CN108564650A - 基于车载2D LiDAR点云数据的行道树靶标识别方法 - Google Patents

Abstract

本发明公开了一种基于车载2D LiDAR点云数据的行道树靶标识别方法，包括使用车载2D LiDAR系统获取街道数据，保存为点云文件，对点云文件进行树冠及非树冠类别标注；构建变尺度格网，从变尺度格网中提取三维球域；计算三维球域内的点云特征向量，得到点云特征向量集；SVM算法从点云特征向量集中学习树冠点云分类器；根据树冠点云分类器对点云帧进行在线识别，得到喷雾处方图。本发明采用数据冗余度小、易于在线处理的车载2D LiDAR获取城市街道数据，为对靶施药提供精确喷雾依据。建立保留数据精度、提高邻域检索效率、满足在线处理需求的点云序列空间索引结构，实现行道树靶标的准确识别。

Description

基于车载2D LiDAR点云数据的行道树靶标识别方法

技术领域

本发明涉及靶标识别领域，更具体地，涉及一种基于车载2D LiDAR点云数据的行道树靶标识别方法。

背景技术

行道树是城市生态系统和城市景观的重要组成部分，面对当前日益严峻的环境污染问题，行道树对改善城市生态环境、净化空气、调节气候以及涵养水源方面有着重要意义。受温室效应、人为干扰等因素的影响，行道树病虫害日益增多，致使行道树枯萎或死亡，不仅严重影响行道树绿化与美化效果，而且直接影响城市生态环境与居民生活，成为园林绿化精细化管理的制约因素。

由于行道树存在间距较大、树冠大小不同或缺株现象，连续喷雾施药方式使得大量药液流失到地面或飘移挥发到空气中，严重污染城市环境，影响居民生活工作。目前，对靶施药技术已在果园、苗圃病虫害防治中取得成功应用，与连续喷雾施药方式相比，可节省20％～75％的药液，并有效提高药液在树木目标上的沉积率，降低农药残留。由于城市街道包含建筑物、路灯、电线杆、标志牌等多种地物目标，极大地增加了靶标识别难度，向对靶施药技术提出了更高的要求。

车载3D LiDAR(light detection and ranging)系统是行道树遥感测量的有效手段，采用的行道树识别方法可按点云数据组织结构分为格网法、体素法及点云法三类。格网法始于机载LiDAR冠层高度模型(canopy height model，CHM)，将空间区域划分为二维规则格网，根据LiDAR数据点的平面坐标建立激光点与格网的对应关系，应用图像分割、轮廓提取、形态学运算等图像处理手段进行行道树定位和分割。体素法可视为格网法在三维空间的扩展，将空间划分为体素，通过对体素进行空间聚类或区域生长提取完整行道树。点云法直接对原始或归一化的LiDAR数据进行操作，为提高点云检索效率，常采用四叉树、八叉树、KD树(k-dimension tree)等结构组织点云。格网、体素等均匀空间索引结构能有效降低点云数据量及数据冗余度，提高邻域检索效率，但难以处理点云密度不均的情况，同时格网/体素尺寸选择与分割精度较难平衡。四叉树、八叉树、KD树等空间索引结构能较好适应数据非均匀分布，保留数据精度，便于点云批量显示、存储，但不适用于数据在线处理的情况。

发明内容

本发明的目的是提供一种基于车载2D LiDAR点云数据的行道树靶标识别方法，采用数据冗余度小、易于在线处理的车载2D LiDAR获取城市街道数据，识别行道树靶标，为对靶施药提供精确喷雾依据。

为了实现上述目的，本发明提供一种基于车载2D LiDAR点云数据的行道树靶标识别方法，包括以下步骤：

步骤一：使用车载2D LiDAR系统获取街道数据，保存为点云文件，对点云文件进行树冠及非树冠类别标注；

步骤二：构建变尺度格网，从变尺度格网中提取三维球域；

步骤三：计算三维球域内的点云特征向量，得到点云特征向量集；

步骤四：SVM算法从点云特征向量集中学习树冠点云分类器；

步骤五：根据树冠点云分类器对点云帧进行在线识别，得到喷雾处方图。

上述的步骤一具体为：

步骤101：获取包含树冠及非树冠点云的街道数据，保存为点云文件；

步骤102：建立点云坐标系，x轴为车辆移动方向，y轴为深度方向，z轴垂直地面向上，对点云文件进行树冠及非树冠类别标注。

步骤102中对点云文件进行树冠及非树冠类别标注具体为：

步骤102.1：输入点云文件及标注文件路径，读入标注文件，若标注文件不存在，则新建标注文件；

步骤102.2：显示xz平面点云视图，输入点云x坐标范围，对点云区域进行x轴分割；

步骤102.3：显示yz平面点云视图，输入点云y、z坐标范围，对点云区域进行yz平面分割；

步骤102.4：将已分割的点云区域标注为树冠/非树冠，显示标注信息。

上述的步骤二具体为：

步骤201：构建变尺度格网，格网单元与点云帧中的测量点一一对应，格网单元的实际尺寸以尺度因子Sx、Sr表示，计算公式为：

Sx＝vΔt

Sr＝rΔα

其中，v表示车辆移动速度；Δt表示2D LiDAR扫描周期；r表示测量距离；Δα表示2D LiDAR弧度分辨率；

步骤202：假设测量点P₀的格网坐标为(i₀,j₀)，计算以测量点P₀为中心，δ为半径的球形邻域U(P₀,δ)；

计算球形邻域U(P₀,δ)的步骤具体为：

步骤202.1：定义球形邻域与激光扫描光束的切面为圆形格网邻域，然后通过下述公式将圆形格网邻域转化为矩形格网邻域R(P₀,δ)，

R(P₀,δ)＝{(i,j)||i-i₀|＜δ/vΔt,|j-j₀|＜δ/rΔα}；

其中，(i,j)表示矩形格网邻域内测量点的格网坐标；

步骤202.2：在矩形格网邻域R(P₀,δ)中通过下述公式搜索符合P₀球形邻域条件的点，得到P₀的球形邻域U(P₀，δ)；

其中，(i＇,j＇)表示球形邻域内测量点的格网坐标，x₀,y₀,z₀为P₀的三维坐标。。

上述的步骤三具体为：计算描述树冠一致性、树冠与其他地物目标差异性的点云特征，所述的点云特征包括高程特征、深度特征、密度特征和协方差矩阵特征。

高程特征包括球形邻域内的高程均值μ_z、高程方差δ_z及高程范围Δz＝z_max-z_min；

深度特征包括球形邻域内的深度均值μ_y、深度方差δ_y及深度范围Δy＝y_max-y_min；

密度特征为球形邻域内测量点的数量；

协方差矩阵特征包括球形邻域内的全方差o、线性a_1D、平面性a_2D和球度性a_3D，计算公式为：

其中，λ₁≥λ₂≥λ₃为点云协方差矩阵特征值。

上述的步骤四具体为：采用SVM算法融合点云特征向量x＝[μ_z,δ_z,Δz,μ_y,δ_y,Δy,d,o,a_1D,a_2D,a_3D]，训练树冠点云分类器，计算待分类样本类别标号c，计算公式为：

式中，x_l表示支持向量，c_l表示支持向量类别标号，α_l表示支持向量权重，n表示支持向量个数，b表示分类器偏置；

通过高斯径向基核函数K(，)将样本映射到高维空间分类，计算公式为：

其中，σ表示核宽。

上述的步骤五具体为：

步骤501：构建FIFO缓冲区[f₁,f₂,…,f_N]，缓冲区中间帧f_(N+1)/2为待处理帧，通过下述公式计算缓冲区长度N，

新一帧数据f_new到来后，将新一帧数据更新至FIFO缓冲区，计算公式为：

f_m＝f_m+1,m＝1,2,…,N-1

f_N＝f_new

步骤502：对中间帧f_(N+1)/2逐点处理，根据树冠点云分类器识别树冠点云，提供喷雾处方图。

本发明的有益效果：

本发明所述的行道树靶标识别方法针对行道树连续喷雾施药方式严重污染环境，果园对靶施药技术难以推广至复杂城区环境等问题，采用数据冗余度小、易于在线处理的车载2D LiDAR获取城市街道数据，识别行道树靶标，为对靶施药提供精确喷雾依据。建立保留数据精度、提高邻域检索效率、满足在线处理需求的2D LiDAR点云序列空间索引结构。分析树冠与其他地物目标的差异性，提取树冠特征向量。分析特征分布特性，建立基于机器学习的树冠识别模型，实现行道树靶标的准确识别。

附图说明

图1示出了本发明的处理方法流程图。

图2示出了车载2D LiDAR点云数据采集系统扫描及建系示意图。

图3示出了待标注数据示意图。

图4示出了x轴标注示意图。

图5示出了yz平面标注示意图。

图6示出了点云帧标注结果示意图。

图7示出了变尺度格网示意图。

图8示出了球形邻域与格网邻域的映射关系图。

图9示出了UTM-30LX扫描范围示意图。

图10示出了点云样本集。

具体实施方式

下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。

如图1所示，本发明提供一种基于车载2D LiDAR点云数据的行道树靶标识别方法，包括以下步骤：

步骤一：使用车载2D LiDAR系统获取街道数据，保存为点云文件，对点云文件进行树冠及非树冠类别标注；

步骤二：构建变尺度格网，从变尺度格网中提取三维球域；

步骤三：计算三维球域内的点云特征向量，得到点云特征向量集；

步骤四：SVM算法从点云特征向量集中学习树冠点云分类器；

步骤五：根据树冠点云分类器对点云帧进行在线识别，得到喷雾处方图。

如图2-6所示，采用车载2D LiDAR系统获取包含树冠及非树冠点云的街道数据，保存为点云文件。车载2D LiDAR系统测量垂直于车辆移动方向的扇形扫描区域距离信息，每次扫描返回1帧数据，包含不同角度的测量点距离信息。上述的步骤一具体为：

步骤101：获取包含树冠及非树冠点云的街道数据，保存为点云文件；

步骤102：建立点云坐标系，x轴为车辆移动方向，y轴为深度方向，z轴垂直地面向上，对点云文件进行树冠及非树冠类别标注。

步骤102中对点云文件进行树冠及非树冠类别标注具体为：

步骤102.1：输入点云文件及标注文件路径，读入标注文件，若标注文件不存在，则新建标注文件；

步骤102.2：显示xz平面点云视图，输入点云x坐标范围，对点云区域进行x轴分割；

步骤102.3：显示yz平面点云视图，输入点云y、z坐标范围，对点云区域进行yz平面分割；

步骤102.4：将已分割的点云区域标注为树冠/非树冠，显示标注信息，若标注未完成，则跳转至步骤102.1。

如图7所示，点云特征计算需要连同三维邻域内其他点一起统计分析，因此需考虑邻域形状和大小。由于树冠点云杂乱分布，无法表达为线、面、柱等基本几何元素，故采用三维球形邻域提取点云特征。上述的步骤二具体为：

步骤201：构建变尺度格网，格网单元与点云帧中的测量点一一对应，格网单元的实际尺寸以尺度因子Sx、Sr表示，计算公式为：

Sx＝vΔt

Sr＝rΔα

其中，v表示车辆移动速度；Δt表示2D LiDAR扫描周期；r表示测量距离；Δα表示2D LiDAR弧度分辨率；

步骤202：假设测量点P₀的格网坐标为(i₀,j₀)，计算以测量点P₀为中心，δ为半径的球形邻域U(P₀,δ)；

计算球形邻域U(P₀,δ)的步骤具体为：

步骤202.1：定义球形邻域与激光扫描光束的切面为圆形格网邻域，然后通过下述公式将圆形格网邻域转化为矩形格网邻域R(P₀,δ)，

R(P₀,δ)＝{(i,j)||i-i₀|＜δ/vΔt,j-j₀|＜δ/rΔα}；

其中，(i,j)表示矩形格网邻域内测量点的格网坐标，x₀,y₀,z₀为P₀的三维坐标；

步骤202.2：在矩形格网邻域R(P₀,δ)中通过下述公式搜索符合P₀球形邻域条件的点，得到P₀的球形邻域U(P₀，δ)；

其中，(i＇,j＇)表示球形邻域内测量点的格网坐标。

上述的步骤三具体为：计算描述树冠一致性、树冠与其他地物目标差异性的点云特征，所述的点云特征包括高程特征、深度特征、密度特征和协方差矩阵特征。

高程特征包括球形邻域内的高程均值μ_z、高程方差δ_z及高程范围Δz＝z_max-z_min；

深度特征包括球形邻域内的深度均值μ_y、深度方差δ_y及深度范围Δy＝y_max-y_min；

密度特征为球形邻域内测量点的数量；

协方差矩阵特征包括球形邻域内的全方差o、线性a_1D、平面性a_2D和球度性a_3D，计算公式为：

其中，λ₁≥λ₂≥λ₃为点云协方差矩阵特征值。

上述的步骤四具体为：采用SVM算法融合点云特征向量x＝[μ_z,δ_z,Δz,μ_y,δ_y,Δy,d,o,a_1D,a_2D,a_3D]，训练树冠点云分类器，计算待分类样本类别标号c，计算公式为：

式中，x_l表示支持向量，c_l表示支持向量类别标号，α_l表示支持向量权重，n表示支持向量个数，b表示分类器偏置；

通过高斯径向基核函数K(，)将样本映射到高维空间分类，计算公式为：

其中，σ表示核宽。

上述的步骤五具体为：

步骤501：构建FIFO缓冲区[f₁,f₂,…,f_N]，缓冲区中间帧f_(N+1)/2为待处理帧，通过下述公式计算缓冲区长度N，

新一帧数据f_new到来后，将新一帧数据更新至FIFO缓冲区，计算公式为：

f_m＝f_m+1,m＝1,2,…,N-1

f_N＝f_new

步骤502：对中间帧f_(N+1)/2逐点处理，根据树冠点云分类器识别树冠点云，提供喷雾处方图。

如图9所示，本实施例采用日本Hokuyo公司生产的2D LiDAR UTM-30LX，扫描范围270°，角度分辨率0.25°，扫描周期25ms。实验程序采用Matlab2014b软件开发，实现点云标注、特征提取、分类器训练及树冠点云识别。

本实施例的图10为点云样本集，包含树木、建筑、停车棚、自行车、路灯、灌木、行人等地物目标。从样本集中随机抽取5％的点云用于训练，剩余95％点云用于测试，样本个数如表1所示。

表1点云样本集

表2记录了球域半径δ在[0.1m,0.8m]范围内以0.1m为间隔变化，分类器在训练集和测试集上的错误率、检出率及虚警率。从表中可看出，分类器性能受球域半径影响较小，分类器泛化性能较好，测试集分类错误率<0.8％，检出率>99.4％，虚警率<0.9％。

表2不同邻域尺寸的分类结果

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (9)

1.一种基于车载2D LiDAR点云数据的行道树靶标识别方法，其特征在于包括以下步骤：

步骤一：使用车载2D LiDAR系统获取街道数据，保存为点云文件，对点云文件进行树冠及非树冠类别标注；

步骤二：构建变尺度格网，从变尺度格网中提取三维球域；

步骤三：计算三维球域内的点云特征向量，得到点云特征向量集；

步骤四：SVM算法从点云特征向量集中学习树冠点云分类器；

步骤五：根据树冠点云分类器对点云帧进行在线识别，得到喷雾处方图。

2.根据权利要求1所述的一种基于车载2D LiDAR点云数据的行道树靶标识别方法，其特征在于所述的步骤一具体为：

步骤101：获取包含树冠及非树冠点云的街道数据，保存为点云文件；

步骤102：建立点云坐标系，x轴为车辆移动方向，y轴为深度方向，z轴垂直地面向上，对点云文件进行树冠及非树冠类别标注。

3.根据权利要求2所述的一种基于车载2D LiDAR点云数据的行道树靶标识别方法，其特征在于步骤102中对点云文件进行树冠及非树冠类别标注具体为：

步骤102.1：输入点云文件及标注文件路径，读入标注文件，若标注文件不存在，则新建标注文件；

步骤102.2：显示xz平面点云视图，输入点云x坐标范围，对点云区域进行x轴分割；

步骤102.3：显示yz平面点云视图，输入点云y、z坐标范围，对点云区域进行yz平面分割；

步骤102.4：将已分割的点云区域标注为树冠/非树冠，显示标注信息。

4.根据权利要求1所述的一种基于车载2D LiDAR点云数据的行道树靶标识别方法，其特征在于所述的步骤二具体为：

步骤201：构建变尺度格网，格网单元与点云帧中的测量点一一对应，格网单元的实际尺寸以尺度因子Sx、Sr表示，计算公式为：

Sx＝vΔt

Sr＝rΔα

其中，v表示车辆移动速度；Δt表示2D LiDAR扫描周期；r表示测量距离；Δα表示2DLiDAR弧度分辨率；

步骤202：假设测量点P₀的格网坐标为(i₀,j₀)，计算以测量点P₀为中心，δ为半径的球形邻域U(P₀,δ)。

5.根据权利要求4所述的一种基于车载2D LiDAR点云数据的行道树靶标识别方法，其特征在于计算球形邻域U(P₀,δ)的步骤具体为：

步骤202.1：定义球形邻域与激光扫描光束的切面为圆形格网邻域，然后通过下述公式将圆形格网邻域转化为矩形格网邻域R(P₀,δ)，

R(P₀,δ)＝{(i,j)||i-i₀|＜δ/vΔt,|j-j₀|＜δ/rΔα}；

其中，(i,j)表示矩形格网邻域内测量点的格网坐标；

步骤202.2：在矩形格网邻域R(P₀,δ)中通过下述公式搜索符合P₀球形邻域条件的点，得到P₀的球形邻域U(P₀，δ)；

其中，(i＇,j＇)表示球形邻域内测量点的格网坐标，x₀,y₀,z₀为P₀的三维坐标。

6.根据权利要求1所述的一种基于车载2D LiDAR点云数据的行道树靶标识别方法，其特征在于所述的步骤三具体为：计算描述树冠一致性、树冠与其他地物目标差异性的点云特征，所述的点云特征包括高程特征、深度特征、密度特征和协方差矩阵特征。

7.根据权利要求6所述的一种基于车载2D LiDAR点云数据的行道树靶标识别方法，其特征在于

所述的高程特征包括球形邻域内的高程均值μ_z、高程方差δ_z及高程范围Δz＝z_max-z_min；

所述的深度特征包括球形邻域内的深度均值μ_y、深度方差δ_y及深度范围Δy＝y_max-y_min；

所述的密度特征为球形邻域内测量点的数量；

所述的协方差矩阵特征包括球形邻域内的全方差o、线性a_1D、平面性a_2D和球度性a_3D，计算公式为：

其中，λ₁≥λ₂≥λ₃为点云协方差矩阵特征值。

8.根据权利要求1所述的一种基于车载2D LiDAR点云数据的行道树靶标识别方法，其特征在于所述的步骤四具体为：采用SVM算法融合点云特征向量x＝[μ_z,δ_z,Δz,μ_y,δ_y,Δy,d,o,a_1D,a_2D,a_3D]，训练树冠点云分类器，计算待分类样本类别标号c，计算公式为：

式中，x_l表示支持向量，c_l表示支持向量类别标号，α_l表示支持向量权重，n表示支持向量个数，b表示分类器偏置；

通过高斯径向基核函数K(，)将样本映射到高维空间分类，计算公式为：

其中，σ表示核宽。

9.根据权利要求1所述的一种基于车载2D LiDAR点云数据的行道树靶标识别方法，其特征在于所述的步骤五具体为：

步骤501：构建FIFO缓冲区[f₁,f₂,…,f_N]，缓冲区中间帧f_(N+1)/2为待处理帧，通过下述公式计算缓冲区长度N，

新一帧数据f_new到来后，将新一帧数据更新至FIFO缓冲区，计算公式为：

f_m＝f_m+1,m＝1,2,…,N-1

f_N＝f_new

步骤502：对中间帧f_(N+1)/2逐点处理，根据树冠点云分类器识别树冠点云，提供喷雾处方图。