CN105894044A - 一种基于车载激光扫描数据的单株树木点云自动提取方法 - Google Patents

Abstract

本发明提供了一种适用于复杂车载激光扫描数据的单株树木自动提取方法，主要分为两大步骤：基于聚类特征的粗分类，从车载激光扫描数居中获取可能包含树木的点聚类，称之为候选树木聚类；基于两级体素的区域生长，从每一个候选树木聚类中提取出所包含的单株树木点云。本本发明结合树木的整体和局部几何特征，能够在复杂环境中自动识别出单株树木的种子，针对树干与树冠分别制定不同的生长规则，分别进行生长，实现单株树木提取。同其他单株树木提取算法相比，该方法在树木数量的提取完整度和正确率、单株树木点云的提取精度以及复杂环境下的提取等方面取得了较大提高，能够用于进一步的树木信息提取。

Description

一种基于车载激光扫描数据的单株树木点云自动提取方法

技术领域

本发明属于车载激光雷达技术领域，特别涉及车载激光扫描数据的单株树木点云自动提取方法。

背景技术

树木是城市生态系统的重要组成部分，与其他地物共同构成了城市景观。树木的属性信息，包括树木的空间位置和形态参数(树高、树干径、树冠径、树冠面积等)，不仅能够反映树木的生长情况和健康状况，方便城市园林部门进行科学有效的管理；还有助于车辆和行人的导航定位，也是街道和城市财产清单的一部分，能为构建三维树木模型提供数据基础，以及进行进一步的噪声建模、城市绿量估计、街道和道路规划研究等。由于树木形态特征较为复杂，且受季节变化(有叶子和无叶子的季节)和自身生长及人为等因素共同作用的影响，形态变化较快。当前以人工实测为主树木信息获取方式，费时费力，急需一种自动、快速而准确的树木信息提取方法。

车载激光雷达测量系统是近年来发展起来的新兴的数据采集工具，能够快速、高效地捕捉道路环境中各地物的高精度三维点云数据。从海量的点云数据中提取出单株树木点云数据，可以高效地获取每一株树木的三维信息。因此，研究基于车载激光扫描数据的高精度单株树木提取方法对树木属性信息的自动获取具有重要的现实意义。

相较于基于车载激光扫描数据的单株树木提取，针对于单株树木点云数据的属性信息提取和后续三维建模研究相对更加成熟。例如《一种基于三维激光点云数据的树冠体积与表面积计测方法》(申请号：201310054542.2)和《基于车载激光扫描数据的单株树三维绿量自动估算方法》(申请号：201310084928.8)能够准确的估算出单株树木的形态参数信息。而现有的提取方法《一种基于车载激光扫描数据自动提取直立筒状地物的算法》(申请号：201410561688.0)只能提取出树干，现有的分类方法《一种车载激光扫描点云数据的城市地物分类方法》(申请号：201310307332.X)对于树木的划分较为粗糙，也无法提取出单株树木。

近些年，国内外诸多学者针对车载激光扫描点云数据先后提出了一些树木提取方法。但是这些方法都还只适用于较简单的场景。在城市复杂场景中还无法实现准确且高精度的单株树木点云提取，往往需要大量的人工干预。

发明内容

本发明的目的在于解决现有技术在复杂场景中树木提取准确度和单株树木点云精度低的的问题，提供一种能够提高车载激光扫描点云数据中单株树木提取精度的自动化方法，为树木属性信息获取提供高精度的数据基础。

本发明所提供的技术方案具体为：

一种基于车载激光扫描数据的单株树木点云自动提取方法，其特征在于，包含以下步骤：

步骤1，结合行车轨迹点数据，从原始车载激光扫描点云数据中获取可能包含树木的点聚类，包括以下子步骤：

步骤1.1、计算行车轨迹点处的地面高程值；

步骤1.2、对原始点云数据进行水平规则格网化，计算每一个水平规则格网内，所有数据点的最大高程值和最小高程值，以及水平中心点的位置；

步骤1.3、结合步骤1.1获取的地面高程值，通过预设的高程阈值过滤掉地面点；

步骤1.4、对步骤1.3所获取的非地面的点云数据进行基于欧氏距离的聚类分析；

步骤1.5、通过平均法向量偏移度，结合高度特征从步骤1.3获取的点聚类中按筛选出可能包含树木的聚类，即候选树木聚类；

步骤2.对步骤1所获取的每一个候选树木聚类，逐一利用基于两级体素的双重区域生长算法从中提取出所包含单株树木，包括以下子步骤；

步骤2.1、对步骤1获取的候选树木聚类进行体素化；

步骤2.2、根据树木的整体形态特征选取树干的初始层，并利用树木的截面几何特征识别出真正位于树干上的种子，并将树干与树冠分割开；

步骤2.3、从步骤2.2获取的种子开始向两端进行逐层自适应范围的树干生长；

步骤2.4、从适合树干生长的小体素转换成适合树冠生长的大体素继续生长；

步骤2.5、基于局部几何特征的树冠体素生长与基于形态一致性的树冠体素分割；

步骤2.6、确定对未生长到或者待定的体素分析其邻域的26体素，结合最小面积增量原则来确定这些体素的归属；

步骤2.7、对提取的树木重复进行种子选取和树干生长，提高树干的精度；

重复步骤2，对下一个候选树木聚类中的单株树木进行提取，直到完成所有候选树木聚类完成提取；

在上述的一种基于车载激光扫描数据的单株树木点云自动提取方法，所述步骤2.2中，具体方法是：对于一株树木，包括：

特征一：一株树木包含差异明显的两个部分：下部的树干和上部的树冠；

特征二：树冠截面类圆，直径较大，且形态不规则；

特征三：树干位于对应树干的水平中心附近，并有较小的直径和相对规则的形状；

定义树冠的直径，周长，面积都大于树干，则每一层相应体素组中点的水平凸包被用来描述该物体在相应高度的横截面形状；从种子开始向上进行分析比较，如果某一层中对应的凸包满足树冠的特征，则认为找到了树冠，该种子被确定为树木种子，识别过程如下：

逐层比较由种子所含点生成的水平凸包(CH_initial)与Layer_i中对应体素组中所含点生成的水平凸包(CH_i)(图3)，主要包括面积(area)、直径(diameter)、周长(perimeter)等几何特征；同时计算CH_i与圆形的相似程度(Simi_circle)；

${\mathrm{Simi}}_{area}=\frac{area\left({\mathrm{CH}}_{initial}\right)}{area\left({\mathrm{CH}}_i\right)}$

${\mathrm{Simi}}_{perimeter}=\frac{perimeter\left({\mathrm{CH}}_{initial}\right)}{perimeter\left({\mathrm{CH}}_i\right)}$

${\mathrm{Simi}}_{diameter}=\frac{diameter\left({\mathrm{CH}}_{initial}\right)}{diameter\left({\mathrm{CH}}_i\right)}$

Simi_up＝α·Simi_area+β·Simi_premeter+γ·Simi_diameter

${\mathrm{Simi}}_{circle}=\frac{area\left({\mathrm{CH}}_i\right)}{\mathrm{\&pi;}\&times;{\left(diameter\right({\mathrm{CH}}_i)/2)}^2},(0<{\mathrm{Simi}}_{circle}<1)$

其中α+β+γ＝1；

若满足以下条件，则认为找到了树冠：diameter(CH_i)大于SD_crown，Simi_circle小于SA_crown且Simi_up小于SH_up；如果有多个种子共享同一树冠，则只把距离树冠中心最近的种子作为真正位于树干上的种子；

当上述条件都满足时，则认为找到了位于树干上的种子(如图2中种子1)；在此过程中，通过计算每一个体素组中所有点的平均法向量偏移度，利用步骤1.5中提到的平均法向量偏移度(AOSNV)可以将树干与树冠分割开来，采取不同的策略来分别生长树干和树冠。

在上述的一种基于车载激光扫描数据的单株树木点云自动提取方法，所述步骤2.3中，基于自适应范围的树干生长；从位于树干上的种子开始向两端逐层生长，根据当前层所有点的最小水平外包圆，来设定下一层树干的水平生长范围；下一层中，所有落在该水平范围内的点都被视为树干点，通过计算这些点的水平最小外包圆，同理来设定下一层树干的水平生长范围，向下生长至第0层为止，向上生长至树冠层停止；若有多个树木种子，则重复该过程，直至每一个树木种子完成树干生长。

在上述的一种基于车载激光扫描数据的单株树木点云自动提取方法，所述步骤2.4中，在完成树干生长之后，从适合树干生长的小体素转换成适合树冠生长的大体素；由于树冠点相对稀疏且形态不规则，为了避免单个体素中的点数量过少，采用大一级体素来进行树冠生长；所有树冠层中的点，利用1.5倍原始大小的体素重新体素化，新的最底层作为树冠的初始层；树冠初始层中的体素作为种子体素进行后续的向上逐层树冠生长。

在上述的一种基于车载激光扫描数据的单株树木点云自动提取方法，所述步骤2.5具体包括：

步骤2.5.1树冠生长；树冠体素的生长过程包括同层生长和向上生长；考虑到树冠的不规则性和横截面积的变化，对当前层中每一个种子体素都进行水平八邻域生长，若平均法向量偏移度符合阈值范围，则该体素内所含的内被认为是树冠点；每一个新生长到的体素作为种子体素继续进行水平八邻域生长，直至没有新的树冠体素产生，则进行向上生长；由于树冠具有垂直方向上的自然延伸结构，在向上生长过程中，与当前层树冠体素行列号相同的上层体素都被认为是树冠体素，同时作为种子体素继续进行水平八邻域生长；当一个候选树木聚类中包含多株树木时，当前层中一株树冠完成生长再进行另一株树冠生长，当该层中所有树冠都完成生长时再向上生长；该过程直至树冠顶层完成生长时结束；

步骤2.5.2对于相邻树冠的接触或邻近，有的体素可能会被多株树木的种子生长到，这时通过当前层横截面积的变化量来测量树冠形态的一致性，以确定该体素的归属，对于待分割体素，其基于面积增量(Area_grow)的一致性测量方法如下：

Area_grow＝S_grow-S_i

其中S_i是当前层的体素组中点的水平凸包的面积，S_grow是由当前层的体素组中点和待分割体素中的点共同的水平凸包的面积(S_grow≥S_i)。

本发明提供的技术方案结合了基于聚类特征的地物分类方法与基于区域生长的单株树木提取算法，能够自动识别出单株树木种子，并分别对树干和树冠进行生长；提高了复杂环境中单株树木的识别准确度与提取精度，为车载激光扫描点云数据的单株树木提取提供了一种新的思路和方法。

附图说明

图1为本发明实施例的整体流程图；

图2为本发明实施例的候选树木聚类体素化及种子选取示意图；

图3为本发明实施例的候选树木聚类分层截面分析示意图；

图4为本发明实施例的自适应范围树干生长示意图；

图5为本发明实施例的体素转换示意图；

图6(a)为本发明实施例的Layer_i层的生长结果示意图；

图6(b)为本发明实施例的Layer_i层中的树冠体素与Layer_i+1层中的点示意图；

图6(c)为本发明实施例的从Layer_i向上生长到Layer_i+1层示意图；

图6(d)为本发明实施例的Layer_i+1层中Tree₁的体素生长示意图；

图6(e)为本发明实施例的Layer_i+1层中Tree₂的体素生长和分割示意图；

图6(f)为本发明实施例的Layer_i+1层的生长结果示意图；

图7(a)为本发明实施例的Layer_i+1中相邻两株重叠树冠点及其凸包生成示意图

图7(b)为本发明实施例的Layer_i+1中相邻两株重叠树冠点凸包及其增量示意图

具体实施方法

本发明技术方案可采用计算机软件技术实现自动运行流程。为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述。

本发明要解决的核心问题是：在复杂场景的车载激光扫描数据中，自动选取并识别单株树木的种子，从种子开始进行区域生长，设定相关生长约束条件，移除与树木接触的其他地物并分割相邻树木有重叠的树冠，实现复杂环境中单株树木点云的自动提取。

以下结合附图和实施例，详细描述本发明的单株树木点云自动提取方法。步骤流程图见图1.

步骤1，结合行车轨迹点数据，对原始点云数据进行高程滤波以去除地面点云，对非地面点云数据进行欧氏聚类，并筛选出可能包含树木的候选树木聚类，包括以下子步骤：

步骤1.1以每一个行车轨迹点为中心，计算落在一定水平范围内所有数据点的平均高程值，因为轨迹点一定位于路面上，其周围的点一定均为地面点，因此可以将该平均高程值作为该行车轨迹点处的地面高程值

步骤1.2对原始点云数据进行水平规则格网化，计算每一个水平规则格网内，所有数据点的最大高程值和最小高程值以及水平中心点的位置。

步骤1.3计算每一个格网中点的最大最小高程差值(DH_i)和最大高程值与该格网水平中心距离最近的行车轨迹点处的地面高程值的差值(H_i)，根据地面高程小且局部变化小的特征，通过预设的高程阈值(h1，h2)过滤掉地面点。

${\mathrm{DH}}_i=H_i^{\max }-H_i^{\min }$

$H_i=H_i^{\max }-H_i^{ground}$

步骤1.4对去非地面的点云数据进行基于欧氏距离的聚类分析，由于相同地物所含的点在空间上邻近，因此点云数据被分割成多个点聚类，每个点聚类由单个地物或邻近的多个地物组成。

步骤1.5将每一个点聚类按照高度平均分为N层，最底层记为第0层。考虑到树木的整体形态特征和树冠的不规则性，计算第int(N/2),int(N/2)+1,...,N-1层中所有点的平均法向量偏移度(AOSNV)，依此来区分树木(冠)与其他地物。

${\mathrm{\&theta;}}_{offset}^i=\left\{\begin{array}{c}{\mathrm{\&theta;}}_{normal}^i,(0\&le;{\mathrm{\&theta;}}_{normal}^i\&le;\frac{\mathrm{\&pi;}}{4})\\ \frac{\mathrm{\&pi;}}{2}-{\mathrm{\&theta;}}_{normal}^i,(\frac{\mathrm{\&pi;}}{4}<{\mathrm{\&theta;}}_{normal}^i\&le;\frac{\mathrm{\&pi;}}{2})\end{array}\right.$

$AOSNV=\frac{1}{n}\underset{i=0}{\overset{n}{\&Sigma;}}{\mathrm{\&theta;}}_{offset}^i$

其中是点i的法向量偏移量，是点i的法向量与水平面的夹角，η通过统计分类计算得出。

若该聚类的这些层的平均法向量偏移度都满足相关阈值，同时该聚类的高度大于设定的高度阈值，则认为该聚类属于候选树木聚类，其可能包含有树木。

步骤2.对步骤1所获取的每一个候选树木聚类，逐一利用基于两级体素的双重区域生长算法从中提取出所包含的单株树木，包括以下子步骤：

步骤2.1对候选树木聚类进行体素化。用一定大小的体素对候选树木聚类所占的三维空间进行体素分割，因此，候选树木聚类中的每一个点都会划分到相应的体素中。从而使得散乱无序的点云数据转换成了按体素组织的点并有了相应的邻接关系(图2)。

步骤2.2选取树干种子体素。根据树木的整体形态特征，树干相比树冠更加细小。因此，在树木点云中，反射自树干的点相对更少，也占据更少的体素。将所有体素按层进行划分，统计每一层所包含的体素数量，通过选取一定高度范围内包含体素数量最少的一层，作为树干的初始层(图2)。对该层中的体素进行分割，所得到的每一个体素组都作为可能位于树干上的种子(图2中红框所示)。为了选取出真正位于树干上的种子，对这些种子所对应的体素组逐层分析，以判断是否满足树木特征。

对于一株树木而言，其主要有三个明显的特征：(1)一株树木包含差异明显的两个部分：下部的树干和上部的树冠；(2)树冠截面类圆，直径较大，且形态不规则；(3)树干位于对应树干的水平中心附近，并有较小的直径和相对规则的形状。因此，通过进行截面分析可以发现，树冠的直径，周长，面积都较树干显著增大。在这里每一层相应体素组中点的水平凸包被用来描述该物体在相应高度的横截面形状(图3)。从种子开始向上进行分析比较，如果某一层中对应的凸包满足树冠的特征，则认为找到了树冠，该种子被确定为树木种子，识别过程如下：

在向上分析过程中，逐层比较由种子所含点生成的水平凸包(CH_initial)与Layer_i中对应体素组中所含点生成的水平凸包(CH_i)(图3)，主要包括面积(area)、直径(diameter)、周长(perimeter)等几何特征。同时计算CH_i与圆形的相似程度(Simi_circle)。

${\mathrm{Simi}}_{area}=\frac{area\left({\mathrm{CH}}_{initial}\right)}{area\left({\mathrm{CH}}_i\right)}$

${\mathrm{Simi}}_{perimeter}=\frac{perimeter\left({\mathrm{CH}}_{initial}\right)}{perimeter\left({\mathrm{CH}}_i\right)}$

${\mathrm{Simi}}_{diameter}=\frac{diameter\left({\mathrm{CH}}_{initial}\right)}{diameter\left({\mathrm{CH}}_i\right)}$

Simi_up＝α·Simi_area+β·Simi_premeter+γ·Simi_diameter

${\mathrm{Simi}}_{circle}=\frac{area\left({\mathrm{CH}}_i\right)}{\mathrm{\&pi;}\&times;{\left(diameter\right({\mathrm{CH}}_i)/2)}^2},(0<{\mathrm{Simi}}_{circle}<1)$

其中α+β+γ＝1。

若满足以下条件，则认为找到了树冠：diameter(CH_i)大于SD_crown，Simi_circle小于SA_crown且Simi_up小于SH_up。如果有多个种子共享同一树冠，则只把距离树冠中心最近的种子作为真正位于树干上的种子。

当上述条件都满足是，则认为找到了位于树干上的种子(如图2中种子1)。在此过程中，通过计算每一个体素组中所有点的平均法向量偏移度，利用步骤1.5中提到的平均法向量偏移度(AOSNV)可以将树干与树冠分割开来，采取不同的策略来分别生长树干和树冠。

步骤2.3基于自适应范围的树干生长。从位于树干上的种子开始向两端逐层生长，根据当前层所有点的最小水平外包圆(圆心O，半径R)，来设定下一层树干的水平生长范围(例如：以O为圆心，半径为1.2R的圆)。下一层中，所有落在该水平范围内的点都被视为树干点，通过计算这些点的水平最小外包圆，同理来设定下一层树干的水平生长范围，向下生长至第0层为止(图4)，向上生长至树冠层停止。若有多个树木种子，则重复该过程，直至每一个树木种子完成树干生长。

步骤2.4大小体素转换。在完成树干生长之后，从适合树干生长的小体素转换成适合树冠生长的大体素。由于树冠点相对稀疏且形态不规则，为了避免单个体素中的点数量过少，采用大一级体素来进行树冠生长。所有树冠层中的点，利用1.5倍原始大小的体素重新体素化，新的最底层作为树冠的初始层(图5)。树冠初始层中的体素作为种子体素进行后续的向上逐层树冠生长。

步骤2.5基于几何特征的树冠生长与树冠分割。第Layer_i+1层的生长与分割如图6所示。其中红点表示待定点，浅色体素包含点表示Tree₁，深色体素包含点表示Tree₂(a)Layer_i层的生长结果；(b)Layer_i层中的树冠体素与Layer_i+1层中的点；(c)从Layer_i向上生长到Layer_i+1层(d)Tree₁的体素生长(e)Tree₂的体素生长和分割(f)Layer_i+1层的生长结果。包括以下子步骤：

步骤2.5.1树冠生长。树冠体素的生长过程包括同层生长和向上生长。考虑到树冠的不规则性和横截面积的变化，对当前层中每一个种子体素都进行水平八邻域生长，若平均法向量偏移度符合阈值范围，则该体素内所含的内被认为是树冠点。每一个新生长到的体素作为种子体素继续进行水平八邻域生长，直至没有新的树冠体素产生，则进行向上生长。由于树冠具有垂直方向上的自然延伸结构，在向上生长过程中，与当前层树冠体素行列号相同的上层体素都被认为是树冠体素，同时作为种子体素继续进行水平八邻域生长。当一个候选树木聚类中包含多株树木时，当前层中一株树冠完成生长再进行另一株树冠生长，当该层中所有树冠都完成生长时再向上生长。该过程直至树冠顶层完成生长时结束。

步骤2.5.2对于相邻树冠的接触或邻近，有的体素可能会被多株树木的种子生长到，这时通过当前层横截面积的变化量来测量树冠形态的一致性，以确定该体素的归属，对于待分割体素，其基于面积增量(Area_grow)的一致性测量方法如下：

Area_grow＝S_grow-S_i

其中S_i是当前层的体素组中点的水平凸包的面积，S_grow是由当前层的体素组中点和待分割体素中的点共同的水平凸包的面积(S_grow≥S_i)。

变化量更小意味着一致性更强，例如图7中，有两株树，分别是Tree₁(灰度较浅)和Tree₂(灰度较深)，分别计算两株树冠的面积增量(黑色部分)，由于因此该待分割体素属于Tree₂。

步骤2.6剩余体素归类。由于通过计算平均法向量偏移度只能将树干向上生长过程中粗略地将树干与树冠分开。因此树干层中也可能包含树冠点。对于这部分点，在树冠生长过程中无法生长到，因此在树冠生长完成后，再通过计算其对于树冠整体截面面积的增量来确定其归属。还有一些只包含少量点的体素，其平均法向量偏移度可能出现偏差，对于这部分体素，如果其与树冠体素相邻，则直接视为树冠体素，若同时与两棵树的树冠体素相邻则也利用最小面积增量原则来进行分割。图6(f)表示的是该层树冠最终的生长结果。

随着树干生长和树冠生长的完成，单株树木得到了提取。

步骤2.7逐步精炼树干。由于受到候选聚类下部其他地物的影响(如树干支架的包裹)，本方法可能无法选取到没有支架包裹的纯净树干区段，因此选取的种子体素中可能还包含了其他地物点(如树干支架点)，从而导致了树干生长范围的扩大，使得更多的其他地物点被生长为树干点。为了去除这些点，把提取到的单株树木作为候选树木聚类，回到步骤2.2，重新进行种子选取和树干生长。由于经过第一次的树干生长过程，部分树干支架点被去除，使得更加容易找到纯净的树干区段，因而保证种子体素的正确性，进一步缩小了树干的生长范围，从而使得更多的其他地物点得到去除。经过几次处理之后，当树干点数量趋于稳定，则该精炼过程完成。经过该过程，树干支架点被逐渐去除，树干的精度也逐渐提高。

至此，完成了一个候选树木聚类中的单株树木提取，重复步骤2，对下一个候选树木聚类中的单株树木进行提取，反复执行此过程直到完成所有候选树木聚类完成提取。

以上所述仅为本发明中的一个实施例，并不用于限制本发明。凡在本发明的精神与原则之内，所做的任何修改，改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于车载激光扫描数据的单株树木点云自动提取方法，其特征在于，包含以下步骤：

步骤1，结合行车轨迹点数据，从原始车载激光扫描点云数据中获取可能包含树木的点聚类，包括以下子步骤：

步骤1.1、计算行车轨迹点处的地面高程值；

步骤1.2、对原始点云数据进行水平规则格网化，计算每一个水平规则格网内，所有数据点的最大高程值和最小高程值，以及水平中心点的位置；

步骤1.3、结合步骤1.1获取的地面高程值，通过预设的高程阈值过滤掉地面点；

步骤1.4、对步骤1.3所获取的非地面的点云数据进行基于欧氏距离的聚类分析；

步骤1.5、通过平均法向量偏移度，结合高度特征从步骤1.3获取的点聚类中按筛选出可能包含树木的聚类，即候选树木聚类；

步骤2.对步骤1所获取的每一个候选树木聚类，逐一利用基于两级体素的双重区域生长算法从中提取出所包含单株树木，包括以下子步骤；

步骤2.1、对步骤1获取的候选树木聚类进行体素化；

步骤2.2、根据树木的整体形态特征选取树干的初始层，并利用树木的截面几何特征识别出真正位于树干上的种子，并将树干与树冠分割开；

步骤2.3、从步骤2.2获取的种子开始向两端进行逐层自适应范围的树干生长；

步骤2.4、从适合树干生长的小体素转换成适合树冠生长的大体素继续生长；

步骤2.5、基于局部几何特征的树冠体素生长与基于形态一致性的树冠体素分割；

步骤2.6、确定对未生长到或者待定的体素分析其邻域的26体素，结合最小面积增量原则来确定这些体素的归属；

步骤2.7、对提取的树木重复进行种子选取和树干生长，提高树干的精度；

重复步骤2，对下一个候选树木聚类中的单株树木进行提取，直到完成所有候选树木聚类完成提取。

2.根据权利要求1所述的一种基于车载激光扫描数据的单株树木点云自动提取方法，其特征在于，所述步骤2.2中，具体方法是：对于一株树木，包括：

特征一：一株树木包含差异明显的两个部分：下部的树干和上部的树冠；

特征二：树冠截面类圆，直径较大，且形态不规则；

特征三：树干位于对应树干的水平中心附近，并有较小的直径和相对规则的形状；

定义树冠的直径，周长，面积都大于树干，则每一层相应体素组中点的水平凸包被用来描述该物体在相应高度的横截面形状；从种子开始向上进行分析比较，如果某一层中对应的凸包满足树冠的特征，则认为找到了树冠，该种子被确定为树木种子，识别过程如下：

逐层比较由种子所含点生成的水平凸包(CH_initial)与Layer_i中对应体素组中所含点生成的水平凸包(CH_i)(图3)，主要包括面积(area)、直径(diameter)、周长(perimeter)等几何特征；同时计算CH_i与圆形的相似程度(Simi_circle)；

${\mathrm{Simi}}_{area}=\frac{area\left({\mathrm{CH}}_{initial}\right)}{area\left({\mathrm{CH}}_i\right)}$

${\mathrm{Simi}}_{perimeter}=\frac{perimeter\left({\mathrm{CH}}_{initial}\right)}{perimeter\left({\mathrm{CH}}_i\right)}$

${\mathrm{Simi}}_{diameter}=\frac{diameter\left({\mathrm{CH}}_{initial}\right)}{diameter\left({\mathrm{CH}}_i\right)}$

Simi_up＝α·Simi_area+β·Simi_premeter+γ·Simi_diameter

${\mathrm{Simi}}_{circle}=\frac{area\left({\mathrm{CH}}_i\right)}{\mathrm{\&pi;}\&times;{\left(diameter\right({\mathrm{CH}}_i)/2)}^2},(0<{\mathrm{Simi}}_{circle}<1)$

其中α+β+γ＝1；

若满足以下条件，则认为找到了树冠：diameter(CH_i)大于SD_crown，Simi_circle小于SA_crown且Simi_up小于SH_up；如果有多个种子共享同一树冠，则只把距离树冠中心最近的种子作为真正位于树干上的种子；

当上述条件都满足时，则认为找到了位于树干上的种子(如图2中种子1)；在此过程中，通过计算每一个体素组中所有点的平均法向量偏移度，利用步骤1.5中提到的平均法向量偏移度(AOSNV)可以将树干与树冠分割开来，采取不同的策略来分别生长树干和树冠。

3.根据权利要求1所述的一种基于车载激光扫描数据的单株树木点云自动提取方法，其特征在于，所述步骤2.3中，基于自适应范围的树干生长；从位于树干上的种子开始向两端逐层生长，根据当前层所有点的最小水平外包圆，来设定下一层树干的水平生长范围；下一层中，所有落在该水平范围内的点都被视为树干点，通过计算这些点的水平最小外包圆，同理来设定下一层树干的水平生长范围，向下生长至第0层为止，向上生长至树冠层停止；若有多个树木种子，则重复该过程，直至每一个树木种子完成树干生长。

4.根据权利要求1所述的一种基于车载激光扫描数据的单株树木点云自动提取方法，其特征在于，所述步骤2.4中，在完成树干生长之后，从适合树干生长的小体素转换成适合树冠生长的大体素；由于树冠点相对稀疏且形态不规则，为了避免单个体素中的点数量过少，采用大一级体素来进行树冠生长；所有树冠层中的点，利用1.5倍原始大小的体素重新体素化，新的最底层作为树冠的初始层；树冠初始层中的体素作为种子体素进行后续的向上逐层树冠生长。

5.根据权利要求1所述的一种基于车载激光扫描数据的单株树木点云自动提取方法，其特征在于，所述步骤2.5具体包括：

步骤2.5.1树冠生长；树冠体素的生长过程包括同层生长和向上生长；考虑到树冠的不规则性和横截面积的变化，对当前层中每一个种子体素都进行水平八邻域生长，若平均法向量偏移度符合阈值范围，则该体素内所含的内被认为是树冠点；每一个新生长到的体素作为种子体素继续进行水平八邻域生长，直至没有新的树冠体素产生，则进行向上生长；由于树冠具有垂直方向上的自然延伸结构，在向上生长过程中，与当前层树冠体素行列号相同的上层体素都被认为是树冠体素，同时作为种子体素继续进行水平八邻域生长；当一个候选树木聚类中包含多株树木时，当前层中一株树冠完成生长再进行另一株树冠生长，当该层中所有树冠都完成生长时再向上生长；该过程直至树冠顶层完成生长时结束；

步骤2.5.2对于相邻树冠的接触或邻近，有的体素可能会被多株树木的种子生长到，这时通过当前层横截面积的变化量来测量树冠形态的一致性，以确定该体素的归属，对于待分割体素，其基于面积增量(Area_grow)的一致性测量方法如下：

Area_grow＝S_grow-S_i

其中S_i是当前层的体素组中点的水平凸包的面积，S_grow是由当前层的体素组中点和待分割体素中的点共同的水平凸包的面积(S_grow≥S_i)。