CN103196368A - 基于车载激光扫描数据的单株树三维绿量自动估算方法 - Google Patents

Abstract

本发明提供一种基于车载激光扫描数据的单株树三维绿量自动估算方法，利用车载激光扫描点云数据以及车载激光扫描行径轨迹数据，对三维点云进行体元化并分配索引，考虑到构成单株行道树体元在三维空间上的邻近关系，通过结合不同的邻域搜索标记方法对单株行道树进行提取，继而实现三维绿量的估算。本发明实现了从大批量点云中进行单株行道树的自动提取，解决了树冠密集有重叠时的行道树提取问题，并进一步进行了三维绿量的快速估算，大大缩短了城市行道树三维绿量测算的工作量，并有效解决了三维绿量更新困难的问题。

Description

基于车载激光扫描数据的单株树三维绿量自动估算方法

技术领域

本发明涉及地理信息与信息技术的交叉领域，尤其涉及一种基于车载激光扫描数据的单株树三维绿量自动估算方法。 

背景技术

随着城市化进程的加快，城市、人类与自然的共存相处以及谋求城市与环境的共同发展已经成为了城市发展的方向。城市行道树是城市生态环境系统和城市景观的重要组成部分，它能减缓暴雨积水引起的城市地表径流，降低汽车尾气对于环境的影响，减缓城市街道峡谷（street canyon）区域夏季的热量聚集，减弱街道噪音以及净化和美化城市环境，在保证人类生活与促进城市可持续发展中发挥重要的作用。 

随着生态城市理论的提出，现行的绿化评价指标也毫无疑义地得到了相应的补充，这当中出现了一个新的绿化评估概念——三维绿量，这一评估指标的提出得到了人们的重视。以往林业上使用的绿化率、绿化覆盖率、人均绿地面积等绿化指标，都是以二维面积作为绿化的评价标准，这些指标统称为二维绿化指标，它们在指导城市绿地规划、落实国家绿化方针政策以及衡量一个城市绿化的基本状况方面发挥了重要作用。然而，这些指标在评价不同种类的行道树，特别是在评估行道树的生态效益时，二维绿化指标很难对其进行准确的测算。三维绿量概念克服了二维绿化指标的不足，其主要的特点是：它针对于不同植物种类不同绿化植被结构间存在的功能差异，提出了以植物所占据的绿化空间体积作为评价标准，使绿化评价指标由二维向三维迈出了一步。作为城市森林重要的植被，行道树三维绿量的测算显得尤为重要。 

近几年，北京、上海、沈阳、武汉等城市围绕城市三维绿量做了大量工作，其中以利用航片通过计算机模拟获得上海市总三维绿量、以及通过建立城市主要绿化树种叶面积回归方程获取北京绿地三维绿量两个研究最为典型。目前，城市三维绿量的测定主要是根据三维绿量的计算需要，实地采集主要植物种类的叶面积、冠径、冠下高等样本数据，建立不同树种的回归模型（如径-高模型、叶面积回归模型），为树种选配适当的立体几何图形，最终建立三维绿量计算方程，进一步地可以通过遥感影像获取相关数据按照建立的模型进行三维绿量 估算。 

但是以上计算三维绿量的计算方法存在很多不足： 

1）、这些三维绿量测算方法大都属于半自动模型，所需的数据必须经过人工采集和判读，这些工作非常耗时、繁琐，工作量大； 

2）、这些三维绿量的测算精度主要取决于实地抽样调查的精确度、航片解译精度以及计算机模拟的可靠程度，由于这三项与人为工作量存在很大关联，精度难以保证； 

3）城市植被的三维绿量由于植被处于不断的生长变化的过程中，树木的生长、裁剪、种植都会影响三维绿量的变化，因此，以上的方法对三维绿量数据的更新比较困难。 

车载激光扫描是新近出现的一种三维信息获取方式，它可以快速精确获取城市道路、行道树建筑物等城市物体的侧面信息，适用于城市近景三维空间信息的快速准确测量。 

发明内容

本发明的目的：旨在提供一种基于车载激光扫描数据的单株树三维绿量自动估算方法，克服当前行道树三维绿量研究工作中工作量大、精度较低和数据更新困难的缺陷，进一步促进城市三维绿量的研究和应用以及城市绿地的规划。 

这种基于车载激光扫描数据的单株树三维绿量自动估算方法，其特征在于：该方法利用构成单株行道树点云在三维空间中的邻近关系，通过构建三维体元，采用多邻域搜索以及竞争标记算法实现单株行道树的精确识别及提取，并进一步进行精细体元化，实现单株行道树三维绿量的自动估算； 

该方法包括步骤：单株行道树点云的提取；单株行道树点云体元化和单株行道树三维绿量估算三个步骤；其中： 

所述的单株行道树点云的提取：利用行道树在三维点云技术中是由多个三维点构成的特点，运用搭载有包括全球GPS定位系统、激光扫描仪、惯性导航系统、工业CCD相机以及计算机系统的移动实景采集系统，对道路两旁的地物进行采集后得到的三维坐标，经转换后将其显示在电脑屏幕上得到三维点云数据； 

所述的单株行道树点云体元化的具体工作步骤包含：a)体元化、b)体元值设定、c)邻域搜索及标记、d)提取候选单株树、e)去除其他杆状物諸步骤； 

所述体元化的过程如下： 

根据输入的三维点云数据构建出一个三维体元网格V，三维体元网格中每一个体元可以以 列号i、行号j以及层号k进行索引，表示为v(i,j,k)；进一步的，可采用v(*,*,k)表示同属于k层的体元；所述三维体元网格的建立依赖于三维参考坐标系统的建立：该坐标系统的原点从输入的点云数据计算获得，可通过遍列输入的点云数据得到最小的x值和y值作为坐标系统原点的x₀,y₀平面坐标；以车载激光扫描系统行径轨迹的第一个轨迹点的高程值z_v作为坐标系统原点的高程坐标；并以XY水平面上以自西向东作为X轴方向，以自南向北方向作为Y轴方向；Z轴垂直XY平面向上； 

体元的大小：包括体元的长度l=Δx、宽度w=Δy、以及高度h，具体设置分别为：体元的长度以及宽度被设置为相等，大小可以根据输入的点云数据进行调整，一般选择0.25米； 

体元的高度设置采用如下规则：为了确保能准确提取主树干，第六层体元的高度被设置为0.2米，且距离地面1.2-1.4米处；第一层至第五层，各层体元高度为0.24米；第六层以上体元高度一般选用0.25米；由此建立一个包含点云的体元网格； 

所述体元值设定方法为： 

经过体元化，每一个激光点都被包含在各自对应的体元中，对于任意激光点，假设坐标为（x,y,z），与之对应的体元索引可以采用如下公式计算： 

其中x₀、y₀分别为点云中最小x值和最小y值，z_v是行径轨迹第一个轨迹点的高程值，Z₁为0.24m，int(.)是一个取整函数；当所有的激光点关联对应的体元索引后，每个体元中所包含的激光点就被确定，并将每个体元所包含的激光点个数设置为该体元的体元值； 

所述的邻域搜索及标记包括：选取体元种子、自上而下半径约束搜索标记、自下而上邻域竞争搜索标记三步骤； 

其中所述选取体元种子的步骤如下： 

考虑到体元网第六层相对于地面1.2-1.4米，该层记录了主树干的位置，因此体元种子是通过体元网的第六层选取出来的，针对第六层，按照逐行检测的方式，第一个体元值不为0的体元首先被找到，赋予一个数字g标记；以该标记体元为种子，搜索其8邻域内值不为0的体元，赋予相同的数字标记；依次并重复进行8邻域搜索操作，直到与连接的所有邻域体元都标记，即形成一个体元种子组；重复进行上述操作，直到第六层所有体元值不为0的体元都被分组，每组被不同的数字g标记； 

同时，作为构成行道树主树干部分的体元种子组，候选组必须满足以下两个条件： 

（1）、组内所有体元的投影面积必须尽量小； 

（2）组内所有体元的投影形状应该接近于圆形； 

因此选用两个特征指标：体元数量n以及紧凑度CI用于对各体元种子组的筛选； 

其中，紧凑度CI的公式定义为： 

CI=4πA/P²

其中A是体元种子组的平面投影面积，可由公式A=nΔxΔy计算得出， 

P是体元种子组的平面投影周长，可由公式

（其中，m₁是X轴方向的边界体元个数， 

m₂是Y轴方向的边界体元个数，m₃是对角线上的体元数量计算得出； 

由紧凑度公式可以看出，形状越接近圆形，紧凑度CI越趋近于1；只有同时满足n<N₀，N₀为体元数量阈值，以及CI>CI₀，CI₀为紧凑度阈值的组将会被保留，其余的将会被删除； 

进一步的，依据被保留的各体元种子组计算出各自的主树干中心（tx_g,ty_g），计算公式为： 

$\left\{\begin{array}{c}{\mathrm{tx}}_g=\underset{p=1}{\overset{m_g}{\mathrm{\&Sigma;}}}\frac{x_p}{m_g}\\ {\mathrm{ty}}_g=\underset{p=1}{\overset{m_g}{\mathrm{\&Sigma;}}}\frac{y_p}{m_g}\end{array}\right.$

其中： 

x_p、y_p为体元种子组g中第p个激光点的x、y坐标， 

m_g是体元种子组g中所有激光点的个数； 

所述的自上而下半径约束搜索标记过程如下： 

自上而下半径约束搜索标记是用来搜索和标记位于体元网第六层以下构成行道树主树干至地面部分的体元，自上而下半径约束搜索标记开始于第五层，并逐层向下标记； 

在L_k(0≤k<5)层的搜索标记过程中，L_k层中值不为0且处于L_k+1被标记体元底面邻域的体元将被赋予与L_k+1对应标记体元相同的组号；这些L_k层中被标记的体元将作为体元种子进行半径约束邻域搜索标记：在进行8邻域的搜索过程中，以主树干中心（tx_g,ty_g）为圆心，采用半径为R₀的圆用来限制搜索过程，即落在该圆内或者与该圆相交并且体元值不为0体元才能作为邻域扩展的候选体元，并用相同的组号标记；重复进行以上过程，直到L₀层的体元 被搜索和标记； 

所述的自下而上邻域竞争搜索标记过程如下： 

自下而上邻域竞争搜索标记是用来搜索标记在体元网中位于L₅层以上构成树干以及树冠部分的体元；自下而上邻域竞争搜索标记开始于第七层，并逐层向上标记。在L_k(k>5)层的搜索标记的过程中，L_k层中体元值不为0且处于L_k-1被标记体元顶面邻域的体元将被赋予与L_k-1标记体元相同的组号；这些L_k层中被标记的体元将作为该层的体元种子进行邻域搜索标记；为了解决树冠密集时有交叉重叠部分的体元邻域搜索问题，引入竞争搜索标记算法：首先得到各体元种子组的8邻域体元，对于每一组，分别计算8邻域各体元中心与对应各组主树干中心(tx_g,ty_g)的距离，各组内的最小距离d_g会被记录下来；然后将所有组中距离值最小的体元加入对应的体元种子组中，赋予对应的组标记，并重新搜索该组的8邻域，更新该组的最小d_g值；紧接着又对所有组中距离值最小的体元进行标记并赋予对应的组标记，更新最小d_g值；重复上述竞争搜索标记过程，直到各组对应与之连接的8邻域体元都被标记； 

在进行自下而上邻域竞争搜索标记时，将会逐层向上标记直到达到体元网的顶层或者搜索标记体元层所在的高度大于H_max； 

其中：H_max为搜索的高度阈值；主树干中用“tx_g,ty_g”表示； 

所述提取候选单株树的步骤为： 

在经过邻域搜索标记过程中，体元网中的体元被分为两类：标记体元和未被标记体元；将具有相同组号标记的体元所包含的激光点确定为组成候选单株树的点；按照组标记，分别对各组体元内的激光点进行输出，由此得到对应的候选单株树点云数据； 

所述去除其他杆状物处理步骤为：， 

对候选单株树进行进一步筛选，利用行道树有别于其他杆状物，往往具有一定的树高H、冠径范围CD；因此选用一定的树高阈值H₀和冠径阈值CD₀用来对候选单株树进行筛选，并且对单株行道树树点云体元化处理： 

所述的单株行道树点云体元化处理，是指对提取出的单株行道树三维点云重新进行三维网格划分，得到构成该行道树更为精细的三维体元；具体步骤是：首先根据单株树点云的立体坐标范围以及设定的长、宽、高标准体元建立一个三维体元网，将体元网中未包含激光点的体元去除，剩下的即是构成单株行道树的体元； 

所述单株行道树三维绿量的估算方法如下： 

通过统计单株行道树点云体元化后的所有体元的体积即可得到单株树的三维绿量，首先统计单株行道树点云体元化后的所有体元数量，同时计算标准体元的体积，按照三维绿量= 体元数量*体元体积计算出单株行道树三维绿量。 

依据车载激光扫描系统在数据采集过程中记录的行车位置作为行径轨迹，它由一个个的三维坐标记录，显示在计算机屏幕上表现为一系列的点，代表行车的移动路线及方向。 

所述的行道树是指在公路或街道两旁成行栽植的木本植物，一般距离公路或街道中心线5-7米。 

所述的三维体元是只具有一定长度、宽度以及高度的立方体，一定的三维空间可以被分割成多个大小相同的体元。 

在体元化过程中，所述体元的邻域可分为三个基本类型：面邻域，边邻域，和点邻域；在三维空间中一个体元拥有6个面邻域，12个边邻域以及8个点邻域；在三维体元网中，位于同一层内的体元拥有8个邻域，其中包括4个面邻域以及4个边邻域；对于任意体元v(i,j,k)，它的顶面邻域为v(i,j,k+1)，底面邻域为v(i,j,k-1)；同一层内它的8邻域包括4个面邻域为：v(i+1,j,k)，v(i-1,j,k)，v(i,j+1,k)，v(i,j-1,k)以及4个边邻域为：v(i+1,j+1,k)，v(i+1,j-1,k)，v(i-1,j+1,k)，v(i-1,j-1,k)。 

所述的竞争搜索标记算法是一种将二维象元竞争搜索方法应用在三维体元搜索过程的方法；在二维象元邻域增长过程中，竞争是通过统计各组内象元的某个指标来决定哪组进行优先增长；将其引入三维体元邻域增长的过程中，可通过统计各组体元的某个特定指标，将满足特定条件的组优先进行邻域扩展。 

所述的冠径是指行道树在东西以及南北方向上的宽度；对于构成行道树的三维点云，冠径的计算公式为CD_x=X_max-X_min，CD_y=Y_max-Y_min，其中CD_x、CD_y分别是X方向及Y方向上的冠径，X_max、X_min、Y_max、Y_min分别是X、Y坐标的最大最小值。 

本发明的有益效果是：本发明利用车载激光扫描点云数据以及车载激光扫描行径轨迹数据，对三维点云进行体元化并分配索引，考虑到构成行道树体元在三维空间上的分布特征，通过结合不同的邻域搜索方法将单株行道树点云自动提取出来，继而进行三维绿量的估算。利用自上而下半径约束搜索方法可以准确找到行道树主树干以下的部分点云，同时利用自下而上邻域竞争搜索方法可以准确找到行道树主树干以上的部分点云，并有效解决了有重叠区域的行道树提取问题；之后对提取的行道树点云进行精细体元化，保证了三维绿量估算的精确度以及效率。 

附图说明

下面结合附图说明和实施例对本发明进行进一步说明。 

图1是本发明基于车载激光扫描数据的单株树三维绿量自动估算方法的流程图； 

图2是本发明行道树三维点云示意图（点云按照高程值进行了渲染）； 

图3是本发明建立点云三维体元网的示意图； 

图4是本发明通过邻域搜索标记出构成单株行道树的体元示意图； 

图5-1、5-1是本发明提取出构成单株行道树三维点云的示意图； 

图6是本发明实施例1的三维点云图； 

图7是本发明实施例1经提取后得到的单株行道树图； 

图8-1是本发明实施例1对单株行道树进行三维点运化后的成像图； 

图8-2是本发明实施例1对单株行道树进行精细体元化得到的体元图。 

图中：1-单株行道树点云提取步骤  2-单株行道树点云体元化步骤  3-单株行道树三维绿量估算步骤  4-行道树  5-三维体元网格。 

具体实施方式

以下结合说明书附图进一步阐述本发明，并给出本发明的实施例。 

请参阅附图1所示，一种基于车载激光扫描数据的单株树三维绿量自动估算方法利用车载激光扫描系统采集到的三维点云数据，通过对三维点云进行体元化，分析构成行道树体元在三维空间上的分布特征，采用垂直方向的上下邻域搜索兼水平方向的邻域搜索方法实现对单株行道树点云的提取，并进一步进行单株行道树点云精细体元化，自动快速获取三维绿量的一种方法。其中，用于提取单株行道树点云提取的数据包括车载激光扫描点云数据和对应的行径轨迹数据。 

行道树三维绿量的自动估算可分为单株行道树点云的提取、单株行道树点云体元化和单株行道树三维绿量估算3个部分，其中： 

单株行道树点云的提取是本发明的关键部分：请参阅附图2，在三维点云中，行道树是由多个三维点构成，单株行道树点云的提取实际上是从包含多种复杂信息的三维点云中提取出构成单株行道树的三维激光点。单株行道树提取的具体工作步骤是： 

体元化 

体元化的目的是根据输入的三维点云数据构建出一个三维体元网格（V），请参阅附图3。三维体元网格中每一个体元可以由列号（i）、行号（j）以及层号（k）进行索引，表示为v(i,j,k)；进一步的，可采用v(*,*,k)表示同属于k层（用L_k索引）的体元。三维体元网格的建立依赖于三维参考坐标系统的建立：坐标系统的原点从输入的点云数据计算获得，可通过遍历输入的点云数据得到最小的x值和y值作为坐标系统原点的（x₀,y₀）平面坐标；以车载激光扫描系统行径轨迹的第一个轨迹点的高程值（z_v）作为坐标系统原点的高程坐标；XY水平面上 以自西向东作为X轴方向，以自南向北方向作为Y轴方向；Z轴垂直XY平面向上。体元的大小，包括体元的长度（l=Δx）、宽度（w=Δy）以及高度（h），具体设置分别为：体元的长度以及宽度被设置为相等，大小可以根据输入的点云数据进行调整，一般选择0.25米比较合适；体元的高度设置采用如下规则：为了确保能准确提取主树干，第六层体元的高度被设置为0.2米，且距离地面1.2-1.4米（林业上测量胸径的位置）处；第一层至第五层，各层体元高度为0.24米；第六层以上体元高度为Δz，一般选用0.25米。依上述条件就能建立一个包含点云的体元网格。 

设定体元值 

经过体元化，每一个激光点都被包含在各自对应的体元中。对于任意激光点，假设坐标为（x,y,z），与之对应的体元索引可以采用如下公式计算： 

其中x₀、y₀分别为点云中最小x值和最小y值，z_v是行径轨迹第一个轨迹点的高程值，Z₁为0.24m，int(.)是一个取整函数。当所有的激光点关联对应的体元索引后，每个体元中所包含的激光点就被确定，并将每个体元所包含的激光点个数设置为该体元的体元值。 

邻域搜索及标记 

a).选取体元种子 

因为体元网第六层相对于地面1.2-1.4米，该层记录了主树干的位置，因此体元种子是通过体元网的第六层选取出来的。针对第六层，按照逐行检测的方式，第一个体元值不为0的体元首先被找到，赋予一个数字（g）标记；以该标记体元为种子，搜索其8邻域内值不为0的体元，赋予相同的数字标记；依次并重复进行8邻域搜索操作，直到与连接的所有邻域体元都标记，即形成一个体元种子组。重复进行上述操作，直到第六层所有体元值不为0的体元都被分组，每组被不同的数字（g）标记。作为构成行道树主树干部分的体元种子组，候选组必须满足以下两个条件：（1）、组内所有体元的投影面积必须尽量小；（2）组内所有体元的投影形状应该接近于圆形。因此两个特征指标：体元数量（n）以及紧凑度（CI）被用于对各体元种子组的筛选。其中，紧凑度CI的公式定义为： 

CI=4πA/P²

其中A是体元种子组的平面投影面积，可由公式A=nΔxΔy计算得出，P是体元种子组的 平面投影周长，可由公式（其中，m₁是X轴方向的边界体元个数，m₂是Y轴方向的边界体元个数，m₃是对角线上的体元数量）计算得出。由紧凑度公式可以看出，形状越接近圆形，紧凑度CI越趋近于1。只有同时满足n<N₀（N₀为体元数量阈值）以及CI>CI₀（CI₀为紧凑度阈值）的组将会被保留，其余的将会被删除。进一步的，被保留的各体元种子组将会计算出各自的主树干中心（tx_g,ty_g），计算公式为： 

$\left\{\begin{array}{c}{\mathrm{tx}}_g=\underset{p=1}{\overset{m_g}{\mathrm{\&Sigma;}}}\frac{x_p}{m_g}\\ {\mathrm{ty}}_g=\underset{p=1}{\overset{m_g}{\mathrm{\&Sigma;}}}\frac{y_p}{m_g}\end{array}\right.$

其中x_p、y_p为体元种子组g中第p个激光点的x、y坐标，m_g是体元种子组g中所有激光点的个数。 

b).自上而下半径约束搜索标记 

自上而下半径约束搜索标记是用来搜索和标记位于体元网第六层以下构成行道树主树干至地面部分的体元。自上而下半径约束搜索标记开始于第五层，并逐层向下标记。在L_k(0≤k<5)层的搜索标记过程中，L_k层中值不为0且处于L_k+1被标记体元底面邻域的体元将被赋予与L_k+1对应标记体元相同的组号。这些L_k层中被标记的体元将作为体元种子进行半径约束邻域搜索标记：在进行8邻域的搜索过程中，以主树干中心（tx_g,ty_g）为圆心，采用半径为R₀的圆用来限制搜索过程，即落在该圆内或者与该圆相交并且体元值不为0体元才能作为邻域扩展的候选体元，并用相同的组号标记。重复进行以上过程，直到L₀层的体元被搜索和标记。 

c).自下而上邻域竞争搜索标记 

自下而上邻域竞争搜索标记是用来搜索标记在体元网中位于L₅层以上构成树干以及树冠部分的体元。自下而上邻域竞争搜索标记开始于第七层，并逐层向上标记。在L_k(k>5)层的搜索标记的过程中，L_k层中体元值不为0且处于L_k-1被标记体元顶面邻域的体元将被赋予与L_k-1标记体元相同的组号。这些L_k层中被标记的体元将作为该层的体元种子进行邻域搜索标记。为了解决树冠密集时有交叉重叠部分的体元邻域搜索问题，引入竞争搜索标记算法如下：首先得到各体元种子组的8邻域体元，对于每一组，分别计算8邻域各体元中心与对应各组主树干中心(tx_g,ty_g)的距离，各组内的最小距离（d_g）会被记录下来；然后将所有组中距离值最小的体元加入对应的体元种子组中，赋予对应的组标记，并重新搜索该组的8邻域，更新该组的最小d_g值；紧接着又对所有组中距离值最小的体元进行标记并赋予对应的组标记，更新 最小d_g值。重复上述竞争搜索标记过程，直到各组对应与之连接的8邻域体元都被标记。自下而上邻域竞争搜索标记将会逐层向上标记直到达到体元网的顶层或者搜索标记体元层所在的高度大于H_max（H_max为搜索的高度阈值）。 

提取候选单株树 

请参阅附图4，经过步骤3的邻域搜索标记过程，体元网中的体元被分为两类：标记体元和未被标记体元。具有相同组标记（组号）体元所包含的激光点即是组成候选单株树的点。按照组标记，分别对各组体元内的激光点进行输出，得到对应的候选单株树点云数据，请参阅附图5-1、5-2。 

去除其他杆状物 

由于体元种子组的选取过程很难区分诸如电线杆、路灯等类似杆状物，需要对候选单株树进行进一步筛选。有别于其他杆状物，行道树往往具有一定的树高（H）范围（计算公式为H=z_max-z_min，其中z_max和z_min为对应行道树点云中的最大z值和最小z值）以及冠径范围（CD）（计算公式为CD_x=X_max-X_min，CD_y=Y_max-Y_min，其中CD_x、CD_y分别是X方向及Y方向上的冠径，X_max、X_min、Y_max、Y_min分别是X、Y坐标的最大、最小值）。因此，一定的树高阈值（H₀）和冠径阈值（CD₀）用来对候选单株树进行筛选，阈值H₀以及CD₀的选取可以根据输入的三维点云数据进行调整。 

单株行道树树点云体元化： 

单株行道树点云体元化是指对提取出的单株行道树三维点云重新进行三维网格划分，得到构成该行道树更为精细的三维体元。具体步骤是：首先根据单株树点云的坐标范围（X范围，Y范围以及Z范围）以及设定的标准体元（长、宽、高大小一样）建立一个三维体元网，将体元网中未包含激光点的体元去除，剩下的即是构成单株行道树的体元。 

单株行道树三维绿量的估算： 

通过统计单株行道树点云体元化后的所有体元的体积即可得到单株树的三维绿量。首先统计单株行道树点云体元化后的所有体元数量，同时计算标准体元的体积（长*宽*高），三维绿量的计算可表达为：三维绿量=体元数量*体元体积。 

实施例1 

本发明提出的一种基于车载激光扫描数据的单株树三维绿量自动估算方法，利用车载激光扫描点云数据以及车载激光扫描行径轨迹数据，对三维点云进行体元化并分配索引，考虑到构成行道树体元在三维空间上的分布特征，通过结合不同的邻域搜索方法将行道树点云提 取出来，继而实现三维绿量的估算。本发明实现了大批量点云中单株行道树的自动提取，解决了行道树密集时有重叠部分的行道树提取问题，并进一步进行了三维绿量的自动估算，大大缩短了城市行道树三维绿量测算的工作量，并有效解决了三维绿量更新困难的问题。 

本发明以2012年12月7日车载激光扫描系统采集到的上海市闵行区紫竹科技园区内紫星路西段的三维点云数据作为数据为例。通过对坐标数据进行预处理，通过计算机三维显示得到渲染后的紫星路西段的三维点云图，如附图6所示。根据本发明提供的技术流程，对三维点云进行体元化、设置体元值、邻域搜索标记、提取候选单株树和去除其他杆状物操作，得到紫星路西段的单株行道树，如附图7所示。分别对单株树进行精细体元化（采用0.1m*0.1m*0.1m体元），如附图8-1、8-2所示，即可计算各棵行道树的三维绿量。 

Claims (7)

1.一种基于车载激光扫描数据的单株树三维绿量自动估算方法，其特征在于：该方法利用构成单株行道树点云在三维空间中的邻近关系，通过构建三维体元，采用多邻域搜索以及竞争标记算法实现单株行道树的精确识别及提取，并进一步进行精细体元化，实现单株行道树三维绿量的自动估算；

该方法包括步骤：单株行道树点云的提取；单株行道树点云体元化和单株行道树三维绿量估算三个步骤；其中：

所述的单株行道树点云的提取：利用行道树在三维点云技术中是由多个三维点构成的特点，运用搭载有包括全球GPS定位系统、激光扫描仪、惯性导航系统、工业CCD相机以及计算机系统的移动实景采集系统，对道路两旁的地物进行采集后得到的三维坐标，经转换后将其显示在电脑屏幕上得到三维点云数据；

所述的单株行道树点云体元化的具体工作步骤包含：a)体元化、b)体元值设定、c)邻域搜索及标记、d)提取候选单株树、e)去除其他杆状物諸步骤；

所述体元化的过程如下：

根据输入的三维点云数据构建出一个三维体元网格V，三维体元网格中每一个体元可以以列号i、行号j以及层号k进行索引，表示为v(i,j,k)；进一步的，可采用v(*,*,k)表示同属于k层的体元；所述三维体元网格的建立依赖于三维参考坐标系统的建立：该坐标系统的原点从输入的点云数据计算获得，可通过遍列输入的点云数据得到最小的x值和y值作为坐标系统原点的x₀,y₀平面坐标；以车载激光扫描系统行径轨迹的第一个轨迹点的高程值z_v作为坐标系统原点的高程坐标；并以XY水平面上以自西向东作为X轴方向，以自南向北方向作为Y轴方向；Z轴垂直XY平面向上；

体元的大小：包括体元的长度l=Δx、宽度w=Δy、以及高度h，具体设置分别为：体元的长度以及宽度被设置为相等，大小可以根据输入的点云数据进行调整，一般选择0.25米；

体元的高度设置采用如下规则：为了确保能准确提取主树干，第六层体元的高度被设置为0.2米，且距离地面1.2-1.4米处；第一层至第五层，各层体元高度为0.24米；第六层以上体元高度一般选用0.25米；由此建立一个包含点云的体元网格；

所述体元值设定方法为：

经过体元化，每一个激光点都被包含在各自对应的体元中，对于任意激光点，假设坐标为（x,y,z），与之对应的体元索引可以采用如下公式计算：

其中x₀、y₀分别为点云中最小x值和最小y值，z_v是行径轨迹第一个轨迹点的高程值，Z₁为0.24m，int(.)是一个取整函数；当所有的激光点关联对应的体元索引后，每个体元中所包含的激光点就被确定，并将每个体元所包含的激光点个数设置为该体元的体元值；

所述的邻域搜索及标记包括：选取体元种子、自上而下半径约束搜索标记、自下而上邻域竞争搜索标记三步骤；

其中所述选取体元种子的步骤如下：

考虑到体元网第六层相对于地面1.2-1.4米，该层记录了主树干的位置，因此体元种子是通过体元网的第六层选取出来的，针对第六层，按照逐行检测的方式，第一个体元值不为0的体元首先被找到，赋予一个数字g标记；以该标记体元为种子，搜索其8邻域内值不为0的体元，赋予相同的数字标记；依次并重复进行8邻域搜索操作，直到与连接的所有邻域体元都标记，即形成一个体元种子组；重复进行上述操作，直到第六层所有体元值不为0的体元都被分组，每组被不同的数字g标记；

同时，作为构成行道树主树干部分的体元种子组，候选组必须满足以下两个条件：

（1）、组内所有体元的投影面积必须尽量小；

（2）组内所有体元的投影形状应该接近于圆形；

因此选用两个特征指标：体元数量n以及紧凑度CI用于对各体元种子组的筛选；

其中，紧凑度CI的公式定义为：

CI=4πA/P²

其中A是体元种子组的平面投影面积，可由公式A=nΔxΔy计算得出，

P是体元种子组的平面投影周长，可由公式

其中，m₁是X轴方向的边界体元个数，

m₂是Y轴方向的边界体元个数，m₃是对角线上的体元数量计算得出；

由紧凑度公式CI=4πA/P²可以看出，形状越接近圆形，紧凑度CI越趋近于1；只有同时满足n<N₀，N₀为体元数量阈值，以及CI>CI₀，CI₀为紧凑度阈值的组将会被保留，其余的将会被删除；

进一步的，依据被保留的各体元种子组计算出各自的主树干中心（tx_g,ty_g），计算公式为：

$\left\{\begin{array}{c}{\mathrm{tx}}_g=\underset{p=1}{\overset{m_g}{\mathrm{\&Sigma;}}}\frac{x_p}{m_g}\\ {\mathrm{ty}}_g=\underset{p=1}{\overset{m_g}{\mathrm{\&Sigma;}}}\frac{y_p}{m_g}\end{array}\right.$

其中：

x_p、y_p为体元种子组g中第p个激光点的x、y坐标，

m_g是体元种子组g中所有激光点的个数；

所述的自上而下半径约束搜索标记过程如下：

自上而下半径约束搜索标记是用来搜索和标记位于体元网第六层以下构成行道树主树干至地面部分的体元，自上而下半径约束搜索标记开始于第五层，并逐层向下标记；

在L_k(0≤k<5)层的搜索标记过程中，L_k层中值不为0且处于L_k+1被标记体元底面邻域的体元将被赋予与L_k+1对应标记体元相同的组号；这些L_k层中被标记的体元将作为体元种子进行半径约束邻域搜索标记：在进行8邻域的搜索过程中，以主树干中心（tx_g,ty_g）为圆心，采用半径为R₀的圆用来限制搜索过程，即落在该圆内或者与该圆相交并且体元值不为0体元才能作为邻域扩展的候选体元，并用相同的组号标记；重复进行以上过程，直到L₀层的体元被搜索和标记；

所述的自下而上邻域竞争搜索标记过程如下：

自下而上邻域竞争搜索标记是用来搜索标记在体元网中位于L₅层以上构成树干以及树冠部分的体元；自下而上邻域竞争搜索标记开始于第七层，并逐层向上标记。在L_k(k>5)层的搜索标记的过程中，L_k层中体元值不为0且处于L_k-1被标记体元顶面邻域的体元将被赋予与L_k-1标记体元相同的组号；这些L_k层中被标记的体元将作为该层的体元种子进行邻域搜索标记；为了解决树冠密集时有交叉重叠部分的体元邻域搜索问题，引入竞争搜索标记算法：首先得到各体元种子组的8邻域体元，对于每一组，分别计算8邻域各体元中心与对应各组主树干中心(tx_g,ty_g)的距离，各组内的最小距离d_g会被记录下来；然后将所有组中距离值最小的体元加入对应的体元种子组中，赋予对应的组标记，并重新搜索该组的8邻域，更新该组的最小d_g值；紧接着又对所有组中距离值最小的体元进行标记并赋予对应的组标记，更新最小d_g值；重复上述竞争搜索标记过程，直到各组对应与之连接的8邻域体元都被标记；

在进行自下而上邻域竞争搜索标记时，将会逐层向上标记直到达到体元网的顶层或者搜索标记体元层所在的高度大于H_max；

其中：H_max为搜索的高度阈值；主树干中用“tx_g,ty_g”表示；

所述提取候选单株树的步骤为：

在经过邻域搜索标记过程中，体元网中的体元被分为两类：标记体元和未被标记体元；将具有相同组号标记的体元所包含的激光点确定为组成候选单株树的点；按照组标记，分别对各组体元内的激光点进行输出，由此得到对应的候选单株树点云数据；

所述去除其他杆状物处理步骤为：，

对候选单株树进行进一步筛选，利用行道树有别于其他杆状物，往往具有一定的树高H、冠径范围CD；因此选用一定的树高阈值H₀和冠径阈值CD₀用来对候选单株树进行筛选，并且对单株行道树树点云体元化处理：

所述的单株行道树点云体元化处理，是指对提取出的单株行道树三维点云重新进行三维网格划分，得到构成该行道树更为精细的三维体元；具体步骤是：首先根据单株树点云的立体坐标范围以及设定的长、宽、高标准体元建立一个三维体元网，将体元网中未包含激光点的体元去除，剩下的即是构成单株行道树的体元；

所述单株行道树三维绿量的估算方法如下：

通过统计单株行道树点云体元化后的所有体元的体积即可得到单株树的三维绿量，首先统计单株行道树点云体元化后的所有体元数量，同时计算标准体元的体积，按照三维绿量=体元数量*体元体积计算出单株行道树三维绿量。

2.如要求1所述的一种基于车载激光扫描数据的单株树三维绿量自动估算方法，其特征在于：依据车载激光扫描系统在数据采集过程中记录的行车位置作为行径轨迹，它由一个个的三维坐标记录，显示在计算机屏幕上表现为一系列的点，代表行车的移动路线及方向。

3.如权利要求1所述的一种基于车载激光扫描数据的单株树三维绿量自动估算方法，其特征在于：所述的行道树是指在公路或街道两旁成行栽植的木本植物，一般距离公路或街道中心线5-7米。

4.如权利要求1所述的一种基于车载激光扫描数据的单株树三维绿量自动估算方法，其特征在于：所述的三维体元是只具有一定长度、宽度以及高度的立方体，一定的三维空间可以被分割成多个大小相同的体元。

5.如权利要求1所述的一种基于车载激光扫描数据的单株树三维绿量自动估算方法，其特征在于：在体元化过程中，所述体元的邻域可分为三个基本类型：面邻域，边邻域，和点邻域；在三维空间中一个体元拥有6个面邻域，12个边邻域以及8个点邻域；在三维体元网中，位于同一层内的体元拥有8个邻域，其中包括4个面邻域以及4个边邻域；对于任意体元v(i,j,k)，它的顶面邻域为v(i,j,k+1)，底面邻域为v(i,j,k-1)；同一层内它的8邻域包括4个面邻域为：v(i+1,j,k)，v(i-1,j,k)，v(i,j+1,k)，v(i,j-1,k)以及4个边邻域为：v(i+1,j+1,k)，v(i+1,j-1,k)，v(i-1,j+1,k)，v(i-1,j-1,k)。

6.如权利要求1所述的一种基于车载激光扫描数据的单株树三维绿量自动估算方法，其特征在于：所述的竞争搜索标记算法是一种将二维象元竞争搜索方法应用在三维体元搜索过程的方法；在二维象元邻域增长过程中，竞争是通过统计各组内象元的某个指标来决定哪组进行优先增长；将其引入三维体元邻域增长的过程中，可通过统计各组体元的某个特定指标，将满足特定条件的组优先进行邻域扩展。

7.如权利要求1所述的一种基于车载激光扫描数据的单株树三维绿量自动估算方法，其特征在于：所述的冠径是指行道树在东西以及南北方向上的宽度；对于构成行道树的三维点云，冠径的计算公式为：CD_x=X_max-X_min，CD_y=Y_max-Y_min，其中CD_x、CD_y分别是X方向及Y方向上的冠径，X_max、X_min、Y_max、Y_min分别是X、Y坐标的最大最小值。

Images