CN107016725A - 一种顾及LiDAR点云数据分布差异的植被三维实景建模方法 - Google Patents

一种顾及LiDAR点云数据分布差异的植被三维实景建模方法 Download PDF

Info

Publication number
CN107016725A
CN107016725A CN201710107389.3A CN201710107389A CN107016725A CN 107016725 A CN107016725 A CN 107016725A CN 201710107389 A CN201710107389 A CN 201710107389A CN 107016725 A CN107016725 A CN 107016725A
Authority
CN
China
Prior art keywords
vegetation
cloud data
point
trunk
cloud
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710107389.3A
Other languages
English (en)
Inventor
罗欣
钟明
赵翔宇
洪韬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710107389.3A priority Critical patent/CN107016725A/zh
Publication of CN107016725A publication Critical patent/CN107016725A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Processing Or Creating Images (AREA)

Abstract

该发明公开了一种顾及LiDAR数据分布差异的植被三维模型重建方法，属于计算机三维建模领域，顾及到植被LiDAR点云数据的分布差异从而采用不同方法对植被进行三维重建。本发明针对现有基于LiDAR数据的植被三维模型重建方法的不足之处，找到一种顾及植被主干与分枝点云密度的分布差异，从而对植被的主干与分枝分别采用了基于凸包算法与基于最小二乘法的不同方法进行分别建模，并将叶片模型贴于枝干相应位置处，最终获得了能够反映植被真实结构参数的三维模型。采用此方法不仅可以构建出更加接近于植被面细节特征的真实形态，还能够降低主干与枝干的拓扑关系，从而提高三角网构建效率，提高点云数据处理效率。

Description

一种顾及LiDAR点云数据分布差异的植被三维实景建模方法
技术领域
本发明属于计算机三维建模领域，顾及到植被LiDAR点云数据的分布差异从而采用不同方法对植被进行三维重建。
技术背景
近年来，植被的三维建模已成为相关技术领域的一个热点。然而，由于植被实际生长结构的复杂性，给植被三维仿真模型的建立带来了许多困难。目前植被的计算机三维仿真建模主流方法有基于植物生长规则的过程建模法、基于图像的建模法和基于草绘的建模法三大类。基于规则的方法最先得到发展，是目前应用最为广泛的虚拟植物构建方法。此法需要一定的植物学专业知识，通过定义和调整几何参数来确定植物的三维形态。除了需要专业知识和经验外，基于规则的方法生成的是统计意义上的模型，真实感稍差，且对真实树木或特定形状树木的建模比较困难。基于图像的建模方法利用图像处理工具或计算机视觉算法，从单幅或不同视角的多幅自然影像中自动提取植物特征来构建模型。基于草绘的方法则是通过人机交互方式在用户手绘的枝干或外形轮廓的基础上，利用植物生长规则或者已有的树木模型库生成三维模型。后两种方法可以生成外观逼真、形态各异的虚拟植物，但难以从虚拟模型中提取出准确的树木生长和几何形态参数。
激光扫描技术的出现为植被三维空间信息的获取提供了崭新的方式，但在对植被进行三维激光扫描之后，植被主干与枝干的LiDAR点云数据的分布会有差异，如果简单的采用以上方法一视同仁的对整株植被进行三维重建，其效果往往是差强人意。
发明内容
本发明针对现有基于LiDAR数据的植被三维模型重建方法的不足之处，找到一种顾及植被主干与分枝点云密度的分布差异，从而对植被的主干与分枝分别采用了基于凸包算法与基于最小二乘法的不同方法进行分别建模，并将叶片模型贴于枝干相应位置处，最终获得了能够反映植被真实结构参数的三维模型。
因而发明一种顾及LiDAR数据分布差异的植被三维模型重建方法，其主要技术过程如下：
步骤1：对植被进行多角度激光扫描并在扫描过程中获取各数据点的R、G、B光谱信息；
步骤2：对步骤1获得的植被激光扫描点云数据进行预处理；
步骤2.1：将三维空间中包围整个点云数据的最小立方体均匀划分为具有相同大小的八个子立方体，称为体元；对每个体元逐一进行判别，如果当前体元满足给定的属性，则该体元构成一个节点，并对应一个点云数据块，否则将该体元继续均匀划分成八个更小的体元；通过这种循环递进的方式对包含植被点云数据的三维空间进行划分，使每个节点都满足相同的属性或者达到预先设定的分辨率阈值为止，最终生成一个具有根节点的多层次方向树；
步骤2.2：对方向树中各节点的地址信息和体元大小信息采用Morton码进行编码；
步骤2.3：对点云数据进行去噪处理；
步骤3：将预处理后的点云数据按植被的结构划分为主干点云数据、分枝点云数据、叶片点云数据；
步骤3.1：提取植被点云数据中R、G、B各波段的信息；
步骤3.2：为R、G、B三个波段分别根据实际情况设定阈值，在每一波段上对枝干与叶片进行划分；
步骤3.3：对R、G、B三个波段的划分结果进行加权平均，根据平均后的值对该数据点进行划分；
步骤3.4：将枝干中的点云数根据单位小平面密度均值差异设定经验阈值划分为主干点云数据和分枝点云数据；
步骤4：对步骤3得到的各角度点云数据进行配准；
步骤5：植被主干点云数据采用凸包算法进行三维重建；
步骤6：植被枝干点云数据采用最小二乘法进行枝干骨架提取，再进行三维重建；
步骤7：植被叶片点云数据采用Delaunay三角网格化进行三维模型重建；
步骤8：将植被主干三维模型、枝干三维模型和叶片三维模型进行拼合得到完整的植被三维模型。
进一步的，所述步骤2.1中通过设置体元中包含的最小点数量作为判别是否继续划分的属性。
进一步的，所述步骤2.3的具体步骤为：
步骤2.3.1：利用包围盒方法对点云数据进行栅格化，将其中所有的点分配到各栅格中；
步骤2.3.2：求取包含最多栅格的最大连通域，并去除孤立噪声点；
步骤2.3.3：对去除孤立噪声点后的点云数据进行第二次栅格划分，建立各删格内点云的k邻域；
步骤2.3.4：用最小二乘法拟合出每个k邻域的最佳拟合平面；
步骤2.3.5：计算k邻域内所有点到最佳拟合平面的距离di，并设定一个阈值，把k邻域内距佳拟合平面的距离大于该阈值的点去除。
进一步的，所述步骤5的具体方法为：首先将玉兰树主干点云数据按照Z轴方向等距分层，然后将分层后的主干各层点云投影至该层垂直于Z轴的底面上，利用凸包算法提取出每一层点云的凸包折线，再以玉兰树最底层为起始层，逐层向上利用Delaunay三角网算法构建相邻层间三角网格，直至最顶层，最终构建出玉兰树主干的三角网格曲面模型。
进一步的，所述步骤6的具体方法为：首先将分枝点云沿Z轴方向进行等距分层，再将分层后的每一层点云投影至该层垂直于Z轴的底面上，然后利用最小二乘法求取每一层上点集的拟合圆，得到圆心及半径参数，最后连结每一层拟合圆的圆心得到分枝的骨架，将每一层的拟合圆与相邻层拟合圆相连结形成分枝曲面。
本发明一种顾及LiDAR数据分布差异的植被三维模型重建方法，采用此方法不仅可以构建出更加接近于植被面细节特征的真实形态，还能够降低主干与枝干的拓扑关系，从而提高三角网构建效率，提高点云数据处理效率。
附图说明
图1为本发明植被三维模型重构方法结构框图；
图2为本发明点云数据的空间八叉树结构划分方法示意图；
图3为点云数据的空间八叉树结构编码示意图；
图4为基于k近邻的去噪方法示意图；
图5为植被点云去噪前后对比图像；其中(a)为去噪前植被点云图像，(b)为去噪后植被点云图像，(c)为去噪前局部植被点云图像，(d)为去噪后局部植被点云图像；
图6为根据光谱信息提取的叶片与枝干点云示意图；其中(a)为叶片点云，(b)为枝干点云；
图7为多站点云数据粗配准示意图；
图8为多站点云数据精配准及结果示意图；其中(a)为多站点云精配准，(b)为多站点云配准结果；
图9为玉兰树枝干点云的分割结果图；其中(a)为分割前玉兰树枝干点云，(b)为分割后玉兰树主干点云，(c)为分割后玉兰树分枝点云；
图10为玉兰树主干建模技术路线示意图；
图11为玉兰树主干分层投影后局部点云图像；
图12为Graham算法求凸包点过程示意图；
图13为利用凸包算法所得平面点集凸包折线示意图；
图14为利用凸包折线构建三角网格示意图；
图15为玉兰树局部主干模型生成示意图；其中(a)为主干原始点云，(b)为主干三角网格曲面；
图16为玉兰树分枝建模示意图；
图17为平面点集最小二乘法拟合圆示意图；
图18为分枝骨架提取及模型生成示意图；其中(a)为分枝原始点云，(b)为分枝骨架提取，(c)为局部分枝骨架，(d)为局部骨架连结；
图19为叶片三维模型生成示意图；
图20为植被三维模型生成示意图；
具体实施步骤
一、植被激光点云数据预处理
三维激光点云数据的预处理主要包括点云数据的组织与索引、点云数据的去噪、点云数据的枝叶分割、点云数据的多站配准。首先需要对植被庞大且散乱的点云数据进行有效地组织与索引，这是三维模型建立的必要前提。三维激光扫描仪在每一站点获取数据的扫描过程中，由于受到环境天气以及人为误操作等因素的影响，采集到的初始点云数据中包含有噪声，在进行植被三维建模之前，需要对采集的原始点云数据进行去噪处理。植被三维建模的核心工作是枝干和树叶的模型重建，由于枝干与叶片呈现出不同的几何形态，因此所采用的建模方法也不相同，故需先将枝干与叶片的点云数据进行分割处理，然后对其分别建模。三维激光扫描仪在每一扫描站点获取的数据，都是以与该站点位置相关的局部坐标系为参照标准的，在进行植被三维模型的重构前需要把不同站点获得的点云数据配准拼接到统一的全局坐标系下。
(1)点云数据的组织与索引
从植被表面获取的三维激光点云数据量相当庞大且离散度高，如何有效地组织这些点云数据，是进行植被三维建模的重要前提。本文采用了八叉树结构和Morton码对植被点云数据进行划分和编码。首先，将三维空间中包围整个点云数据的最小立方体均匀划分为具有相同大小的八个子立方体，称为体元。其次，对每个体元逐一进行判别，如果当前体元满足给定的属性，则该体元构成一个节点，并对应一个点云数据块，否则将该体元继续均匀划分成八个更小的体元。通过这种循环递进的方式对包含植被点云数据的三维空间进行划分，使每个体元都满足相同的属性或者达到预先设定的分辨率阈值为止，并最终生成一个具有根节点的多层次方向树，如图2所示。本文通过设置体元中包含的最小点数量作为判别是否继续划分的标准，对点数小于阈值的体元就不再进行划分，并归为节点。
划分完成之后对生成八叉树的各结点进行地址编码，如图3所示，编码中包含了节点的空间位置信息和体元大小信息。Morton码假设整个空间立方体的大小为2n×2n×2n，n为八叉树的最大深度，任意节点的Morton码就是一个n位的编码，其中，qi＝{0,1,2,3,4,5,6,7}为某叶结点在第i层的位置编号(0≤i≤n-1)。通过以下十进制转换公式，得到最终编码Mq：
Mq＝qn-1·8n-1+…+qi·8i+…+q0·80 (1)
通过对植被点云数据采用空间八叉树结构的划分和Morton码编码，实现了植被点云数据的结构化存储，从而使点云数据所占的存储空间大大减小，并可有效加快点云数据的检索速度。
(2)点云数据的去噪
在使用地面三维激光扫描仪对目标植被进行扫描时，由于各种原因如行人、车辆等移动物体对目标植被的遮挡，扫描过程中由于树木表面粗糙度、复杂纹理导致激光接收率降低，测量仪器系统误差，天气情况如大气扬尘等的影响，地面三维激光扫描仪所获取的初始点云数据中必定会存在大量的噪声点，这些噪声点数据不仅不能为提取目标植被信息提供有用的数据，反而会干扰有效结构的构建，使重构曲面不光滑，增加点云数据量，影响数据处理效率，因此在使用点云数据建模之前，必须对所获取的初始点云数据进行去噪处理。本文采用了基于k近邻的去噪方法对初始点云数据进行去噪处理，其主要步骤为：
a)利用包围盒方法对点云数据进行栅格化，将其中所有的点分配到各栅格中；
b)求取包含最多栅格的最大连通域，并去除孤立噪声点；
c)对去除孤立噪声点后的点云数据进行第二次栅格划分，建立各删格内点云的k邻域；
d)用最小二乘法拟合出每个k邻域的最佳拟合平面，如图4中平面Ti；
e)计算k邻域内所有点到最佳拟合平面的距离di，并设定一个阈值，把k邻域内距平面Ti距离大于该阈值的点去除。
经过去噪处理后的植被点云数据如图5所示，其中大部分噪声点都被有效地剔除了。在具体实现过程中，通常需要利用以上方法对原始点云进行多次去噪，才能达到满足建模的需要。
(3)点云数据的分割
点云数据的分割是要将点云数据中具有不同属性的点进行划分，划分后的每个点云子集中只包含具有同一属性的点，每个点云子集可独立构建曲面。在植被的三维建模中，植被的枝干与叶片具有不同的几何形态特征，因而具有不同的属性，在模型构建前需要对其进行分割处理。
在利用三维激光扫描仪对目标植被扫描的过程中，设置扫描仪为扫描加拍照模式，扫描仪在获取植被空间几何坐标信息之后，会对目标植被进行二维影像获取，在点云数据后期处理阶段，利用Cyclone软件可以将扫描仪拍摄的图像信息映射到对应的目标点云上，即每一个激光点除包含三维空间坐标与激光回波强度信息之外，还增加了R、G、B(Red、Green、Blue)三个波段的光谱信息。由于枝干与叶片在R、G、B三个波段具有光谱特性差异，故可以利用点云的R、G、B光谱信息对植被的枝干与叶片进行分割。基于R、G、B光谱信息对植被枝干与叶片点云数据进行分割的具体步骤为：
a)提取植被点云数据中R、G、B波段的信息；
b)为R、G、B三个波段分别选取适当阈值，在每一波段上对植被枝干与叶片进行分割，大于阈值的点标记为1，代表叶片，小于阈值的点标记为0，代表枝干：
其中，P为植被点云中每个点，fi(P)为每个点在R、G、B波段的值，Fi(P)为输出的标记值；
c)对Fi(P)加权求平均：
其中，R(P)为每个点在三个波段标记值的加权平均，Leaf(P)为分割得到的最终标记值，标记值大于1的点被划分为叶片点，其余则为枝干点，基于光谱信息的点云数据分割结果如图6所示。
(4)点云数据的多站配准
地面三维激光扫描仪在扫描过程中站点与被测植被之间或者植被自身枝干与枝干、叶片与叶片、枝干与叶片之间的相互遮挡，都会导致仅通过一站扫描无法得到植被完整的三维点云数据。因此为了得到较为完整的三维激光点云数据，需要从多站对玉兰树进行扫描，多站扫描完成之后再将各个站点的点云数据转换到同一坐标系下，即点云数据的配准。点云配准一般分为粗配准和精配准两个过程。粗配准通过手动选取几何特征点，将两站点间的同名点对进行配准，如图7所示。
粗配准的误差大小主要受到特征点对选取的数量及精确程度的影响，通常比较大，因此在粗配准完成之后还需进行精配准，使多站点云之间的拼接误差达到最小。精配准最常用的方法是最近点迭代法，最近点迭代法不依赖特征点的选取，在对配准误差和迭代次数进行设置后可实现自动配准。
设P、Q为在不同站点获取的同一物体的点云集，且点p、q为被测物体表面任意一点在不同坐标系点云集中的构象，即p(xp,yp,zp)∈P，q(xq,yq,zq)∈Q，点云数据的精配准就是要使两个点云集中任意表示物体表面同一点的点对(p,q)，满足相同的变换，即：
其中，R为旋转矩阵，t为平移矢量。本文采用最近点迭代算法，其主要步骤是：首先，假设一个初始的位置及状态估计，即从点云集P中选取一定数量的点，并在相邻点云集Q中寻找出这些点的对应点；然后，通过最小二乘法迭代，计算最优的坐标变换参数，即使误差函数
R和t最小。植被点云数据的精配准如图8(a)所示。
将前两站的精配准结果按相同的步骤与第三站点云数据进行配准，最终可获得全方位完整的单株植被点云数据，如图8(b)所示。
二、植被三维模型重构
植被的枝干与叶片具有不同的几何形态特征，枝干可抽象为分段叠加的圆柱体，而叶片更接近于平面，因此本文将植被的三维模型构建分为枝干的模型构建与叶片的模型构建两个部分，分别采用不同的方法对其进行曲面重建。
(1)植被主干与枝干三维模型的构建
曲面重建的关键是点云数据的三角网格化，即构建三角网格。构建三角网格最常用的方法是利用Delaunay三角网算法进行构网。经过点云预处理之后的玉兰树枝干点云数据量仍然很大，并且分枝条数较多，空间分布较为复杂。如果直接利用Delaunay三角网算法对整株玉兰树枝干点云构建三角网格，计算量将会非常庞大，构建出来的枝干模型难以反映植被真实的几何结构特征，尤其是细枝的模型效果欠佳。因此本文提出先对玉兰树枝干进行主干与分枝的分割，然后对玉兰树主干利用凸包折线提取的方法建模，对分枝利用骨架提取的方法建模。采用这种先分割后分别建模的方法能够有效地压缩点云数据量，提高点云数据处理效率，并且能够构建出反映主干与分枝不同几何特征的玉兰树枝干模型。
1)植被主干与分枝的分割
本文首先对被测单株玉兰树的主干与分枝进行点云分割处理，分割后的主干点云如图9(b)所示，分割后的分枝点云如图9(c)所示，由于分枝条数较多，依据分枝根部Z坐标值的大小，对每条分枝按照由低到高的顺序编为1～17号，以便后期对分枝进行建模处理。
2)植被主干模型构建
本文采用先分层提取凸包折线，再构建三角网格的方法对分割后的玉兰树主干点云数据进行曲面重建。利用凸包折线提取方法对树木主干进行建模，不仅可以构建出反映树木主干表面细节特征的模型，还能够有效地压缩点云数据，提高点云数据处理效率。
利用凸包折线提取方法对玉兰树主干进行建模的技术路线如图10所示，首先将玉兰树主干点云数据按照Z轴方向等距分层，然后将分层后的主干各层点云投影至该层垂直于Z轴的底面上，利用凸包算法提取出每一层点云的凸包折线，再以玉兰树最底层为起始层，逐层向上利用Delaunay三角网算法构建相邻层间三角网格，直至最顶层，最终构建出玉兰树主干的三角网格曲面模型。
设玉兰树主干点云数据可表示为Pi(xi,yi,zi)，i＝1,2,…,n-1,n，n为主干点云总数。按照Z轴方向，设置一定间距，对主干点云数据进行等距分层，得出主干上任意一点Pi(xi,yi,zi)的层序号为：
其中，zmin表示主干点云中Z坐标最小值，dz为相邻层之间的间距，Li取整。
本文所研究的玉兰树主干Z坐标范围为：-1.069994m～0.769420m，玉兰树高度为：1.839414m，点云数量为36665个，取dz＝0.002m，计算可得玉兰树主干点云按Z轴方向分为920层，平均每层点云数量为40个。
将分层后的玉兰树主干每一层所包含的点垂直投影到该层的底面(与X-Y面平行)上，如图11所示，然后利用凸包算法提取每一层点云数据的凸包折线。
凸包算法中最常用的是Graham提出的基于堆栈的扫描法，称为Graham-Scan算法。该算法的基本思想是：在凸包内部找到一个点O，如S中任何三个不共线的点的重心，将O作为极坐标的中心，计算每个点的极角θ，对S中的点按θ升序排列，计算相邻三点转角的凹凸性，删除内凹的点，当点集内不再包含内凹的点时，得到凸包。
设分层投影后的玉兰树主干某一层包含n个点的点云数据集合P＝{P0,P1,…,Pn-1}，利用凸包算法提取出该层的凸包顶点后即可连结构成凸包折线，则点集P中的点或者落在折线上，或者落在折线所包含的区域内。Graham-Scan算法的实现过程如下：
a)计算点集中X坐标最小的点，并以此为凸包顶点的起点，如果存在两个或两个以上X坐标相同的点，选取Y坐标最小的点，如图12(a)中点P0；
b)遍历点集P中其它所有点，计算有向向量P0Pi与X轴的夹角如图12(b)，按照夹角从小到大排序，如果夹角相等，按向量长度从小到大排序，得到一个序列；
c)按照步骤b)得到的顶点顺序进行扫描，依次删除不是凸包的点。从点P0出发，依次连结P0P4，P4P5，如图12(c)所示，计算向量和向量的外积，值大于0，说明在点P4左拐，保留P4，继续考察序列下一点。当计算向量和向量的外积时，值小于0，说明在点P6右拐，删除点P6后，须回溯与前面保留的点重新比较，因为删除点后先前拐点性质有可能会发生变化，重新计算和向量的外积，值小于0，说明在点P9也右拐，删除点P9后，重新计算和向量的外积，值大于0，说明在点P7左拐，保留P7，继续考察序列下一点P8，直至考察完点集中所有点，如图12(d)所示。
将保留下来的凸包顶点，按扫描顺序依次连结，即得到该层平面上的凸包折线，如图13所示。计算玉兰树主干每一层平面的凸包折线，形成主干点云的凸包折线模型。
提取出玉兰树主干每层的凸包折线后，以主干最底层为起始层，逐层向上利用Delaunay三角网算法构建相邻两层之间的三角网格，直至最顶层，完成玉兰树主干三角网格曲面模型的重建。
由于树木枝干点云数据的不规则性与复杂性，适合采用Delaunay三角网生长法对树木主干进行三角网格曲面构建。三角网生长算法分为收缩的生长算法和扩张的生长算法。本文采用扩张的三角网格生长算法，首先确定主干底层平面凸包点集中的前两个点，以这两个点连成的边作为初始边线，然后按照Delaunay构网原则，在相邻的上一层平面凸包顶点集中找出距初始边线中点最近的第三个点，构造初始Delaunay三角形网格，再以该初始三角形新生成的一条边为下一个三角网格的起始边线，按照相同的规则，找出距边线中点最近的第三个点构造三角形，依次迭代直至考察完相邻两层平面凸包点集中的所有点。具体步骤如下：
a)以提取凸包折线后的主干底层L0为起始层，将该层凸包顶点集中的起始点P0与下一个凸包顶点P1连成的线段P0P1作为初始Delaunay三角形的起始边线，如图14所示；
b)确定线段P0P1的中点M0，在与底层相邻的上一层平面L1的凸包顶点集中，寻找距离中点M0最近的顶点Q0，连结P1Q0、Q0P0生成初始Delaunay三角形网格P0P1Q0；
c)以初始三角形P0P1Q0新增的边线P1Q0为下一个三角形的起始边，确定P1Q0中点M1，在L0层的凸包顶点集中寻找与中点M1距离最小的点P2，在L1层的凸包顶点集中寻找与中点M1距离最小的点Q1，比较M1P2与M1Q1的长度，选取距离较短的顶点Q1构造新生三角形Q0P1Q1；
d)重复第(3)步，依次迭代直至考察完L0、L1两层平面凸包点集中的所有点；
e)以L1为新的起始层，重复第(1)～第(4)步，直至完成主干最顶层的Delaunay三角网构建。
迭代调用以上算法，构建出整个玉兰树主干的Delaunay三角网格，如图15(b)所示，从图中可以看出，利用凸包折线模型构建出来的玉兰树主干三角网模型保留了主干原始点云(如图15(a)所示)的几何结构形态特征。
3)植被分枝模型构建
由于玉兰树分枝的点云密度相对主干较为稀疏，且经过点云的去噪、多站配准等预处理之后，分枝已引入相对较大的误差，所截取的分枝横截面片段已难以形成近似圆环状，故利用凸包算法对其建模已经失去对枝干表面细节刻画的意义，故而更加注重分枝的伸展方向与长度，而利用骨架提取技术能够更好地得到玉兰树分枝几何拓扑结构，从而建立起反映树木分枝拓扑特征的模型。
骨架是一种描述物体三维几何模型拓扑结构的重要特征，能够直观地反映空间模型的几何拓扑形态，骨架通常包含模型中最基本、最重要的拓扑结构信息，通过提取骨架进行模型重构，可以在很大程度上提高建模的效率。植被通常具有较为复杂的分枝拓扑结构，因此植被枝干的骨架包含了枝干的重要空间拓扑结构信息，利用骨架提取对枝干进行模型构建具有重要的意义。
本文利用骨架提取对玉兰树分枝进行建模的技术路线如图16所示，首先将分枝点云沿Z轴方向进行等距分层，再将分层后的每一层点云投影至该层垂直于Z轴的底面上，然后利用最小二乘法求取每一层上点集的拟合圆，得到圆心及半径参数，最后连结每一层拟合圆的圆心得到分枝的骨架，将每一层的拟合圆与相邻层拟合圆相连结形成分枝曲面。
按照本文中植被主干模型构建所述方法对玉兰树分枝进行分层处理，以根部Z坐标值最小的1号分枝为例，Z坐标范围为：-0.569650m～0.114514m，分枝高度为：0.684164m，点云数量为19330个，取dz＝0.002m，计算可得分枝点云按Z轴方向分为343层，平均每层点云数量为56个。在实际分层过程中，由于第一层包含点云数量较少，拟合出来的圆半径过大，最后一层包含点云数量少于3个，无法对其进行圆拟合，皆予以舍弃。
分枝分层处理完成后，将每一层所包含的点垂直投影到该层的底面(与X-Y面平行)上，然后在该平面上利用最小二乘法拟合圆。根据最小二乘法拟合圆原理，求取分层投影后的玉兰树每层点云的拟合圆，获得圆心与半径参数，如图17所示，该层平面投影点云圆心坐标为(-1.25704,1.47712)，半径为r＝0.0046m。
得到各层拟合圆的参数圆心(A,B)与半径R后，即可获得玉兰树分枝的骨架图，如图18(b)所示，将各层圆心与相邻层圆心连结即可形成分枝的骨架，将各层拟合圆与相邻层拟合圆连结可形成分枝曲面。
三、植被叶片三维模型的构建
枝干建模完成之后，对玉兰树的叶片进行三维模型重建。由于叶片具有与枝干不同的几何形态，单片叶子点云数据量较小，故可以直接对其Delaunay三角网格化。由于单株玉兰树的叶片数量较多，对其整体建模精度较低，但叶片之间形态差异较小，因此我们从中挑选一片大小适中、外形完整的玉兰树叶片，获取其三维激光点云数据，然后对其进行建模，如图19所示，再以该叶片模型代替其它叶片，构建出玉兰树整体模型，如图20所示。

Claims (5)

1.一种顾及LiDAR数据分布差异的植被三维模型重建方法，其主要技术过程如下：
步骤1：对植被进行多角度激光扫描并在扫描过程中获取各数据点的R、G、B光谱信息；
步骤2：对步骤1获得的植被激光扫描点云数据进行预处理；
步骤2.1：将三维空间中包围整个点云数据的最小立方体均匀划分为具有相同大小的八个子立方体，称为体元；对每个体元逐一进行判别，如果当前体元满足给定的属性，则该体元构成一个节点，并对应一个点云数据块，否则将该体元继续均匀划分成八个更小的体元；通过这种循环递进的方式对包含植被点云数据的三维空间进行划分，使每个节点都满足相同的属性或者达到预先设定的分辨率阈值为止，最终生成一个具有根节点的多层次方向树；
步骤2.2：对方向树中各节点的地址信息和体元大小信息采用Morton码进行编码；
步骤2.3：对点云数据进行去噪处理；
步骤3：将预处理后的点云数据按植被的结构划分为主干点云数据、分枝点云数据、叶片点云数据；
步骤3.1：提取植被点云数据中R、G、B各波段的信息；
步骤3.2：为R、G、B三个波段分别根据实际情况设定阈值，在每一波段上对枝干与叶片进行划分；
步骤3.3：对R、G、B三个波段的划分结果进行加权平均，根据平均后的值对该数据点进行划分；
步骤3.4：将枝干中的点云数根据单位小平面密度均值差异设定经验阈值划分为主干点云数据和分枝点云数据；
步骤4：对步骤3得到的各角度点云数据进行配准；
步骤5：植被主干点云数据采用凸包算法进行三维重建；
步骤6：植被枝干点云数据采用最小二乘法进行枝干骨架提取，再进行三维重建；
步骤7：植被叶片点云数据采用Delaunay三角网格化进行三维模型重建；
步骤8：将植被主干三维模型、枝干三维模型和叶片三维模型进行拼合得到完整的植被三维模型。
2.如权利要求1所述的一种顾及LiDAR数据分布差异的植被三维模型重建方法，其特征在于所述步骤2.1中通过设置体元中包含的最小点数量作为判别是否继续划分的属性。
3.如权利要求1所述的一种顾及LiDAR数据分布差异的植被三维模型重建方法，其特征在于所述步骤2.3的具体步骤为：
步骤2.3.1：利用包围盒方法对点云数据进行栅格化，将其中所有的点分配到各栅格中；
步骤2.3.2：求取包含最多栅格的最大连通域，并去除孤立噪声点；
步骤2.3.3：对去除孤立噪声点后的点云数据进行第二次栅格划分，建立各删格内点云的k邻域；
步骤2.3.4：用最小二乘法拟合出每个k邻域的最佳拟合平面；
步骤2.3.5：计算k邻域内所有点到最佳拟合平面的距离di，并设定一个阈值，把k邻域内距佳拟合平面的距离大于该阈值的点去除。
4.如权利要求1所述的一种顾及LiDAR数据分布差异的植被三维模型重建方法，其特征在于所述步骤5的具体方法为：首先将玉兰树主干点云数据按照Z轴方向等距分层，然后将分层后的主干各层点云投影至该层垂直于Z轴的底面上，利用凸包算法提取出每一层点云的凸包折线，再以玉兰树最底层为起始层，逐层向上利用Delaunay三角网算法构建相邻层间三角网格，直至最顶层，最终构建出玉兰树主干的三角网格曲面模型。
5.如权利要求1所述的一种顾及LiDAR数据分布差异的植被三维模型重建方法，其特征在于所述步骤6的具体方法为：首先将分枝点云沿Z轴方向进行等距分层，再将分层后的每一层点云投影至该层垂直于Z轴的底面上，然后利用最小二乘法求取每一层上点集的拟合圆，得到圆心及半径参数，最后连结每一层拟合圆的圆心得到分枝的骨架，将每一层的拟合圆与相邻层拟合圆相连结形成分枝曲面。
CN201710107389.3A 2017-02-27 2017-02-27 一种顾及LiDAR点云数据分布差异的植被三维实景建模方法 Pending CN107016725A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710107389.3A CN107016725A (zh) 2017-02-27 2017-02-27 一种顾及LiDAR点云数据分布差异的植被三维实景建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710107389.3A CN107016725A (zh) 2017-02-27 2017-02-27 一种顾及LiDAR点云数据分布差异的植被三维实景建模方法

Publications (1)

Publication Number Publication Date
CN107016725A true CN107016725A (zh) 2017-08-04

Family

ID=59440573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710107389.3A Pending CN107016725A (zh) 2017-02-27 2017-02-27 一种顾及LiDAR点云数据分布差异的植被三维实景建模方法

Country Status (1)

Country Link
CN (1) CN107016725A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767375A (zh) * 2017-11-02 2018-03-06 广东电网有限责任公司电力科学研究院 一种点云质量评估方法及装置
CN107862738A (zh) * 2017-11-28 2018-03-30 武汉大学 一种基于移动激光测量点云进行室内结构化三维重建方法
CN107958209A (zh) * 2017-11-16 2018-04-24 深圳天眼激光科技有限公司 一种违建识别方法、系统及电子设备
CN108335354A (zh) * 2018-03-01 2018-07-27 东北林业大学 一种基于移动最小二乘法的贪婪投影三角化算法单木重建方法
CN109377525A (zh) * 2018-09-13 2019-02-22 武汉雄楚高晶科技有限公司 一种拍摄目标的三维坐标估计方法和拍摄设备
CN109685891A (zh) * 2018-12-28 2019-04-26 鸿视线科技(北京)有限公司 基于深度图像的建筑物三维建模与虚拟场景生成系统
CN109872280A (zh) * 2018-12-26 2019-06-11 江苏名通信息科技有限公司 一种三维植物叶片点云的去噪与简化方法、装置及系统
CN110009671A (zh) * 2019-02-22 2019-07-12 南京航空航天大学 一种场景理解的网格曲面重建系统
CN111539082A (zh) * 2020-04-26 2020-08-14 重庆水轮机厂有限责任公司 一种水轮机叶片三维模型快速重建方法
CN111583328A (zh) * 2020-05-06 2020-08-25 南京农业大学 基于几何模型的绿萝叶片外部表型参数的三维估测方法
CN111696122A (zh) * 2020-06-12 2020-09-22 北京数字绿土科技有限公司 农作物表型参数提取方法及装置
CN111882677A (zh) * 2020-08-04 2020-11-03 网易（杭州）网络有限公司 三维植物模型编辑的方法、装置、电子设备及存储介质
CN112419500A (zh) * 2020-12-09 2021-02-26 上海申元岩土工程有限公司 三维地质模型建模方法
CN113297989A (zh) * 2021-05-28 2021-08-24 深圳市优必选科技股份有限公司 充电桩识别方法、装置、机器人及计算机可读存储介质
CN113392842A (zh) * 2021-06-03 2021-09-14 电子科技大学 一种基于点数据网络结构改进的点云语义分割方法
CN113412505A (zh) * 2019-03-22 2021-09-17 华为技术有限公司 用于对通过探测和测距传感器获得的点云进行有序表示和特征提取的系统和方法
CN113453009A (zh) * 2021-07-04 2021-09-28 西北工业大学 基于拟合平面几何误差最小的点云空间可伸缩编码几何重构方法
CN114332376A (zh) * 2021-12-31 2022-04-12 电子科技大学 一种基于拓扑结构流形空间的树状三维模型重建方法
CN117269940A (zh) * 2023-11-17 2023-12-22 北京易控智驾科技有限公司 点云数据生成方法、激光雷达的感知能力验证方法
US11869192B2 (en) 2019-11-08 2024-01-09 General Electric Company System and method for vegetation modeling using satellite imagery and/or aerial imagery

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887596A (zh) * 2010-06-01 2010-11-17 中国科学院自动化研究所 树木点云数据基于分割和自动生长的三维模型重建方法
CN103258345A (zh) * 2013-04-18 2013-08-21 中国林业科学研究院资源信息研究所 一种基于地面激光雷达三维扫描的树木枝干参数提取方法
CN103106684B (zh) * 2013-01-15 2016-01-20 北京农业信息技术研究中心 一种带叶状态树木形态结构三维重建的方法和系统
CN105574929A (zh) * 2015-12-15 2016-05-11 电子科技大学 一种基于地面LiDAR点云数据的单株植被三维建模方法
CN106204724A (zh) * 2016-06-27 2016-12-07 北京林业大学 一种三维激光扫描测定单木分枝结构的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887596A (zh) * 2010-06-01 2010-11-17 中国科学院自动化研究所 树木点云数据基于分割和自动生长的三维模型重建方法
CN103106684B (zh) * 2013-01-15 2016-01-20 北京农业信息技术研究中心 一种带叶状态树木形态结构三维重建的方法和系统
CN103258345A (zh) * 2013-04-18 2013-08-21 中国林业科学研究院资源信息研究所 一种基于地面激光雷达三维扫描的树木枝干参数提取方法
CN105574929A (zh) * 2015-12-15 2016-05-11 电子科技大学 一种基于地面LiDAR点云数据的单株植被三维建模方法
CN106204724A (zh) * 2016-06-27 2016-12-07 北京林业大学 一种三维激光扫描测定单木分枝结构的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵翔宇: ""基于多源光学数据的单株阔叶树三维建模技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767375B (zh) * 2017-11-02 2021-06-29 广东电网有限责任公司电力科学研究院 一种点云质量评估方法及装置
CN107767375A (zh) * 2017-11-02 2018-03-06 广东电网有限责任公司电力科学研究院 一种点云质量评估方法及装置
CN107958209A (zh) * 2017-11-16 2018-04-24 深圳天眼激光科技有限公司 一种违建识别方法、系统及电子设备
CN107862738B (zh) * 2017-11-28 2019-10-11 武汉大学 一种基于移动激光测量点云进行室内结构化三维重建方法
CN107862738A (zh) * 2017-11-28 2018-03-30 武汉大学 一种基于移动激光测量点云进行室内结构化三维重建方法
CN108335354A (zh) * 2018-03-01 2018-07-27 东北林业大学 一种基于移动最小二乘法的贪婪投影三角化算法单木重建方法
CN109377525A (zh) * 2018-09-13 2019-02-22 武汉雄楚高晶科技有限公司 一种拍摄目标的三维坐标估计方法和拍摄设备
CN109377525B (zh) * 2018-09-13 2021-08-20 武汉雄楚高晶科技有限公司 一种拍摄目标的三维坐标估计方法和拍摄设备
CN109872280A (zh) * 2018-12-26 2019-06-11 江苏名通信息科技有限公司 一种三维植物叶片点云的去噪与简化方法、装置及系统
CN109872280B (zh) * 2018-12-26 2023-03-14 江苏名通信息科技有限公司 一种三维植物叶片点云的去噪与简化方法、装置及系统
CN109685891B (zh) * 2018-12-28 2023-09-01 鸿视线科技(北京)有限公司 一种基于深度图像的建筑物三维建模与虚拟场景生成方法及系统
CN109685891A (zh) * 2018-12-28 2019-04-26 鸿视线科技(北京)有限公司 基于深度图像的建筑物三维建模与虚拟场景生成系统
CN110009671A (zh) * 2019-02-22 2019-07-12 南京航空航天大学 一种场景理解的网格曲面重建系统
CN113412505A (zh) * 2019-03-22 2021-09-17 华为技术有限公司 用于对通过探测和测距传感器获得的点云进行有序表示和特征提取的系统和方法
CN113412505B (zh) * 2019-03-22 2022-09-09 华为技术有限公司 用于对通过探测和测距传感器获得的点云进行有序表示和特征提取的处理单元和方法
US11556745B2 (en) 2019-03-22 2023-01-17 Huawei Technologies Co., Ltd. System and method for ordered representation and feature extraction for point clouds obtained by detection and ranging sensor
US11869192B2 (en) 2019-11-08 2024-01-09 General Electric Company System and method for vegetation modeling using satellite imagery and/or aerial imagery
CN111539082B (zh) * 2020-04-26 2023-04-07 重庆水轮机厂有限责任公司 一种水轮机叶片三维模型快速重建方法
CN111539082A (zh) * 2020-04-26 2020-08-14 重庆水轮机厂有限责任公司 一种水轮机叶片三维模型快速重建方法
CN111583328B (zh) * 2020-05-06 2021-10-22 南京农业大学 基于几何模型的绿萝叶片外部表型参数的三维估测方法
CN111583328A (zh) * 2020-05-06 2020-08-25 南京农业大学 基于几何模型的绿萝叶片外部表型参数的三维估测方法
CN111696122A (zh) * 2020-06-12 2020-09-22 北京数字绿土科技有限公司 农作物表型参数提取方法及装置
CN111882677A (zh) * 2020-08-04 2020-11-03 网易（杭州）网络有限公司 三维植物模型编辑的方法、装置、电子设备及存储介质
CN111882677B (zh) * 2020-08-04 2024-02-23 网易（杭州）网络有限公司 三维植物模型编辑的方法、装置、电子设备及存储介质
CN112419500A (zh) * 2020-12-09 2021-02-26 上海申元岩土工程有限公司 三维地质模型建模方法
CN112419500B (zh) * 2020-12-09 2023-03-14 上海申元岩土工程有限公司 三维地质模型建模方法
CN113297989A (zh) * 2021-05-28 2021-08-24 深圳市优必选科技股份有限公司 充电桩识别方法、装置、机器人及计算机可读存储介质
CN113297989B (zh) * 2021-05-28 2024-04-16 优必康(青岛)科技有限公司 充电桩识别方法、装置、机器人及计算机可读存储介质
CN113392842A (zh) * 2021-06-03 2021-09-14 电子科技大学 一种基于点数据网络结构改进的点云语义分割方法
CN113453009B (zh) * 2021-07-04 2023-02-14 西北工业大学 基于拟合平面几何误差最小的点云空间可伸缩编码几何重构方法
CN113453009A (zh) * 2021-07-04 2021-09-28 西北工业大学 基于拟合平面几何误差最小的点云空间可伸缩编码几何重构方法
CN114332376A (zh) * 2021-12-31 2022-04-12 电子科技大学 一种基于拓扑结构流形空间的树状三维模型重建方法
CN117269940A (zh) * 2023-11-17 2023-12-22 北京易控智驾科技有限公司 点云数据生成方法、激光雷达的感知能力验证方法
CN117269940B (zh) * 2023-11-17 2024-03-15 北京易控智驾科技有限公司 点云数据生成方法、激光雷达的感知能力验证方法

Similar Documents

Publication Publication Date Title
CN107016725A (zh) 一种顾及LiDAR点云数据分布差异的植被三维实景建模方法
CN105574929A (zh) 一种基于地面LiDAR点云数据的单株植被三维建模方法
CN106529469B (zh) 基于自适应坡度的无人机载LiDAR点云滤波方法
Livny et al. Automatic reconstruction of tree skeletal structures from point clouds
CN103106684B (zh) 一种带叶状态树木形态结构三维重建的方法和系统
KR101165534B1 (ko) 수관 식물점 그룹에 대해 시뮬레이트된 나무 줄기 및 나무 가지를 제공하는 지리공간 모델링 시스템
CN108171780A (zh) 一种基于激光雷达构建室内真实三维地图的方法
Zhang et al. Data-driven synthetic modeling of trees
CN108090960A (zh) 一种基于几何约束的目标重建方法
CN111612896B (zh) 一种基于机载激光雷达树点云重建三维树模型的方法
CN109325993B (zh) 一种基于类八叉树索引的显著性特征强化采样方法
CN114332366B (zh) 数字城市单体房屋点云立面3d特征提取方法
CN110992473B (zh) 一种基于车载激光扫描点云的树木枝干建模方法及系统
WO2015149302A1 (zh) 基于点云与数据驱动的树木模型重建方法
CN103942838A (zh) 基于点云数据的单树三维建模与形态参数提取的方法
CN101021954A (zh) 三维扫描的点云精简方法
CN110136246A (zh) 基于类主干点的三维树木几何模型重建方法
CN103258345A (zh) 一种基于地面激光雷达三维扫描的树木枝干参数提取方法
TWI425442B (zh) Method of Reconstructing Three - dimensional Housing Model on Aeronautical Mapping System
CN105405162B (zh) 基于局部结构和方向感知的树点云三维重建方法
CN105261062B (zh) 一种人物分段建模方法
CN114004938B (zh) 一种基于海量数据的城市场景重建方法及装置
CN116402973A (zh) 一种基于lod重构的倾斜摄影模型优化方法、系统
Huang et al. A 3D individual tree modeling technique based on terrestrial LiDAR point cloud data
Zhou et al. Deeptree: Modeling trees with situated latents

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170804

RJ01 Rejection of invention patent application after publication