - 基于车载激光雷达点云数据的单立木三维信息提取方法 - Google Patents

Abstract

本发明公开了基于车载激光雷达点云数据的单立木三维信息提取方法，包括：获取预设高程区间内的树干点云数据；采用欧式聚类分割算法，对树干点云数据进行分割；对分割后的树干点云数据进行多层映射，再利用RANSAC对映射后的树干点云数据进行拟合，并对拟合的结果计算平均值，获得树干胸径；采用局部最大值搜索法，对分割后的树干点云数据进行树顶点提取，获得树高；以树干胸径和树高作为所述单立木的三维信息。本发明利用MLS的点云数据，提高信息提取精度和效率，先分割再补齐提升自适应性和鲁棒性，多层映射提取最优拟合模型，获得更可靠的结果。本发明通过对行道树的结构信息进行提取，有利于提高城市森林资源调查与监测的效率。

Description

基于车载激光雷达点云数据的单立木三维信息提取方法

技术领域

本发明属于遥感信息自动提取领域，特别是涉及基于车载激光雷达点云数据的单立木三维信息提取方法。

背景技术

20世纪70年代，激光扫描技术兴起，美国将激光扫描仪搭载到卫星上获取卫星到地面的距离。20世纪末，LiDAR技术进入快速发展时期，激光扫描的数据获取方式由早期单点数据采集发展为连续多点采集，大大提高了采集效率和测量精度。机载LiDAR技术发展较早，早已形成许多稳健高效的机载雷达点云数据处理算法以及商业软件。相比之下，车载LiDAR技术起步较晚，无论是硬件还是软件都还处于早期试验以及应用阶段，对车载LiDAR点云数据的处理和信息提取，是现阶段研究的热点和难点。

车载激光雷达扫描***作为一种先进的测量手段，能够快速的采集道路以及其周围地物的点云信息，速度快、精度高、时效性强、全天候等特性使其快速被各方面研究人员所采用。但车载激光雷达***采集的行道树点云部分为残缺数据，背离道路的一侧点云信息很难采集完整。

根据车载激光雷达数据进行参数提取，主要面临这样几个问题：1、相邻单立木存在树冠重叠的部分，树高提取精确度不够，对精度造成严重影响。2、点云数据信息缺失，自动化提取难度大，胸径信息提取困难。

针对树冠点云，部分研究者使用应用于具有不同树冠大小的树冠模板匹配算法，但对于行道树密集相交部分难以拟合。针对单立木之间信息重叠的问题，很多学者从不同的角度基于不同种类遥感影像数据开展单株立木信息提取方法研究，其中局部最大值法可有利于识别单株立木，该方法通常以获取影像局部光谱的最大值作为树冠的中心点，并将其视为树木位置，其关键是设定符合小光斑影像中不同树冠大小的窗口以获取树冠光谱最大值。该方法相对简单且提取速度较快，但当光斑亮度值变化大或者影像背景较复杂时，识别效果不理想。为了解决这个问题，有人提出基于布朗运动原理的区域生长算法，并与模板匹配算法相结合，通过三维形状信息提升单立木信息提取精度。那么，消除噪声和准确搜寻最近点能有效提高单立木信息提取精度。

针对点云数据缺失的问题，研究人员研究了很多三维形状补全的方法。泊松重建方法可以将点云数据表面的漏洞补全，但只能在室内小面积物体上补充。利用物体的对称性特点，构建完整的三维轮廓，但由于单立木的外轮廓不规则性，树木的对称性无法满足，导致单立木信息提取误差较大。采用3D模型数据库中检索对象来替换实际三维物体，将检索到的模型与输入数据进行对齐和缩放，实现高质量真实物体虚拟表示，但模型库要求较高且迭代寻优速率慢。综上所述，三维形状补全的关键在于搜寻漏洞和补充漏洞，因此如何将关键要素分割出来是点云重建的关键。

发明内容

本发明的目的是提供了基于车载激光雷达点云数据的单立木三维信息提取方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了基于车载激光雷达点云数据的单立木三维信息提取方法，包括以下步骤：

获取预设高程区间内的树干点云数据；

采用欧式聚类分割算法，对所述树干点云数据进行分割；

对分割后的树干点云数据进行多层映射，再利用RANSAC对映射后的树干点云数据进行拟合，并对拟合的结果计算平均值，获得树干胸径；

采用局部最大值搜索法，对所述分割后的树干点云数据进行树顶点提取，获得树高；

以所述树干胸径和所述树高作为所述单立木的三维信息。

可选的，获取树干点云数据的过程包括：根据树木的长势特性，采用高程滤波算法，获取树干点云数据。

可选的，采用欧式聚类分割算法，对所述树干点云数据进行分割的过程包括：

设定树干之间的距离阈值和树干点云数据的数量阈值；

将所述树干点云数据中点与点之间距离小于所述树干之间的距离阈值的点聚类到一起，生成一个数据集；

若所述数据集的点数量在所述树干点云数据的数量阈值内，则保留，生成一个树干点云数据；

若所述数据集的点数量不在所述树干点云数据的数量阈值内，则舍弃；

直至循环遍历所述树干点云数据的所有点，完成树干的点云数据聚类，实现所述树干点云数据的分割。

可选的，所述树干点云数据中点与点之间距离计算公式

可选的，对分割后的树干点云数据进行多层映射的过程包括：将分割后的树干点云数据分成若干段，并分别投影到二维平面上。

可选的，利用RANSAC对映射后的树干点云数据进行拟合，并对拟合的结果计算平均值，获得树干胸径的过程包括：

步骤一：随机抽取若干个投影到二维平面上的点，并对抽取的点进行RANSAC圆的拟合；

步骤二：计算投影到二维平面上的剩余点分别到RANSAC圆的距离，若所述距离小于预设的距离阈值，则所述剩余点归为拟合点；

步骤三：重复步骤一～步骤二，达到预设的迭代次数，生成拟合点最多的拟合模型，所述拟合模型为最优模型；

步骤四：利用所述最优模型计算胸径拟合参数，并对所述拟合参数取平均值，获得树干胸径。

可选的，采用局部最大值搜索法，对所述分割后的树干点云数据进行树顶点提取前，还包括：

以树干的几何中心向上延伸建立中轴线，获得单木的空间位置，以所述空间位置作为局部最大值搜索的中心，对所述分割后的树干点云数据进行树顶点提取。

可选的，对所述分割后的树干点云数据进行树顶点提取的过程包括：

在预设半径阈值的搜索窗口中随机选定一点记为最大值点；

依次比较所述最大值点与剩余点的高程值大小，当某一点的高程值比所述最大值点大时，则替代所述最大值点成为新的最大值点；

遍历比较所有点，最后的最大值点即为极大值点，其值为最大值；以所述最后的最大值点作为所述分割后的树干点云数据的树顶点。

本发明的技术效果为：

本发明针对城市环境中的行道树点云数据，其树冠点云交互层叠难以实现单木识别的问题，提出一种自下而上的单木识别和信息提取技术。根据行道树的树干之间彼此分开、间距较大、易于分辨等特征，本发明通过提取树干点云，进行聚类分割，从而达到理想的单木识别效果。

针对车载激光雷达扫描***在数据采集时，受树木自身遮挡的影响，造成部分树木点云背离道路一面存在数据稀疏、密度不均等问题，对胸径等单立木的立体结构信息提取造成了很大的困难。本发明通过对离地1m～1.5m区间的点云数据分段投影至二维平面上，采用RANSAC进行胸径的圆拟合，计算每段的胸径大小，取平均值，作为此树木的胸径参数，补全单立木的三维结构信息。

考虑到树冠长势不规则问题，以树干的几何中心向上延伸建立中轴线，确定单木的空间位置，之后通过扩大搜索窗口的范围，统计多个树顶点最大值，取平均值，减小误差。由于树冠点云的层叠问题，可能会出现树顶点所在的树冠点云是层叠的情况，传统的树冠分割算法存在将此层叠的点云不均分割问题，从而导致树顶点的误判。此时固定搜索窗口的局部最大值搜索方法可以有效的解决这一问题，它可以将层叠部分的相同树顶点计算给不同单立木，实现提取精度的提高。

本发明适用于点云去噪处理之后，且林下无明显地物(垃圾桶、公交牌等)的行道树点云数据进行单立木信息提取，提取效果良好，实用性好，值得推广。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例中的流程图；

图2为本发明实施例中的高程滤波提取树干结果图；

图3为本发明实施例中的欧式聚类分割树干示意图；

图4为本发明实施例中的欧式聚类分割树干结果图；

图5为本发明实施例中的分段投影RANSAC胸径拟合示意图。

图6为本发明实施例中的局部最大值搜索树顶点示意图；

图7为本发明实施例中的局部最大值搜索树顶点结果图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

针对车载激光雷达***采集的城市行道树点云数据，提出一种基于高程滤波、欧式聚类、局部最大值、RANSAC的自下而上的树干分割、信息提取方法，如图1所示，包括以下步骤：

获取预设高程区间内的树干点云数据；

采用欧式聚类分割算法，对树干点云数据进行分割；

对分割后的树干点云数据进行多层映射，再利用RANSAC对映射后的树干点云数据进行拟合，并对拟合的结果计算平均值，获得树干胸径；

采用局部最大值搜索法，对分割后的树干点云数据进行树顶点提取，获得树高；

以树干胸径和树高作为所述单立木的三维信息。

针对所描述的框架，分如下几个部分详细展开。

获取预设高程区间内的树干点云数据：

根据树木的长势特性，树干部分大致在离地面点0.5m～2m之间，通过高程滤波的方法，自定义高程区间范围，保留此区间内的点云数据，实现行道树的树干提取，去除枝树、地面点上下两部分点云数据，结果如图2所示。

采用欧式聚类分割算法，对树干点云数据进行分割：如图3所示，

对提取出的树干点云数据，采用欧式聚类分割算法，彼此分割树干。根据行道树的不同树干之间彼此分开的特征，以及树干的点云密度特征(同一个树干内的点彼此距离较小，不同树干内的点彼此距离较远，树干点云的整体数量大致相同)，可以通过设定树干之间的距离阈值r、树干点云的数量阈值[min,max]，将数据中点与点之间距离小于r的聚类到一起形成一个数据簇(数据集)，如果此数据簇的点数量在[min,max]之内，则保留此数据簇为一个树干点云，反之舍弃，直至循环遍历所有点，完成树干的点云聚类，实现树干分割，算法结果图见附图4。

点与点之间的欧式距离计算公式：

算法实现基本步骤：

在数据中随机选取一个种子点记为p，对种子点进行半径为r的邻域搜索，若邻域内存在其他点，则将该点与p归为同一数据集Q,其中，半径r距离阈值设置为0.5m；

在数据集Q中随机选取新的种子点，执行步骤1，直至Q中点数不再增加，数据集Q聚类结束；

设置聚类点数阈值区间，若数据集Q中点数在阈值区间内，则保存聚类结果，否则舍弃，其中，聚类点数阈值区间设置为[100，50000]；

在剩余的数据中再随机选取新的种子点，重复前两个步骤，直至遍历点云数据集中的所有点，完成所有的聚类。

对分割后的树干点云数据进行多层映射，再利用RANSAC对映射后的树干点云数据进行拟合，并对拟合的结果计算平均值，获得树干胸径：如图5所示，

对聚类分割之后的树干点云数据，进行多层二维映射，即将离地1m～1.5m处的点云分成多段，分别投影到二维平面上进行RANSAC圆的拟合，计算每段的胸径拟合参数，取平均值。

拟合基本步骤：

步骤一：在投影点中随机抽取n个点，进行圆的拟合。

步骤二：计算数据集中的其他点到圆的距离D，若D小于指定的阈值，则归为拟合点，其中，阈值设置为0.05m。

步骤三：重复步骤一～步骤二过程达到指定的迭代次数m，找到拟合点最多的拟合模型，作为最优模型，其中，迭代次数m设置为1000。

步骤四：利用最优模型计算参数。

采用局部最大值搜索法，对分割后的树干点云数据进行树顶点提取，获得树高：如图6所示，

为确保单木的空间位置与树高的一致性，在S300欧式聚类分割的结果上，以树干的几何中心向上延伸建立中轴线，确定单木的空间位置，以此作为局部最大值搜索的中心进行树顶点的搜索，算法结果图见附图7。

局部最大值搜索基本步骤：

在半径r的搜索窗口中随机选定一点记为最大值点T，其中，固定搜索窗口的半径r设置为0.4m。

依次比较点T与其他点的高程值Z值大小，当某一点的高程值Z值比点T大时，则替代成为新的点T。

遍历比较所有点，最后的T点即为极大值点，其值为最大值。

本发明提出了基于欧式聚类算法和局部最大值算法相结合的自定义树干提取方法，采用高程滤波算法消除多余点和分割搜寻起始点，自动补全缺失的单立木主干信息，该方法对单立木主干识别具有较好的效果。根据单立木主干的识别结果，将原始数据映射到多层二维平面，提取二维信息特征，采用随机抽样一致性(RANSAC)算法提取单立木胸径和树高等结构参数。所提出的方法利用MLS的点云数据，可以提高信息提取精度和效率，更具体地说，先分割再补齐可以提升方法自适应性和鲁棒性，多层映射多维信息提取可以很好地拟合模型，从而获得更可靠的结果。基于车载激光雷达数据对行道树的结构信息(胸径、树高)进行提取，有利于提高城市森林资源调查与监测的效率，便于计算城市森林的蓄积量、生物量、固碳量。

这种基于欧式距离对点云数据进行聚类分割的方法，相对于区域生长、洪水填充分割算法，该方法可以自定义距离参数、数据簇大小等信息，促进聚类的分割理想化。欧式聚类通过使用KD-tree结构对三维空间数据进行划分，加速在聚类过程中的搜索速度。

本发明采用固定搜索窗口的局部最大值搜索法，搜索区域内的局部最大值，提取树冠顶点。为确保单木的空间位置与树高的一致性，在上一步欧式聚类分割的结果上，以树干的几何中心向上延伸建立中轴线，确定单木的空间位置，以此作为局部最大值搜索的中心进行树顶的提取，达到较高的单立木识别效果。

为降低模型拟合中野点的影响，采用RANSAC进行模型的拟合。RANSAC是一种迭代方法，假定所给数据中都包含异常值，而通过设定特定参数的模型计算才能解释异常值并得到理想的数据信息。RANSAC能够对模型参数进行高准确度的估计，即使数据集中存在大量异常值，但计算所需的时间取决于迭代数量，当其有限时，获得的估计结果可能不是最佳的，通过增加迭代的次数，提高产生合理模型的可能性。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.基于车载激光雷达点云数据的单立木三维信息提取方法，其特征在于，包括以下步骤：

获取预设高程区间内的树干点云数据；

采用欧式聚类分割算法，对所述树干点云数据进行分割；

对分割后的树干点云数据进行多层映射，再利用RANSAC对映射后的树干点云数据进行拟合，并对拟合的结果计算平均值，获得树干胸径；

采用局部最大值搜索法，对所述分割后的树干点云数据进行树顶点提取，获得树高；

以所述树干胸径和所述树高作为所述单立木的三维信息。

2.根据权利要求1所述的基于车载激光雷达点云数据的单立木三维信息提取方法，其特征在于，获取树干点云数据的过程包括：根据树木的长势特性，采用高程滤波算法，获取树干点云数据。

3.根据权利要求2所述的基于车载激光雷达点云数据的单立木三维信息提取方法，其特征在于，采用欧式聚类分割算法，对所述树干点云数据进行分割的过程包括：

设定树干之间的距离阈值和树干点云数据的数量阈值；

将所述树干点云数据中点与点之间距离小于所述树干之间的距离阈值的点聚类到一起，生成一个数据集；

若所述数据集的点数量在所述树干点云数据的数量阈值内，则保留，生成一个树干点云数据；

若所述数据集的点数量不在所述树干点云数据的数量阈值内，则舍弃；

直至循环遍历所述树干点云数据的所有点，完成树干的点云数据聚类，实现所述树干点云数据的分割。

4.根据权利要求3所述的基于车载激光雷达点云数据的单立木三维信息提取方法，其特征在于，所述树干点云数据中点与点之间距离计算公式

5.根据权利要求3所述的基于车载激光雷达点云数据的单立木三维信息提取方法，其特征在于，对分割后的树干点云数据进行多层映射的过程包括：将分割后的树干点云数据分成若干段，并分别投影到二维平面上。

6.根据权利要求5所述的基于车载激光雷达点云数据的单立木三维信息提取方法，其特征在于，利用RANSAC对映射后的树干点云数据进行拟合，并对拟合的结果计算平均值，获得树干胸径的过程包括：

步骤一：随机抽取若干个投影到二维平面上的点，并对抽取的点进行RANSAC圆的拟合；

步骤二：计算投影到二维平面上的剩余点分别到RANSAC圆的距离，若所述距离小于预设的距离阈值，则所述剩余点归为拟合点；

步骤三：重复步骤一～步骤二，达到预设的迭代次数，生成拟合点最多的拟合模型，所述拟合模型为最优模型；

步骤四：利用所述最优模型计算胸径拟合参数，并对所述拟合参数取平均值，获得树干胸径。

7.根据权利要求3所述的基于车载激光雷达点云数据的单立木三维信息提取方法，其特征在于，采用局部最大值搜索法，对所述分割后的树干点云数据进行树顶点提取前，还包括：

以树干的几何中心向上延伸建立中轴线，获得单木的空间位置，以所述空间位置作为局部最大值搜索的中心，对所述分割后的树干点云数据进行树顶点提取。

8.根据权利要求7所述的基于车载激光雷达点云数据的单立木三维信息提取方法，其特征在于，对所述分割后的树干点云数据进行树顶点提取的过程包括：

在预设半径阈值的搜索窗口中随机选定一点记为最大值点；

依次比较所述最大值点与剩余点的高程值大小，当某一点的高程值比所述的最大值点大时，则替代所述最大值点成为新的最大值点；

遍历比较所有点，最后的最大值点即为极大值点，其值为最大值；以所述最后的最大值点作为所述分割后的树干点云数据的树顶点。

Images