CN112132840B - 一种车载行道树点云分类与特征信息提取方法 - Google Patents
一种车载行道树点云分类与特征信息提取方法 Download PDFInfo
- Publication number
- CN112132840B CN112132840B CN202010901557.8A CN202010901557A CN112132840B CN 112132840 B CN112132840 B CN 112132840B CN 202010901557 A CN202010901557 A CN 202010901557A CN 112132840 B CN112132840 B CN 112132840B
- Authority
- CN
- China
- Prior art keywords
- grid
- point
- point cloud
- neighborhood
- tree
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 210000000481 breast Anatomy 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 210000000038 chest Anatomy 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 7
- 230000011218 segmentation Effects 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000007619 statistical method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 231100000673 dose–response relationship Toxicity 0.000 description 2
- 238000001134 F-test Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012892 rational function Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本发明公开了一种车载行道树点云分类与特征信息提取方法,属于移动测量系统道路巡检技术领域。本发明包括以下实施步骤:将原始点云投影至XOY平面上建立二维规则格网索引、计算每个格网内点云高程最小值、结合直方图统计分析法计算得到地面高程、保留非地面点云并完成地面滤波、对非地面点云建立三维规则格网索引、自树干胸径初始高度处以空间八邻域格网检索窗口作为处理单元、计算空间八邻域格网检索窗口内点云所形成的凸包面积与直径、依据上下层特征相似性设置相应判别条件、搜索完整树干点云、建立特定树种的理论生长模型、在生长模型的约束下采用环形邻域分析法实现树冠点云精细化分割、提取完整行道树点云。
Description
技术领域
本发明公开了一种车载行道树点云分类与特征信息提取方法,属于移动测量系统道路巡检技术领域。
背景技术
道路两侧的行道树是城市建设管理中的重要组成部分,其在景观功能、生态功能和意向功能等方面起着积极的作用。其生长情况也是园林部门和城市管理者非常关心的问题,行道树信息包括树株的位置、树高、胸径、冠幅和枝下高等。在实际应用中,树株信息可用于记录树株的位置变化、生长经历、生长趋势,也可用于分析行道树在恶劣天气条件下发生的变化。因此,行道树信息的自动化快速提取是智慧城市建设中不可或缺的环节。
目前,国内外对于城市道路周围行道树的测量提取正在实现由人工测量到车载移动测量的转变。这种转变大大减少了外业工作强度,可以在不影响行车安全的情况下快速获取海量路面点云数据,为城市基础地理信息更新提供数据支撑。
现有技术存在如下不足:行道树点云提取主要采用点云聚类法,这种方法直接将离散的点云分割成独立的点云块,以行道树的几何特征为约束建立相应的语义模型,从点云块中分类出行道树目标,但是在点云分割与聚类过程中容易受周围邻近地物影响且计算量偏大。
发明内容
本发明公开了一种车载行道树点云分类与特征信息提取方法,以解决现有技术在行道树点云提取中容易受周围邻近地物影响且计算量偏大的问题。
一种车载行道树点云分类与特征信息提取方法,包括以下步骤:
S1.将原始点云投影到XOY平面上,建立二维规则格网索引,统计每个非空格网内点云高程的最小值,结合频率分布直方图统计分析地面点云高度分布,分离出非地面点,完成地面滤波;
S2.以测区内行道树平均胸径为尺度,对非地面点云建立三维规则格网索引,实现格网化,若非空格网内点云数量小于5,则作为噪声点滤除;
S3.以树干胸径高度处的非空格网为中心,建立八邻域格网检索窗口,即格网移动检测窗口,分别向上和向下进行生长;在生长过程中计算八邻域格网检索窗口内点云所形成凸包的面积与直径,进行树干形态学分析,根据树干的几何特征设定相应的生长终止条件,提取完整的行道树树干部分点云;
S4.通过理查德方程建立行道树胸径-冠幅理论生长模型,以树干所在格网为中心进行环形邻域分析,判断其多个环形邻域格网中是否有点云,排除人造杆目标的干扰,提取完整行道树树冠点云。
步骤S1包括如下子步骤:
S1.1.统计每个非空格网内点云高程的最小值,形成高程最小值集合Zi,其中,i=1,2,……,k;
S1.2.获取高程最小值集合Zi的取值区间[Zmin,Zmax],并将上述区间等距划分为若干小区间,统计落入每个小区间内点的个数,生成对应的频率分布直方图;
S1.3.获取频率分布直方图中峰值区间所对应的点云高程,即地面点高程Zground,将原始点云中高程值小于Zground的点云滤除,完成地面滤波,保留非地面点。
步骤S3包括如下子步骤:
S3.1.由树干胸径高度距离地面1.3m~1.4m的一层格网开始处理,随机选择任意非空格网作为种子格网SV,以SV为中心创建八邻域格网检索窗口;
S3.2.对八邻域格网检索窗口内点云进行凸包检测,计算最小凸包的面积与直径,具体计算方法如下:
S3.2.1.遍历目标点云数据,获取y坐标最小的点,记为凸包起始点P0;
S3.2.2.依次计算剩余点云和P0之间的连线Li与X轴夹角的余弦值cosθi,并将余弦值集合按照从大到小排序,排序后的点记为:P1、P2、....、Pk;
S3.2.3.将最低点P0和排序好的点中的第一个点P1压入栈中,然后从P2开始计算,计算栈顶两个点与P0点三点向量是否是逆时针转动,若是,则将该点压入栈中,否则将栈顶元素推出,遍历结束后存留在栈里面的点集就是凸包外围的点;
S3.2.4.分别计算凸包外围点两两之间的水平距离d,其最大水平距离即为当前凸包的直径D;以P0(x0,y0)为顶点,沿顺时针方向依次取出两个相邻的凸包点Pi(xi,yi)和Pi+1(xi+1,yi+1),构成平面三角形,利用三角形面积公式计算当前三角形的面积Si的计算式为:
当前凸包按照上述方式被分割成n个相邻小三角形,小三角形面积之和即为凸包面积S,计算公式为:
S3.3.自八邻域格网检索窗口所在的层号开始,分别沿竖直方向向上和向下,以八邻域格网检索窗口为最小聚类单元进行聚类生长;在此过程中计算八邻域格网检索窗口范围内点云所形成凸包的面积S与直径D;设置聚类生长终止条件为:八邻域格网检索窗口内不存在点云或者八邻域格网检索窗口内点云所形成凸包的直径与面积大于阈值;若满足上述条件,则竖直方向聚类生长结束;
S3.4.统计步骤S3.3中所形成聚类体在竖直方向上相邻凸包的面积之差的百分比,若存在至少连续相邻3层的凸包面积之差小于30%,则认为是路灯杆或行道树树干,反之,应舍弃。
步骤S4包括如下子步骤:
S4.1.理查德方程表达式为:y=a(1-e-ct)b,(a>0,b>0,c>0),式中,t代表树龄,是常量,a代表了林木的最大生长值,b是与林木同化作用有关的参数,c代表生长速率;将理查德方程中的参数a、b、c扩展成关于冠幅CW的函数,建立行道树胸径-冠幅理论生长模型,表达式为:y=f1(CW)·(1-e-f3(CW)t)f2(CW),式中,f1(CW)代替参数a,f2(CW)代替参数b,f3(CW)代替参数c;
S4.2.以杆柱状部分所在格网为中心,判断其上部多个环形邻域格网中是否存在点云,根据下列公式计算杆目标的理论冠幅CW、邻域搜索范围Imax和环形邻域格网总数Ngrid:CW=f(C), 式中,函数f表示理查德函数运算,C为杆目标胸径,CW为当前杆目标的理论冠幅半径,dstep为规则格网步长,Imax为邻域搜索最大环数,Ngrid为邻域格网总数,I为邻域环序号,[]为取整运算;统计环形邻域范围中非空格网数n,若n≥Ngrid/2,则判别为树冠;若n<Ngrid/2,则判别为人造杆目标,需要去除;环形邻域内满足上述搜索条件的点云即为单株行道树的树冠点云。
与现有技术相比,本发明的有益效果是:
(1)对原始点云建立三维规则格网索引,以体素为基本处理单元,避免了直接对单个点云进行处理,克服了海量点云数据处理速度慢的问题;
(2)根据原始点云密度或测区内行道树树种的不同,人机交互确定三维格网的尺寸,可适应城市多变复杂道路环境下行道树目标的自动化提取;
(3)以行道树自身的几何特征为约束,利用形态学原理分析目标点云在格网内部的分布状态以及格网与格网之间的相对关系,对格网进行聚类,获取完整行道树点云;
(4)根据生态学中的理查德方程推导出行道树胸径-冠幅理论生长模型,可根据胸径值计算理论冠幅实现树冠相连行道树点云精细化分割。
附图说明
图1为本发明中行道树点云分类与特征信息提取方法流程图;
图2为三维规则格网索引示意图;
图3为格网八邻域连通性分析提取树冠示意图;
图4为多层环形邻域分析法示意图;
图5为理查德方程中参数与冠幅之间的关系。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
一种车载行道树点云分类与特征信息提取方法,流程图如图1所示,包括以下步骤:
1.对原始点云使用统计直方图法进行地面滤波,滤除地面点保留非地面点,后续直接在非地面点中提取行道树目标。
1)将原始点云投影至XOY平面中建立二维规则格网索引,统计每个非空格网内点云高程的最小值,形成高程最小值集合Zi(i=1,2,...,k)。
2)获取高程最小值集合Zi的取值范围[Zmin,Zmax],并将上述区间等距划分为若干小区间,统计落入每个小区间内点的个数,从而生成对应的频率分布直方图。
3)获取直方图中峰值区间所对应的点云高程即为地面点高程groundZ,将原始点云中高程值小于groundZ的点云滤除,即完成地面滤波,保留了非地面点。
2.对非地面点云建立三维规则格网索引。
1)三维体元网格的原点从输入的车载激光点云数据中计算获得。通过遍历输入的车载激光扫描点云数据得到最小的X值Xmin和Y值Ymin作为三维网格原点的平面坐标,最小的Z值Zmin作为三维网格原点的高程坐标。
2)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轴垂直于XY平面向上。
3)三维网格索引的建立还依赖于格网尺寸大小的设置。对体元的长度(Δx)宽度(Δy)以及高度(Δz)做了如下约束:体元的长、宽、高均相等(规则格网),但其大小可以根据输入的点云数据进行调整,以适应不同树种的提取要求。
依上述规则就能建立一个包络所有车载激光点云数据的三维规则格网索引,如图2所示,其中某个点云Pi(xi,yi,zi)所在格网的行(row)、列(col)、层(layer)索引计算方式如下:式中,xmin、ymin、zmin为点云坐标最小值;[]为取整运算。
4)若某个非空格网内点云个数小于5,则认为是噪声点需舍弃。
3.树干点云提取。
1)自行道树胸径高度处(距离地面1.3m~1.4m)的那层格网开始处理,随机选择任意非空格网作为种子格网SV,以SV为中心创建八邻域检测窗口。
2)对八邻域格网检索窗口内点云进行凸包检测,计算最小凸包的面积与直径,具体计算方法如下:
2.1)遍历目标点云数据获取y坐标最小的点记为凸包起始点P0。
2.2)依次计算剩余点云和P0之间的连线Li与X轴夹角的余弦值cosθi,并将余弦值集合按照从大到小排序,排序后的点记为:P1、P2、....、Pk。
2.3)将最低点P0和排序好的点中的第一个点P1压入栈中,然后从P2开始计算,计算栈顶两个点与P0点三点向量是否是逆时针转动,若是,则将该点压入栈中,否则将栈顶元素推出。遍历结束后存留在栈里面的点集就是凸包外围的点。
2.4)分别计算凸包外围点两两之间的水平距离d,其最大水平距离即为当前凸包的直径D;以P0(x0,y0)为顶点沿顺时针方向依次取出两个相邻的凸包点Pi(xi,yi)和Pi+1(xi+1,yi+1)构成平面三角形,利用三角形面积公式计算当前三角形的面积Si:
当前凸包被按照上述方式被分割成n个相邻小三角形,则这些小三角形面积之和即为凸包面积S:
3)自八邻域格网检索窗口所在的当前层开始,分别沿竖直方向向上和向下以窗口为最小聚类单元进行聚类生长。在此过程中计算八邻域范围内点云所形成凸包的面积S与直径D。设置聚类生长终止条件:八邻域格网检索窗口内不存在点云或者八邻域格网检索窗口内点云所形成凸包的直径与面积大于阈值。若满足上述条件,则竖直方向聚类生长结束。
4)统计步骤(3)中所形成聚类体在竖直方向上相邻凸包的面积之差的百分比,若存在至少连续相邻3层的凸包面积之差小于30%,则认为是路灯灯杆或者行道树树干,反之,应舍弃。
4.树冠点云提取。
1)行道树理论生长模型建立
理论生长方程具有深厚的理论根基,其表达式的灵活性和可移植性使得模型广泛应用于树木生长的模拟,与经验方程相比,理论方程的模型参数具有明确的生物学意义。本发明选择较为常用的基础模型之一的理查德理论生长方程来建立行道树的理论生长模型,理查德方程表达式如下:y=a(1-e-ct)b,(a>0,b>0,c>0),式中,t代表树龄,a代表了林木的最大生长值;b是与林木同化作用有关的参数;c代表生长速率,四个模型参数均具有实际生物学意义。
位于同一区域的行道树树龄可认为是一致的,具体树龄可以根据测树学原理计算得到,故此处t可视为常量。冠幅与树木的生长密不可分,因此将理查德方程中的参数a、b、c扩展成关于冠幅CW的函数,以理论生长方程为基础,建立含有行道树胸径-冠幅的理论生长模型,表达式如下:y=f1(CW)·(1-e-f3(CW)t)f2(CW),式中,用f1(CW)代替参数a,用f2(CW)代替参数b,用f3(CW)代替参数c。
采用决定系数R2、均方根误差RMSE和F统计量3个指标对模型精度进行评价,确定最优模型参数。R2的取值范围为[0,1],R2越接近1,表明模型对数据的拟合越好;均方根误差RMSE是用拟合值与原始值之间的偏差来评价模型的回归效果,RMSE值越小越好。对回归方程进行F检验,回归方程的拟合度越高,F统计量就越显著,反之亦然。三种统计量指标计算式如下:式中,yi为原始值,/>为模型拟合值,/>为原始值的平均值,n为样本数,k为自变量个数。
图5是10个理查德方程中各个参数与冠幅CW的关系。可以看出:方程中的各个参数都与CW关系密切,其中参数a随着CW的长势呈现出整体上升的趋势;参数b则反之,与CW呈现出负增长的关系,但两者都的走向趋势均满足S型曲线;参数c则呈先上升后下降的趋势,10个点则呈现出以平均冠幅为峰值的正态分布状态。根据散点趋势曲线和模型拟合结果,选择逻辑斯蒂(Logistic)函数描述参数a与CW的关系,选择剂量-响应(Dose-Resp)函数来描述参数b与CW的关系,选择高斯(Guass)方程反映参数c与CW的关系。各参数对应的模型表达式如表1所示:
表1理论生长模型中参数与冠幅的关系模型
在SPSS统计分析软件中对500株行道树的冠幅与胸径测量数据进行拟合,行道树生长模型参数值与拟合指标统计如表2所示:
表2理论生长模型中参数取值与拟合指标
拟合结果的决定系数高于0.8且F检验值十分显著,表明理查德模型对数据的拟合效果较好,均方根误差仅为4.135,表明方程的回归效果良好,估计参数的置信度高。经整理,参数化后的行道树理论生长模型为:
利用上述基于理查德方程所建立的胸径-冠幅理论生长模型,可以根据行道树胸径值计算相应的冠幅值。
2)通常道路两侧杆目标包含行道树和人造杆,两者的杆状部分形状相似。行道树树冠点云在空间内呈团状,投影后在不同方向邻域中均有分布;路灯灯头为单向延伸,投影后只在单一方向的邻域中有分布。此外,可以根据上述行道树胸径-冠幅理论生长模型计算杆目标的理论冠幅值作为生长时的距离约束。算法据此设定不同的邻域搜索条件,滤除人造杆目标点云,保留完整树冠点云,同时完成相连行道树树冠点云的精细化分割。
以杆柱状部分所在格网为中心,判断其上部多个环形邻域格网中是否存在点云。根据下列公式计算杆目标的理论冠幅CW,邻域搜索范围Imax,和环形邻域格网总数Ngrid,CW=f(C),式中,函数f表示理查德函数运算,C为杆目标胸径;CW为当前杆目标的理论冠幅半径;dstep为规则格网步长;Imax为邻域搜索最大环数;Ngrid为邻域格网总数;I为邻域环序号;[]为取整运算。统计环形邻域范围中非空格网数n,若n≥Ngrid/2,则判别为树冠;若n<Ngrid/2,则判别为人造杆目标,需要去除。在理论冠幅CW的约束下,可精确地对树冠相连行道树实现精细化分割,故环形邻域内满足上述搜索条件的点云即为单株行道树的树冠点云。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (2)
1.一种车载行道树点云分类与特征信息提取方法,其特征在于,包括以下步骤:
S1.将原始点云投影到XOY平面上,建立二维规则格网索引,统计每个非空格网内点云高程的最小值,结合频率分布直方图统计分析地面点云高度分布,分离出非地面点,完成地面滤波;
S2.以测区内行道树平均胸径为尺度,对非地面点云建立三维规则格网索引,实现格网化,若非空格网内点云数量小于5,则作为噪声点滤除;
S3.以树干胸径高度处的非空格网为中心,建立八邻域格网检索窗口,即格网移动检测窗口,分别向上和向下进行生长;在生长过程中计算八邻域格网检索窗口内点云所形成凸包的面积与直径,进行树干形态学分析,根据树干的几何特征设定相应的生长终止条件,提取完整的行道树树干部分点云;
S4.通过理查德方程建立行道树胸径-冠幅理论生长模型,以树干所在格网为中心进行环形邻域分析,判断其多个环形邻域格网中是否有点云,排除人造杆目标的干扰,提取完整行道树树冠点云;
其中步骤S3包括如下子步骤:
S3.1.由树干胸径高度距离地面1.3m~1.4m的一层格网开始处理,随机选择任意非空格网作为种子格网SV,以SV为中心创建八邻域格网检索窗口;
S3.2.对八邻域格网检索窗口内点云进行凸包检测,计算最小凸包的面积与直径,具体计算方法如下:
S3.2.1.遍历目标点云数据,获取y坐标最小的点,记为凸包起始点P0;
S3.2.2.依次计算剩余点云和P0之间的连线Li与X轴夹角的余弦值cosθi,并将余弦值集合按照从大到小排序,排序后的点记为:P1、P2、....、Pk;
S3.2.3.将最低点P0和排序好的点中的第一个点P1压入栈中,然后从P2开始计算,计算栈顶两个点与P0点三点向量是否是逆时针转动,若是,则将该点压入栈中,否则将栈顶元素推出,遍历结束后存留在栈里面的点集就是凸包外围的点;
S3.2.4.分别计算凸包外围点两两之间的水平距离d,其最大水平距离即为当前凸包的直径D;以P0(x0,y0)为顶点,沿顺时针方向依次取出两个相邻的凸包点Pi(xi,yi)和Pi+1(xi+1,yi+1),构成平面三角形,利用三角形面积公式计算当前三角形的面积Si的计算式为:
当前凸包按照上述方式被分割成n个相邻小三角形,小三角形面积之和即为凸包面积S,计算公式为:
S3.3.自八邻域格网检索窗口所在的层号开始,分别沿竖直方向向上和向下,以八邻域格网检索窗口为最小聚类单元进行聚类生长;在此过程中计算八邻域格网检索窗口范围内点云所形成凸包的面积S与直径D;设置聚类生长终止条件为:八邻域格网检索窗口内不存在点云或者八邻域格网检索窗口内点云所形成凸包的直径与面积大于阈值;若满足上述条件,则竖直方向聚类生长结束;
S3.4.统计步骤S3.3中所形成聚类体在竖直方向上相邻凸包的面积之差的百分比,若存在至少连续相邻3层的凸包面积之差小于30%,则认为是路灯杆或行道树树干,反之,应舍弃;
其中步骤S4包括如下子步骤:
S4.1.理查德方程表达式为:y=a(1-e-ct)b,(a>0,b>0,c>0),式中,t代表树龄,是常量,a代表了林木的最大生长值,b是与林木同化作用有关的参数,c代表生长速率;将理查德方程中的参数a、b、c扩展成关于冠幅CW的函数,建立行道树胸径-冠幅理论生长模型,表达式为:y=f1(CW)·(1-e-f3(CW)t)f2(CW),式中,f1(CW)代替参数a,f2(CW)代替参数b,f3(CW)代替参数c;
S4.2.以杆柱状部分所在格网为中心,判断其上部多个环形邻域格网中是否存在点云,根据下列公式计算杆目标的理论冠幅CW、邻域搜索范围Imax和环形邻域格网总数Ngrid:式中,函数f表示理查德函数运算,C为杆目标胸径,CW为当前杆目标的理论冠幅半径,dstep为规则格网步长,Imax为邻域搜索最大环数,Ngrid为邻域格网总数,I为邻域环序号,[]为取整运算;统计环形邻域范围中非空格网数n,若n≥Ngrid/2,则判别为树冠;若n<Ngrid/2,则判别为人造杆目标,需要去除;环形邻域内满足上述搜索条件的点云即为单株行道树的树冠点云。
2.根据权利要求1所述的一种车载行道树点云分类与特征信息提取方法,其中步骤S1包括如下子步骤:
S1.1.统计每个非空格网内点云高程的最小值,形成高程最小值集合Zi,其中,i=1,2,……,k;
S1.2.获取高程最小值集合Zi的取值区间[Zmin,Zmax],并将上述区间等距划分为若干小区间,统计落入每个小区间内点的个数,生成对应的频率分布直方图;
S1.3.获取频率分布直方图中峰值区间所对应的点云高程,即地面点高程Zground,将原始点云中高程值小于Zground的点云滤除,完成地面滤波,保留非地面点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010901557.8A CN112132840B (zh) | 2020-09-01 | 2020-09-01 | 一种车载行道树点云分类与特征信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010901557.8A CN112132840B (zh) | 2020-09-01 | 2020-09-01 | 一种车载行道树点云分类与特征信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132840A CN112132840A (zh) | 2020-12-25 |
CN112132840B true CN112132840B (zh) | 2023-11-07 |
Family
ID=73848318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010901557.8A Active CN112132840B (zh) | 2020-09-01 | 2020-09-01 | 一种车载行道树点云分类与特征信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132840B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378800B (zh) * | 2021-07-27 | 2021-11-09 | 武汉市测绘研究院 | 基于车载三维点云的道路标志线自动分类与矢量化方法 |
CN115810153B (zh) * | 2023-02-08 | 2023-05-02 | 四川高速公路建设开发集团有限公司 | 一种基于相对熵和语义约束的高速公路点云提取方法 |
CN116129391B (zh) * | 2023-04-18 | 2023-07-14 | 山东省国土测绘院 | 一种从车载激光点云提取行道树的方法及系统 |
CN117132478A (zh) * | 2023-04-25 | 2023-11-28 | 兰州交通大学 | 一种基于法向量二范数特征参数的轨道点云去噪方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101139796B1 (ko) * | 2011-10-31 | 2012-04-30 | 삼아항업(주) | 라이다 측량자료를 이용한 수치지도 제작에서의 도로 주변의 가로수 추출 시스템 및 그 방법 |
CN102713671A (zh) * | 2009-12-11 | 2012-10-03 | 株式会社拓普康 | 点群数据处理装置、点群数据处理方法和点群数据处理程序 |
CN102725605A (zh) * | 2009-12-17 | 2012-10-10 | 公共风险管理有限责任合作公司 | 用于估算与感兴趣的物体相关的植被生长的方法和系统 |
CN103196368A (zh) * | 2013-03-18 | 2013-07-10 | 华东师范大学 | 基于车载激光扫描数据的单株树三维绿量自动估算方法 |
WO2013175022A1 (fr) * | 2012-05-25 | 2013-11-28 | Universite De Technologies De Troyes | Systèmes et procédés de topographie et de reconstruction tridimensionnelle à partir d'un nuage de points et supports de stockage informatique pour ces systèmes et procédés |
CN106407925A (zh) * | 2016-09-09 | 2017-02-15 | 厦门大学 | 基于局部区间极大值的激光扫描点云树木自动提取方法 |
CN106651863A (zh) * | 2016-11-30 | 2017-05-10 | 厦门大学 | 一种基于点云数据的树木自动分割方法 |
CN106918311A (zh) * | 2017-01-20 | 2017-07-04 | 山东科技大学 | 基于车载激光点云数据的单株树树冠投影面积自动计算方法 |
CN108564650A (zh) * | 2018-01-08 | 2018-09-21 | 南京林业大学 | 基于车载2D LiDAR点云数据的行道树靶标识别方法 |
CN109446983A (zh) * | 2018-10-26 | 2019-03-08 | 福州大学 | 一种基于两期无人机影像的针叶林采伐蓄积量估算方法 |
-
2020
- 2020-09-01 CN CN202010901557.8A patent/CN112132840B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102713671A (zh) * | 2009-12-11 | 2012-10-03 | 株式会社拓普康 | 点群数据处理装置、点群数据处理方法和点群数据处理程序 |
CN102725605A (zh) * | 2009-12-17 | 2012-10-10 | 公共风险管理有限责任合作公司 | 用于估算与感兴趣的物体相关的植被生长的方法和系统 |
KR101139796B1 (ko) * | 2011-10-31 | 2012-04-30 | 삼아항업(주) | 라이다 측량자료를 이용한 수치지도 제작에서의 도로 주변의 가로수 추출 시스템 및 그 방법 |
WO2013175022A1 (fr) * | 2012-05-25 | 2013-11-28 | Universite De Technologies De Troyes | Systèmes et procédés de topographie et de reconstruction tridimensionnelle à partir d'un nuage de points et supports de stockage informatique pour ces systèmes et procédés |
CN103196368A (zh) * | 2013-03-18 | 2013-07-10 | 华东师范大学 | 基于车载激光扫描数据的单株树三维绿量自动估算方法 |
CN106407925A (zh) * | 2016-09-09 | 2017-02-15 | 厦门大学 | 基于局部区间极大值的激光扫描点云树木自动提取方法 |
CN106651863A (zh) * | 2016-11-30 | 2017-05-10 | 厦门大学 | 一种基于点云数据的树木自动分割方法 |
CN106918311A (zh) * | 2017-01-20 | 2017-07-04 | 山东科技大学 | 基于车载激光点云数据的单株树树冠投影面积自动计算方法 |
CN108564650A (zh) * | 2018-01-08 | 2018-09-21 | 南京林业大学 | 基于车载2D LiDAR点云数据的行道树靶标识别方法 |
CN109446983A (zh) * | 2018-10-26 | 2019-03-08 | 福州大学 | 一种基于两期无人机影像的针叶林采伐蓄积量估算方法 |
Non-Patent Citations (1)
Title |
---|
一种顾及体元邻域关系的行道树提取方法;徐嘉淼;刘如飞;魏晓东;柴永宁;;遥感信息(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112132840A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132840B (zh) | 一种车载行道树点云分类与特征信息提取方法 | |
CN105513127B (zh) | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 | |
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
CN111299815B (zh) | 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法 | |
CN105894044B (zh) | 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 | |
CN106199557A (zh) | 一种机载激光雷达数据植被提取方法 | |
CN106918311A (zh) | 基于车载激光点云数据的单株树树冠投影面积自动计算方法 | |
CN116310192A (zh) | 一种基于点云的城市级建筑物三维模型单体重建方法 | |
CN114119863A (zh) | 一种基于车载激光雷达数据自动提取行道树目标及其林木属性的方法 | |
CN108389255A (zh) | 基于分层高程云图的地形几何参数提取方法 | |
CN114764871B (zh) | 一种基于机载激光点云的城市建筑物属性提取方法 | |
CN110070038B (zh) | 一种基于城市绿化覆盖面积测算城市绿地率的方法 | |
CN116258857A (zh) | 一种面向室外树木激光点云分割与提取方法 | |
CN115205690A (zh) | 基于mls点云数据的行道树单体化提取方法及装置 | |
CN115984359A (zh) | 基于球坐标积分的地基激光点云单木树冠体积提取方法 | |
CN114862715A (zh) | 一种融合地形特征语义信息的tin渐进加密去噪方法 | |
CN115390040A (zh) | 一种基于分割几何特征的树林点云枝叶分离方法 | |
CN114511546A (zh) | 基于dbscan聚类和四象限的激光点云林木胸径获取方法 | |
CN113157834B (zh) | 城市局地气候分区分类的制图方法及装置 | |
CN114170149A (zh) | 一种基于激光点云的道路几何信息提取方法 | |
CN109697710A (zh) | 一种基于分层格网的滤波处理算法 | |
CN115170950A (zh) | 基于多特征约束的室外场景建筑物提取方法 | |
CN106056124A (zh) | 一种基于三维曲面循环引导的浮雕提取方法 | |
CN112241440B (zh) | 一种基于LiDAR点云数据的三维绿量估算及管理方法 | |
CN110533781A (zh) | 一种多类别三维模型部件自动标注方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |