CN105373814A - 一种基于激光点云数据的真实阔叶树器官分类识别方法 - Google Patents

Abstract

本发明公开了一种基于激光点云数据的真实阔叶树器官分类识别方法，本方法利用流形学习的思想来描述非线性局部曲面特性，并设定局部邻域为线性结构，在枝叶的原始点云中融入流行结构的思想，同时根据叶面与枝干形体差异，结合点云的非线性局部切平面分布、空间离散点分布特征和局部离散点法向特征，根据叶面与枝干形体差异，最后结合监督分类的思想，设计了GEPSVM分类器，从训练样本中找寻类别特征，对测试样本进行分类，进而提取阔叶树中复杂点云的枝叶数据。本发明结合枝叶的各种基本特征的优势，提出了基于特征融合的点云活立木枝叶分离的方法，从实验结果看，是切实可行并且高效的，并为林学参数的精确求取打下基础。

Description

一种基于激光点云数据的真实阔叶树器官分类识别方法

技术领域

本发明涉及一种基于激光点云数据的真实阔叶树器官分类识别方法，属于计算机视觉理论研究在林木测量应用中的创新，从而实现阔叶树不同植物器官的精确识别。

背景技术

近年来地面激光扫描仪(TLS)广泛应用于复杂现场勘测和空间物体的测量，激光扫描不会对被测物造成任何损伤，且能以点云的形式精确还原出目标体的三维数据。由于三维激光扫描仪在计测学中具有无可比拟的优势，因此国外许多林业科研工作者就地面三维激光扫描技术在林业中的应用进行了深入研究和探讨。

但仅仅依靠地面激光扫描仪获取林木生态参数还处研究阶段，这主要是因为树木外形特征无规律且形态复杂，并且外界环境对TLS扫描过程中树木的状态产生着持续的影响；激光扫描在采集数据时，外部环境如风吹抖动及遮挡的对测试对象的影响；树木生长得状态以及形态及叶子的方位角度不固定性，如何从激光扫描得到的树木点云点云数据分别具体器官是需要解决的难题；激光扫描获取的是离散的点云数据，而树叶是由三维曲面构成，设计合理的点到面的拟合算法是需要解决的难题。因此，上述因素都是研究林学参数自动获取的阻力，因此如何从离散的激光点云中自动获取精确林学指标是亟待解决的问题。

林业树木的监测和精细识别一直是个难题。传统的测树工具中，借助机械原理如轮齿或围尺、测高器等量测工具，量测读数记录的效率低，且获得的数据较为单一、精度较差；运用光学的方法进行树木测量时，会受到遮挡和光照的影响，对影像的采集视角和摄像机参数的精准度都有严格的要求；采用超声波传感器阵列测量林业作物时，虽可得到树木冠层的三维点阵云图数据，但只能监测树木表层数据且无法得到树木内部结构信息；而相对一些复杂林学参数，即使采用各种现有方法也无法获得精确值，对于大维数的点云数据要分类出植物的不同器官，更是很难，如何找寻一个行之有效的策略去避免此类困难，并对活立木各项林学指标进行分类是我们亟待解决的问题。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于激光点云数据的真实阔叶树器官分类识别方法，通过挖掘数据量大、分布离散且单点信息量小的激光点云数据中的结构信息(如邻域信息、流形结构等)，根据结构信息分离出植物器官。

技术方案：为实现上述目的，本发明采用的技术方案为：

由于植物生理结构和点云拓扑来看数学模型难以准确刻画枝叶曲面，因而无法直接嵌入点云数据的结构信息，本发明本发明针对散乱、无规律阔叶树PCD，设计了一组面向非线性空间点云的特征的提取方法，结合了高维半监督分类思想，设计了面向阔叶树生理器官有效的分类。一种基于激光点云数据的真实阔叶树器官分类识别方法，使用激光扫描仪扫描单株树木，运用计算机理论提出了一组新颖的特征向量，该向量由非线性局部切平面分布特征F_LTS，空间离散点分布特征F_saliency、局部离散点法向特征组成F_normal，并提出新型的改进LIBSVM，半监督分类识别方法，结合本发明中，新颖的树木点云特征向量及改进的监督识别方法，实现阔叶树枝叶分离。

该方法包括如下求取非线性局部切平面分布特征F_LTS的步骤：

(1)使用激光扫描仪扫描活立木，获取活立木的原始三维点云数据记为F_origin，扫描数据中元素为离散点云，其中，第i个点云记为样本点x_i；

(2)记样本点的直方形k邻域为N_k，N_k表示为其中为距离样本点x_i最近的k个近邻样本点，所述k个近邻样本点在局部切空间上的投影误差满足模型：

$x_i^{\left(j\right)}=c_i+Q_i{\mathrm{\θ}}_i^{\left(j\right)}+{\mathrm{\ϵ}}_i^{\left(j\right)},(1\≤j\≤k)$

上式中，向量表示样本点x_i处切空间的原点；列正交矩阵表示样本点x_i处切空间的一组正交基；表示的非线性局部切平面坐标；表示和x_i之间的误差向量；表示空间，的上标表示空间的维度；

最小化即可计算出c_i、Q_i和的值，如下式：

$\underset{c_i,Q_i,{\mathrm{\θ}}_i^{\left(j\right)}}{\min }\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{(x_i^{\left(j\right)}-c_i-Q_i{\mathrm{\θ}}_i^{\left(j\right)})}^2$

对中心化后做特征值分解得到：

$X_i(I-\frac{1}{k}{1}^T)X_i^T=U_i{\mathrm{\Λ}}_i{U}_i^T$

其中：为正交矩阵，对角矩阵Λ_i的对角元素单调递减，样本点x_i的局部切空间的信息为：

$\left\{\begin{array}{c}{c}_i=\frac{1}{k}{X}_{i}1\\ Q_i=[u_i^{\left(1\right)},u_i^{\left(2\right)}]\\ {\mathrm{\Θ}}_i=Q_i^T{X}_i(I-\frac{1}{k}{1}^T)\end{array}\right.$

其中，Θ_i为样本点x_i的邻域点在其切空间的投影坐标，

(3)计算非线性局部切平面分布特征，具体包括在k邻域进行的如下步骤：

首先，将样本点x_i在对应的正交基Q_i上拉成一个6维行向量，将获得的6维行向量记为局部切平面向量q_i；

然后，计算非线性局部切平面向量q_i在N_k中的协方差矩阵S_LTS：

$S_{\mathrm{LTS}}=\frac{1}{k-1}\underset{x_i^{\left(j\right)}\∈N_k}{\mathrm{\Σ}}{(q_i^{\left(j\right)}-\stackrel{\‾}{q_i})}^T(q_i^{\left(j\right)}-\stackrel{\‾}{q_i})$

其中：为N_k内样本点x_i的所有邻近样本点的非线性局部切平面向量的均值，求解S_LTS的特征值为D_LTSi＝[λ_LTS1，λ_LTS2，…，λ_LTS6]，将D_LTSi与局部切平面向量q_i一起作为样本点x_i的非线性局部切平面分布特征F_LTS：

F_LTS＝[q_i，D_LTSi]。

该方法还包括如下求取空间离散点分布特征F_saliency的步骤：

(4)记样本点的球形r邻域为N_r，N_r表示为其中r为以样本点x_i为中心的球形半径，为N_r内样本点x_i的第m个近邻样本点，N_r内样本点x_i的近邻样本点总个数为n，定义N_r的协方差矩阵S_i为：

$S_i=\frac{1}{n}{\underset{x_i^{\left(m\right)}{\∈N}_r}{\overset{n}{\mathrm{\Σ}}}(x_i^{\left(m\right)}-\stackrel{\‾}{x_i})}^T(x_i^{\left(m\right)}-\stackrel{\‾}{x_i})$

其中，为在N_r内样本点x_i的所有近邻样本点的均值，求解协方差矩阵S_i的特征值为[λ₀，λ₁，λ₂]，且λ₀≥λ₁≥λ₂，使用一个三维向量表示N_r内样本点的空间离散点分布特征：

${\mathrm{saliency}}_{x_i}=\left[\begin{array}{c}\mathrm{pointsness}\\ \mathrm{curveness}\\ \mathrm{surfaceness}\end{array}\right]=\left[\begin{array}{c}{\mathrm{\λ}}_2\\ {\mathrm{\λ}}_0-{\mathrm{\λ}}_1\\ {\mathrm{\λ}}_1-{\mathrm{\λ}}_2\end{array}\right]$

其中，pointsness＝λ₂，表示点性质，curveness＝λ₀-λ₁，表示线性质，surfaceness＝λ₁-λ₂，表示面性质，将样本点x_i的空间离散点分布特征表示F_saliency：

F_saliency＝[λ₂，λ₀-λ₁，λ₁-λ₂]

若λ₀≈λ₁≈λ₂，表示N_r内样本点空间离散分布；若λ₀∝λ₁≈λ₂，表示N_r内样本点线状分布，判断样本点x_i位于枝上；若λ₀≈λ₁∝λ₂，表示N_r内样本点面状分布，判断样本点x_i位于叶上；其中∝表示远大于。

该方法还包括如下求取局部离散点法向特征F_normal的步骤：

(5)对于判断位于枝和叶上的样本点x_i，在k邻域内按如下方法求取法向分布：

设定样本点x_i的拟合平面为：

f(x，y，z)＝ax+by+cz+d＝0

其中，(x，y，z)为样本点x_i的三维坐标，a、b、c和d为平面系数，所述平面系数通过如下方式确定：

即的最小特征值对应的特征向量即为平面系数的取值，据此计算样本点x_i的单位法向量v_i为：

$v_i=[\frac{a}{\sqrt{a^2+b^2+c^2}},\frac{b}{\sqrt{a^2+b^2+c^2}},\frac{c}{\sqrt{a^2+b^2+c^2}}]$

构造法向的邻域协方差矩阵S_normal：

$S_{\mathrm{normal}}=\frac{1}{k-1}\underset{x_i^{\left(j\right)}{\∈N}_k}{\overset{k}{\mathrm{\Σ}}}{(v_i^{\left(j\right)}-\stackrel{\‾}{v_i})}^T(v_i^{\left(j\right)}-\stackrel{\‾}{v_i})$

其中，为N_k内样本点x_i的领域法向均值，求解协方差矩阵S_normal的特征值为D_normali＝[λ_normal1，λ_normal2，λ_normal3]，将D_normali与单位法向量v_i一起作为样本点x_i的法向分布特征F_normal：

F_normal＝[v_i，D_normali]。

该方法还包括如下分类的步骤：

(6)将非线性局部切平面分布特征F_LTS，空间离散点分布特征F_saliency、局部离散点法向特征组成F_normal，原始数据F_origin进行复合，形成多维融合特征F_all：

F_all＝[F_LTS，F_saliency，F_normal，F_origin]

(7)基于监督分类的思想，使用改进的GEPSVM分类器对样本点x_i进行分类，区分出属于同一条枝上的样本点和属于同一片叶上的样本点。

不同于PSVM，GEPSVM摒弃了拟合平面的平行约束，通过求解两个广义特征值来获取全局最优解；实验证明，GEPSVM(PSVMviaGeneralizedEigenvalues，GEPSVM)与标准SVM半监督学习(SupportVectorMachine，SVM)、PSVM(ProximalSVM，PSVM)性能相当，并且在XOR问题上分类性能尤为卓越，实验显示其枝叶分离效果好，基本能将所有叶片和枝干完全分离出来。其中PSVM和GEPSVM分类效果较为相近，从不同角度观察显示，其分类效果明显，基本能将整株树的枝叶分离开来，并且避免标准SVM受训样本数过大影响的问题。

有益效果：本发明提供的基于激光点云的阔叶树器官分类方法，结合已有的空间离散点分布特征和局部离散点法向特征，在此基础上根据叶片与枝干形体差异，提出了非线性局部切平面分布特征，从理论上加强了枝叶可分的依据，实验也证实了这种方法能明显提升枝叶分离的效果；同时本发明结合枝叶的各种基本特征的优势，提出了基于特征融合的点云活立木枝叶分离的方法，从实验结果看，是切实可行并且高效的。

附图说明

图1为使用SVM识别器，使用各种特征得到的含笑的识别率；

图2为使用PSVM识别器，使用各种特征得到的含笑的识别率；

图3为使用GEPSVM识别器，使用各种特征得到的含笑的识别率；

图4为使用SVM识别器，使用各种特征得到的樱花的识别率；

图5为使用PSVM识别器，使用各种特征得到的樱花的识别率；

图6为使用GEPSVM识别器，使用各种特征得到的樱花的识别率；

图7为分别使用各种识别器，含笑的训练时间图；

图8为分别使用各种识别器，樱花的训练时间图。

具体实施方式

下面结合附图及实施例对本发明作出进一步的说明。

本文发明采用算法的理论依据半监督学习，基本设置是给定激光扫描点云离散数据的未知分布的做标记示例集，根据标记示例集期望学得函数可以准确地对示例预测其标记。运用计算机理论提出了一组新颖的特征向量，该向量由非线性局部切平面分布特征F_LTS，空间离散点分布特征F_saliency、局部离散点法向特征组成Ｆ_normal，并提出新型的改进LIBSVM，半监督分类识别方法，结合本发明中，新颖的树木点云特征向量及改进的监督识别方法，实现阔叶树枝叶分离。

软件使用Matlab，激光点云数据获取是通过LeicaScanStationC10激光扫描仪扫描校园内的一棵含笑树和一颗樱花树，然后使用Cyclone软件处理后植物模型。借助硬件环境在Core^TM2Duo2.53GHz、内存4GB的计算机上进行。

在实验中，依次从两种植物(含笑、樱花)抽取两类训练样本，本在样本中随机选取10万-60万个点作为训练样本，对所有带标号样本点进行测试。

具体步骤为：

(1)使用激光扫描仪扫描活立木，获取活立木的原始三维点云数据记为Ｆ_origin，扫描数据中元素为离散点云，其中，第i个点云记为样本点x_i：

(2)记样本点的直方形k邻域为N_k，N_k表示为其中为距离样本点x_i最近的k个近邻样本点，所述k个近邻样本点在局部切空间上的投影误差满足模型：

$x_i^{\left(j\right)}=c_i+Q_i{\mathrm{\θ}}_i^{\left(j\right)}+{\mathrm{\ϵ}}_i^{\left(j\right)},(1\≤j\≤k)$

上式中，向量表示样本点x_i处切空间的原点；列正交矩阵表示样本点x_i处切空间的一组正交基；表示的非线性局部切平面坐标；表示和x_i之间的误差向量；表示空间，的上标表示空间的维度；

最小化即可计算出c_i、Q_i和的值，如下式：

$\underset{c_i,Q_i,{\mathrm{\θ}}_i^{\left(j\right)}}{\min }\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{(x_i^{\left(j\right)}-c_i-Q_i{\mathrm{\θ}}_i^{\left(j\right)})}^2$

对中心化后做特征值分解得到：

$X_i(I-\frac{1}{k}{1}^T)X_i^T=U_i{\mathrm{\Λ}}_i{U}_i^T$

其中：为正交矩阵，对角矩阵Λ_i的对角元素单调递减，样本点x_i的局部切空间的信息为：

$\left\{\begin{array}{c}{c}_i=\frac{1}{k}{X}_{i}1\\ Q_i=[u_i^{\left(1\right)},u_i^{\left(2\right)}]\\ {\mathrm{\Θ}}_i=Q_i^T{X}_i(I-\frac{1}{k}{1}^T)\end{array}\right.$

其中，Θ_i为样本点x_i的邻域点在其切空间的投影坐标，

(3)计算非线性局部切平面分布特征，具体包括在k邻域进行的如下步骤：

首先，将样本点x_i在对应的正交基Q_i上拉成一个6维行向量，将获得的6维行向量记为局部切平面向量q_i；

然后，计算非线性局部切平面向量q_i在N_k中的协方差矩阵S_LTS：

$S_{\mathrm{LTS}}=\frac{1}{k-1}\underset{x_i^{\left(j\right)}{\∈N}_k}{\mathrm{\Σ}}{(q_i^{\left(j\right)}-\stackrel{\‾}{q_i})}^T(q_i^{\left(j\right)}-\stackrel{\‾}{q_i})$

其中：为N_k内样本点x_i的所有邻近样本点的非线性局部切平面向量的均值，求解S_LTS的特征值为D_LTSi＝[λ_LTS1，λ_LTS2，…，λ_LTS6]，将D_LTSi与局部切平面向量q_i一起作为样本点x_i的非线性局部切平面分布特征F_LTS：

F_LTS＝[q_i，D_LTSi]。

该方法还包括如下求取空间离散点分布特征F_saliency的步骤：

(4)记样本点的球形r邻域为N_r，N_r表示为其中r为以样本点x_i为中心的球形半径，为N_r内样本点x_i的第m个近邻样本点，N_r内样本点x_i的近邻样本点总个数为n，定义N_r的协方差矩阵S_i为：

$S_i=\frac{1}{n}{\underset{x_i^{\left(m\right)}{\∈N}_r}{\overset{n}{\mathrm{\Σ}}}(x_i^{\left(m\right)}-\stackrel{\‾}{x_i})}^T(x_i^{\left(m\right)}-\stackrel{\‾}{x_i})$

其中，为在N_r内样本点x_i的所有近邻样本点的均值，求解协方差矩阵S_i的特征值为[λ₀，λ₁，λ₂]，且λ₀≥λ₁≥λ₂，使用一个三维向量表示N_r内样本点的空间离散点分布特征：

${\mathrm{saliency}}_{x_i}=\left[\begin{array}{c}\mathrm{pointsness}\\ \mathrm{curveness}\\ \mathrm{surfaceness}\end{array}\right]=\left[\begin{array}{c}{\mathrm{\λ}}_2\\ {\mathrm{\λ}}_0-{\mathrm{\λ}}_1\\ {\mathrm{\λ}}_1-{\mathrm{\λ}}_2\end{array}\right]$

其中，pointsness＝λ₂，表示点性质，curveness＝λ₀-λ₁，表示线性质，surfaceness＝λ₁-λ₂，表示面性质，将样本点x_i的空间离散点分布特征表示F_saliency：

F_saliency＝[λ₂，λ₀-λ₁，λ₁-λ₂]

若λ₀≈λ₁≈λ₂，表示N_r内样本点空间离散分布；若λ₀∝λ₁≈λ₂，表示N_r内样本点线状分布，判断样本点x_i位于枝上；若λ₀≈λ₁∝λ₂，表示N_r内样本点面状分布，判断样本点x_i位于叶上；其中∝表示远大于。

该方法还包括如下求取局部离散点法向特征F_normal的步骤：

(5)对于判断位于枝和叶上的样本点x_i，在k邻域内按如下方法求取法向分布：

设定样本点x_i的拟合平面为：

f(x，y，z)＝ax+by+cz+d＝0

其中，(x，y，z)为样本点x_i的三维坐标，a、b、c和d为平面系数，所述平面系数通过如下方式确定：

即的最小特征值对应的特征向量即为平面系数的取值，据此计算样本点x_i的单位法向量v_i为：

$v_i=[\frac{a}{\sqrt{a^2+b^2+c^2}},\frac{b}{\sqrt{a^2+b^2+c^2}},\frac{c}{\sqrt{a^2+b^2+c^2}}]$

构造法向的邻域协方差矩阵S_normal：

$S_{\mathrm{normal}}=\frac{1}{k-1}\underset{x_i^{\left(j\right)}\∈N_k}{\overset{k}{\mathrm{\Σ}}}{(v_i^{\left(j\right)}-\stackrel{\‾}{v_i})}^T(v_i^{\left(j\right)}-\stackrel{\‾}{v_i})$

其中，为N_k内样本点x_i的领域法向均值，求解协方差矩阵S_normal的特征值为D_normali＝[λ_normal1，λ_normal2，λ_normal3]，将D_normali与单位法向量v_i一起作为样本点x_i的法向分布特征F_normal：

F_normal＝[v_i，D_normali]。

该方法还包括如下分类的步骤：

(6)将非线性局部切平面分布特征F_LTS，空间离散点分布特征F_saliency、局部离散点法向特征组成F_normal，原始数据F_origin进行复合，形成多维融合特征F_all：

F_all＝[F_LTS，F_saliency，F_normal，F_origin]

(7)基于监督分类的思想，使用改进的GEPSVM分类器对样本点x_i进行分类，区分出属于同一条枝上的样本点和属于同一片叶上的样本点。下面结合实验数据，对本案的发明效果给出说明。

表1为仅使用原始数据F_origin进行分类，使用不同分类器的对两种植物的识别率。

表1：使用F_origin进行分类

表2为仅使用非线性局部切平面分布特征F_LTS进行分类，使用不同分类器针对不同植物的识别率比对。

表2：使用F_LTS进行分类

表3为仅使用局部离散点法向特征F_normal进行分类，使用不同分类器的针对不同植物的识别率比对。

表3：仅用F_normal进行分类

表4为仅使用空间离散点分布特征F_saliency进行分类，使用不同分类器针对不同植物的识别率比对。

表4：仅使用F_saliency进行分类

表5为采用本发明方法综合使用非线性局部切平面分布特征F_LTS、空间离散点分布特征F_saliency、局部离散点法向特征F_normal与原始数据F_origin进行复合，使用多维融合特征F_all进行分类，使用不同分类器在两种植物样品中的识别率。

表5：融合基本信息的分类结果

从表1到表5可以看出，GEPSVM的识别率比经典的SVM识别率偏低，但融合本发明设计的多项点云特征后，也达到了较优的识别分类效果，进而有效区分树木中不同器官的点云特征；其次，GEPSVM的计算时间复杂度要远远优于SVM算法，尤其对于海量的树木点云数据而言，传统的SVM算法将耗费大量的运算时间，而本发明的方法时间复杂度将极大简化，适用于高大树木点云的器官识别。

表6：树木点云分类的时间复杂度

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于激光点云数据的真实阔叶树器官分类识别方法，其特征在于：使用激光扫描仪扫描活立木，对离散点云数据进行计算，综合离散点云的非线性局部切平面分布特征F_LTS、空间离散点分布特征F_saliency、局部离散点法向特征F_normal和原始数据F_origin，借助改进监督识别方法，对离散点云进行分类，最终获得属于同一条枝上的样本点和属于同一片叶上的样本点，而达到枝叶分离。

2.根据权利要求1所述的基于激光点云数据的真实阔叶树器官分类识别方法，其特征在于：该方法包括如下求取局部切平面分布特征F_LTS的步骤：

(1)使用激光扫描仪扫描活立木，获取活立木的原始三维点云数据记为F_origin，扫描数据中元素为离散点云，其中，第i个点云记为样本点x_i；

(2)记样本点的空间体k邻域为N_k，N_k表示为其中为距离样本点x_i最近的k个近邻样本点，所述k个近邻样本点在局部切空间上的投影误差满足模型：

$x_i^{\left(j\right)}=c_i+Q_i{\mathrm{\θ}}_i^{\left(j\right)}+{\mathrm{\ϵ}}_i^{\left(j\right)},(1\≤j\≤k)$

上式中，向量表示样本点x_i处切空间的原点；列正交矩阵表示样本点x_i处切空间的一组正交基；表示的离散点的局部切平面坐标；表示和x_i之间的误差向量；表示空间，的上标表示空间的维度；

最小化即可计算出c_i、Q_i和的值，如下式：

$\underset{c_i,Q_i,{\mathrm{\θ}}_i^{\left(j\right)}}{\min }\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{(x_i^{\left(j\right)}-c_i-Q_i{\mathrm{\θ}}_i^{\left(j\right)})}^2$

对中心化后做特征值分解得到：

$X_i(I-\frac{1}{k}{1}^T)X_i^T=U_i{\mathrm{\Λ}}_i{U}_i^T$

其中：为正交矩阵，对角矩阵Λ_i的对角元素单调递减，样本点x_i的离散局部切空间的信息为：

$\left\{\begin{array}{c}{c}_i=\frac{1}{k}{X}_{i}1\\ Q_i=[u_i^{\left(1\right)},u_i^{\left(2\right)}]\\ {\mathrm{\Θ}}_i=Q_i^T{X}_i(I-\frac{1}{k}{1}^T)\end{array}\right.$

其中，Θ_i为样本点x_i的邻域点在其切空间的投影坐标，

(3)计算非线性局部切平面分布特征，具体包括在k邻域进行的如下步骤：

首先，将样本点x_i在对应的正交基Q_i上拉成一个6维行向量，将获得的6维行向量记为局部切平面向量q_i；

然后，计算非线性局部切平面向量q_i在N_k中的协方差矩阵S_LTS：

$S_{\mathrm{LTS}}=\frac{1}{k-1}\underset{x_i^{\left(j\right)}\∈N_k}{\mathrm{\Σ}}{(q_i^{\left(j\right)}-\stackrel{\‾}{q_i})}^T(q_i^{\left(j\right)}-\stackrel{\‾}{q_i})$

其中：为N_k内样本点x_i的所有邻近样本点的非线性局部切平面向量的均值，求解S_LTS的特征值为D_LTSi＝[λ_LTS1，λ_LTS2，…，λ_LTS6]，将D_LTSi与非线性局部切平面向量q_i一起作为样本点x_i的非线性局部切平面分布特征F_LTS：

F_LTS＝[q_i，D_LTSi]。

3.根据权利要求2所述的基于激光点云数据的真实阔叶树器官分类识别方法，其特征在于：该方法还包括如下求取空间离散空间分布特征F_saliency的步骤：

(4)记样本点的球形r邻域为N_r，N_r表示为其中r为以样本点x_i为中心的球形半径，为N_r内样本点x_i的第m个近邻样本点，N_r内样本点x_i的近邻样本点总个数为n，定义N_r的协方差矩阵S_i为：

$S_i=\frac{1}{n}\underset{x_i^{\left(m\right)}\∈N_r}{\overset{n}{\mathrm{\Σ}}}{(x_i^{\left(m\right)}-\stackrel{\‾}{x_i})}^T(x_i^{\left(m\right)}-\stackrel{\‾}{x_i})$

其中，为在N_r内样本点x_i的所有近邻样本点的均值，求解协方差矩阵S_i的特征值为[λ₀，λ₁，λ₂]，且λ₀≥λ₁≥λ₂，使用一个三维向量表示N_r内样本点的空间分布特征：

${\mathrm{saliency}}_{x_i}=\left[\begin{array}{c}\mathrm{pointsness}\\ \mathrm{curveness}\\ \mathrm{surfaceness}\end{array}\right]=\left[\begin{array}{c}{\mathrm{\λ}}_2\\ {\mathrm{\λ}}_0-{\mathrm{\λ}}_1\\ {\mathrm{\λ}}_1-{\mathrm{\λ}}_2\end{array}\right]$

其中，pointsness＝λ₂，表示点性质，curveness＝λ₀-λ₁，表示线性质，surfaceness＝λ₁-λ₂，表示面性质，将样本点x_i的空间离散空间分布特征表示F_saliency：

F_saliency＝[λ₂，λ₀-λ₁，λ₁-λ₂]

若λ₀≈λ₁≈λ₂，表示N_r内样本点散乱分布；若λ₀∝λ₁≈λ₂，表示N_r内样本点线状分布，判断样本点x_i位于枝上；若λ₀≈λ₁∝λ₂，表示N_r内样本点面状分布，判断样本点x_i位于叶上；其中∝表示远大于。

4.根据权利要求3所述的基于激光点云数据的真实阔叶树器官分类识别方法，其特征在于：该方法还包括如下求取局部离散点法向特征F_normal的步骤：

(5)对于判断位于枝和叶上的样本点x_i，在k邻域内按如下方法求取离散点法向：

设定样本点x_i的拟合平面为：

f(x，y，z)＝ax+by+cz+d＝0

其中，(x，y，z)为样本点x_i的三维坐标，a、b、c和d为平面系数，所述平面系数通过如下方式确定：

即的最小特征值对应的特征向量即为平面系数的取值，据此计算样本点x_i的单位法向量v_i为：

$v_i=[\frac{a}{\sqrt{a^2+b^2+c^2}},\frac{b}{\sqrt{a^2+b^2+c^2}},\frac{c}{\sqrt{a^2+b^2+c^2}}]$

构造法向的邻域协方差矩阵S_normal：

$S_{\mathrm{normal}}=\frac{1}{k-1}\underset{x_i^{\left(j\right)}\∈N_k}{\overset{k}{\mathrm{\Σ}}}{(v_i^{\left(j\right)}-\stackrel{\‾}{v_i})}^T(v_i^{\left(j\right)}-\stackrel{\‾}{v_i})$

其中，为N_k内样本点x_i的领域法向均值，求解协方差矩阵S_normal的特征值为D_normali＝[λ_normal1，λ_normal2，λ_normal3]，将D_normali与单位法向量v_i一起作为样本点x_i的局部离散法向特征F_normal：

F_normal=[v_i，Ｄ_normali]。

5.根据权利要求4所述的基于激光点云数据的真实阔叶树器官分类识别方法，其特征在于：该方法还包括如下分类的步骤：

(6)将非线性局部切平面分布特征F_LTS、空间离散点空间分布特征Ｆ_saliency、局部离散点法向特征F_normal与原始数据F_origin进行复合，形成多维融合特征F_all：

F_all＝[F_LTS，F_saliency，F_normal，Ｆ_origin]

(7)基于监督分类的思想，使用改进的GEPSVM分类器对样本点x_i进行分类，区分出属于同一条枝上的样本点和属于同一片叶上的样本点。