CN115032607A - 基于LiDAR SLAM数据的立木位置及胸径的估计方法及系统 - Google Patents
基于LiDAR SLAM数据的立木位置及胸径的估计方法及系统 Download PDFInfo
- Publication number
- CN115032607A CN115032607A CN202210581926.9A CN202210581926A CN115032607A CN 115032607 A CN115032607 A CN 115032607A CN 202210581926 A CN202210581926 A CN 202210581926A CN 115032607 A CN115032607 A CN 115032607A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- cylinder
- standing tree
- breast diameter
- 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.)
- Granted
Links
- 210000000481 breast Anatomy 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 34
- 210000000038 chest Anatomy 0.000 claims description 55
- 230000004927 fusion Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3837—Data obtained from a single source
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请适用森林清查技术领域,提供了一种基于LiDAR SLAM数据的立木位置及胸径的估计方法及系统,本申请首先充分利用单个关键帧中切线约束及点在圆柱体表面约束构建损失函数,完成胸高圆柱体拟合;然后,假设各关键帧对同一立木胸径估计值分布满足胸径的三次方服从正态分布,并利用各关键帧胸径数据估计该正态分布均值及方差,进一步获取胸径的最佳估计值;最后,利用加权平均的方法统计各关键帧立木位置,获取立木位置最佳估计值。相比于LiDAR SLAM利用关键帧位姿拼接形成后的数据,单帧去畸变点云数据未引入位姿误差,对立木胸径的描述更加准确。该系统也具有同样的技术效果。
Description
技术领域
本申请属于森林清查技术领域,尤其涉及一种基于LiDAR SLAM数据的立木位置及胸径的估计方法及系统。
背景技术
SLAM(Simultaneous Localization and Mapping)是一种仅依靠于观测传感器及运动传感器完成相对定位及建图的技术,具有不依赖于全球导航卫星系统(GlobalNavigation Satellite System,简称GNSS)信号的特点。该技术适用于林下无GNSS信号条件下的定位及建图工作,其建图生成的点云产品经常作为森林清查的源数据。相比于相机等观测传感器,激光雷达作为SLAM系统观测传感器具有作用距离远、测量效率高及建图质量高等优势,故LiDAR SLAM技术在森林清查中起着重要作用。
现有提取立木位置及胸径方法中,由于SLAM算法原理局限性,相比于三维激光扫描仪及移动激光雷达后处理数据,SLAM位姿估计误差较大,致使拼接点云数据精度往往偏低,最终导致胸高点云偏厚或错位为多个同心圆;显然,这将导致所提取立木位置及胸径精度低于三维激光扫描仪等技术获取的结果。现有技术存在不足。
发明内容
本申请的目的在于提供基于LiDAR SLAM数据的立木位置及胸径的估计方法及系统,旨在解决由于现有技术未考虑位姿误差导致点云拼接后噪声大、拼接错位等技术问题的其中之一。
一方面,本申请提供了一种基于LiDAR SLAM数据的立木位置及胸径的估计方法,所述方法包括下述步骤:
S1.分别利用圆柱体表面点约束和切线约束,构建单个关键帧中点云数据拟合圆柱体的损失函数,完成单帧胸高点云的圆柱体拟合;
S2.假设各关键帧对同一立木胸径估计值分布,满足胸径的三次方服从正态分布的误差,并利用各关键帧胸径数据估计该正态分布均值及方差,获取胸径的最佳估计值;
S3.利用加权平均的方法统计各所述关键帧立木位置,获取立木位置最佳估计值。
另一方面,本申请还提供了一种基于LiDAR SLAM数据的立木位置及胸径的估计系统,所述系统包括:基于单帧点云数据分别完成不同立木胸高圆柱体拟合的单帧点云胸高圆柱体拟合模块;
还包括:基于所述单帧点云胸高圆柱体拟合模块输出的各关键帧数据估计立木位置及胸径参数集,统计并获取各立木位置及胸径最佳估计值的多帧拟合数据融合模块。
本申请首先充分利用单个关键帧中切线约束及点在圆柱体表面约束构建损失函数,完成胸高圆柱体拟合;然后,将各关键帧对同一立木胸径估计值分布满足胸径的三次方服从正态分布,利用各关键帧胸径数据完成该正态分布均值及方差,进一步获取胸径的最佳估计值;最后,利用加权平均的方法统计各关键帧立木位置,获取立木位置最佳估计值。相比于LiDAR SLAM利用关键帧位姿拼接形成后的数据,基于单帧去畸变点云数据未引入位姿误差,对立木胸径的描述更加准确。
附图说明
图1是本申请实施例一提供的基于LiDAR SLAM数据的立木位置及胸径的估计方法的核心流程图;
图2是本申请实施例一提供的基于LiDAR SLAM数据的立木位置及胸径的估计方法的主要流程图;
图3是本申请实施例二提供的基于LiDAR SLAM数据的立木位置及胸径的估计系统的主要模块框图;
图4是本申请实施例一提出的关键帧对立木胸高圆柱体观测示意图;
图5是本申请实施例一提出的典型的胸径统计结果示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
以下结合具体实施例对本申请的具体实现进行详细描述:
本申请中,立木为圆柱体形状,“胸高圆柱体”指立木1.3米高度附近(一般指1.2米~1.4米高度)的立木圆柱体,该圆柱体直径即立木胸径。
本申请基于LiDAR SLAM数据进行数据处理,该数据为激光雷达观测森林中立木时反馈回的数据点云。激光雷达旋转一圈的数据为一帧。
实施例一:
图1至图2示出了本申请实施例一提供的基于LiDAR SLAM数据的立木位置及胸径的估计方法的主要流程,为了便于说明,仅示出了与本申请实施例相关的部分,详述如下:
本申请提供了一种基于LiDAR SLAM数据的立木位置及胸径的估计方法,所述方法包括下述步骤:
S1.分别利用圆柱体表面点约束和切线约束,构建单个关键帧中点云数据拟合圆柱体的损失函数,完成单帧胸高点云的圆柱体拟合;
具体的,
S2.假设各关键帧对同一立木胸径估计值分布,满足胸径的三次方服从正态分布的误差,并利用各关键帧胸径数据估计该正态分布均值及方差,获取胸径的最佳估计值;
S3.利用加权平均的方法统计各所述关键帧立木位置,获取立木位置最佳估计值。
进一步的,所述关键帧为包含有位姿数据及去畸变的单帧点云数据,即多线激光雷达旋转一周获取的所有扫描点集去畸变后的点云数据。
进一步的,所述方法在步骤S1前还包括以下步骤:
S0.将LiDAR SLAM数据中所有关键帧数据拼接后分离属于立木胸高圆柱体的点云,然后拟合并获取立木轴线向量及其精度;将拟合参数作为单个关键帧点云数据集合输出。
进一步的,所述步骤S0包括以下顺序步骤:
S01.利用关键帧位姿将单帧点云变换到世界坐标系内,合并所有变换后点云获取到拼接后森林完整点云;
S02.提取并分割立木胸高点云,分割后立木胸高点云数据集包括立木的序号和对应的立木胸高点云数据;
具体实施时,通过地面点云分割、DEM(数字高程模型(Digital ElevationModel),简称DEM)构建、基于DEM高程归一化、1.2米~1.4米胸高点云提取、区域增长算法等方式分割不同立木胸高点云,分割后立木胸高点云数据集为其中为第j株立木胸高点云数据。
S03.根据胸高圆柱体点云与圆柱体表面的空间关系构建损失函数,以优化每株立木胸高圆柱体轴线上一点的空间坐标、轴线方向向量以及圆柱体直径对应的参数;
具体实施时,设第j株立木胸高圆柱体轴线上一点为jx0=(jx0 jy0 jz0)、轴线方向向量为jn=(ja jb jc)以及圆柱体直径为jD,根据胸高圆柱体点云第i点jPi=(jxi jyi jzi)在圆柱体表面构建损失函数:
第三步:设第j株立木胸高圆柱体轴线上一点为jx0=(jx0 jy0 jz0)、轴线方向向量为jn=(ja jb jc)以及圆柱体直径为jD,根据胸高圆柱体点云第i点jPi=(jxi jyi jzi)在圆柱体表面构建损失函数:
其中其中jx0、jz0、ja、jb、jc及jD作为待优化参数,jz0为常数且等于1.3,并设置:
ja2+jb2+jc2-1=0 (2)
为约束条件,设置初值、完成优化便获取到待优化参数的最佳估计值。
进一步的,所述步骤S1包括以下顺序步骤:
S11.利用所述单个关键帧点云数据集合中点的关键帧编号、点编号,获取其在关键帧下的位姿、点云坐标及扫描线号信息,重新组织数据集;
具体的,点云为经DEM归一化处理的点云,在进行单帧拟合前,利用点中存储的关键帧编号、点编号,获取其在关键帧下的位姿、点云坐标及扫描线号信息,重新组织数据集为其中Tk为第k个关键帧位姿,为第k个去畸变点云帧数据中扫描线号l上属于胸高圆柱体的数据集。如附图4所示,为一个关键帧对立木胸高圆柱体观测示意图。
图4中单关键帧对单株立木胸高圆柱体观测:P为关键帧坐标原点;红色数据、蓝色数据分别表示激光雷达不同线对圆柱体观测数据;虚线PT1、PT2、PT3及PT4为对圆柱体切线;T1、T2、T3及T4为以上切线对应切点。
S12.利用切线约束构建第一损失函数。
具体的,将单线扫描点云按照水平旋转角排序,其中角度最小、最大对应点即为切点(如图1中点T1、T2、T3及T4),关键帧原点与切点连线即为圆柱体切线(如图1中线PT1、PT2、PT3及PT4);若其中一个切点在世界坐标系内坐标为关键帧位姿Tk的平移量为 则切线在世界坐标系内的方程为:x=tk+jnT,it; (3)
jmk为第k关键帧点云中所获取第j株胸高圆柱体切点数。
具体的,若仅利用圆柱体表面点约束进行圆柱体拟合,拟合的误差会非常大,因此引入切线约束进行修正后拟合结果将得到优化。
S13.利用圆柱体表面点约束构建第二损失函数;
其中,(jx0,k jy0,k jz0,k)为立木水平位置,jDk为立木胸径,权:
jnk为第k关键帧中在第j株胸高圆柱体表面点云点数;
S14.以轴线估计值和立木位置z轴估计值作为精确值通过所述第一损失函数和第二损失函数优化立木水平位置和立木胸径,输出每个关键帧数据中立木胸高圆柱体参数。
具体为,将jx0,k、jy0,k及jDk作为待优化参数、上一模块获取轴线估计值作为(jajb jc)精确值、上一模块获取立木位置z轴估计值作为jz0,k的精确值,利用由切线构造第一损失函数(公式4)及胸高圆柱体表面点构造第二损失(公式6)完成优化,获取由第k关键帧数据估计第j株立木胸高圆柱体参数:jx0,k、jy0,k及jDk。
在优选的实施例中,还包括以下步骤:
步骤S3.利用加权平均的方法统计各所述关键帧立木位置,获取立木位置最佳估计值。具体为:
由于遮挡等原因,部分关键帧所获取立木胸高圆柱体点云数据不完整,所获取切点不正确致胸径估计值偏小,单株立木所有胸径估计值并非趋于正态分布,实际结果如附图5所示,本申请中视胸径的三次方服从正态分布,即
D3~N(μ,σ2); (8)
其中,D为立木胸径,N(μ,σ2)即均值为μ、方差为σ2的正态分布。
如图5所示,理论上而言,对同一立木进行多次观测形成的观测误差呈现正态分布;但由于激光雷达观测立木时,容易出现相互遮挡,部分帧数据对目标立木观测容易出现遮挡(或者说立木胸高处点云数据不完整),故测量值可能偏小,误差分布呈现非正态分布。为实现观测次数与观测误差呈现正态分布,本申请将误差描述为:D3~N(μ,σ2)。即假设各关键帧对同一立木胸径估计值分布满足胸径的三次方服从正态分布。
则立木胸径的最终估计值为:
其中,第k个关键帧获取第j株立木位置权为:
该权值考虑了观测点tk到立木位置距离与立木位置估计精度成反相关,以及立木胸径估计精度和立木位置估计精度成正相关的特点。
具体的,单帧激光雷达扫描角分辨率固定,离观测点(或者说激光雷达坐标原点)越近点,点间距越小、故胸径测量精度越高,固有观测点到立木位置的距离和立木位置估计精度成反相关;同时,胸径和立木位置是利用圆柱体拟合同时估计所得,胸径误差大,立木位置肯定也会有较大误差,故立木胸径估计精度和立木位置估计精度高成正相关。
本申请首先充分利用单个关键帧中切线约束及点在圆柱体表面约束构建损失函数,完成胸高圆柱体拟合;然后,假设各关键帧对同一立木胸径估计值分布满足胸径的三次方服从正态分布,并利用各关键帧胸径数据估计该正态分布均值及方差,进一步获取胸径的最佳估计值;最后,利用加权平均的方法统计各关键帧立木位置,获取立木位置最佳估计值,该权值考虑了观测点与立木真实位置距离和立木位置估计精度成反比,以及立木胸径估计精度和立木位置估计精度高成正比的特点(此处精度高表示“中误差”或“标准差”,该值越小精度越高)。使得最终获得的估计值更为准确的反应了林木的数量、位置及胸径。
实施例二:
图3示出了本申请实施例二提供的基于LiDAR SLAM数据的立木位置及胸径的估计系统的主要模块构成,为了便于说明,仅示出了与本申请实施例相关的部分。
下面对本申请实施例进行描述,详述如下:
一种基于LiDAR SLAM数据的立木位置及胸径的估计系统,所述系统包括:基于单帧点云数据分别完成不同立木胸高圆柱体拟合的单帧点云胸高圆柱体拟合模块;
还包括:基于所述单帧点云胸高圆柱体拟合模块输出的各关键帧数据估计立木位置及胸径参数集,统计并获取各立木位置及胸径最佳估计值的多帧拟合数据融合模块。
进一步的,所述单帧点云胸高圆柱体拟合模块,分别利用圆柱体表面点约束和切线约束,构建单个关键帧中点云数据拟合圆柱体的损失函数,完成单帧胸高点云的圆柱体拟合。
进一步的,所述多帧拟合数据融合模块,包括胸径估计单元和位置估计单元;
所述胸径估计单元假设各关键帧对同一立木胸径估计值分布,满足胸径的三次方服从正态分布的误差,并利用各关键帧胸径数据估计该正态分布均值及方差,获取胸径的最佳估计值;
所述位置估计单元利用加权平均的方法统计各所述关键帧立木位置,获取立木位置最佳估计值。
进一步的,所述关键帧为包含有位姿数据及去畸变的单帧点云数据,即多线激光雷达旋转一周获取的所有扫描点集去畸变后的点云数据。
进一步的,还包括:拼接点云预处理模块;
所述拼接点云预处理模块用于将LiDAR SLAM数据中所有关键帧数据拼接后分离属于立木胸高圆柱体的点云,然后拟合并获取立木轴线向量及其精度;将拟合参数作为单个关键帧点云数据集合输出至所述单帧点云胸高圆柱体拟合模块。
本申请实施例的估计系统,经LiDAR SLAM系统后处理,获取到的数据为连续关键帧,这些关键帧包含有位姿数据及去畸变的单帧点云数据(即多线激光雷达旋转一周获取的所有扫描点集去畸变后数据)。本申请通过拼接点云预处理、单帧点云胸高圆柱体拟合及多帧拟合数据融合三个模块完成立木位置及胸径的高精度提取。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于LiDAR SLAM数据的立木位置及胸径的估计方法,其特征在于,所述方法包括下述步骤:
S1.分别利用圆柱体表面点约束和切线约束,构建单个关键帧中点云数据拟合圆柱体的损失函数,完成单帧胸高点云的圆柱体拟合;
S2.假设各关键帧对同一立木胸径估计值分布,满足胸径的三次方服从正态分布的误差,并利用各关键帧胸径数据估计该正态分布均值及方差,获取胸径的最佳估计值;
S3.利用加权平均的方法统计各所述关键帧立木位置,获取立木位置最佳估计值。
2.如权利要求1所述的方法,其特征在于,所述关键帧为包含有位姿数据及去畸变的单帧点云数据,即多线激光雷达旋转一周获取的所有扫描点集去畸变后的点云数据。
3.如权利要求2所述的方法,其特征在于,所述方法在步骤S1前还包括以下步骤:
S0.将LiDAR SLAM数据中所有关键帧数据拼接后分离属于立木胸高圆柱体的点云,然后拟合并获取立木轴线向量及其精度;将拟合参数作为单个关键帧点云数据集合输出。
4.如权利要求3所述的方法,其特征在于,所述步骤S0包括以下顺序步骤:
S01.利用关键帧位姿将单帧点云变换到世界坐标系内,合并所有变换后点云获取到拼接后森林完整点云;
S02.提取并分割立木胸高点云,分割后立木胸高点云数据集包括立木的序号和对应的立木胸高点云数据;
S03.根据胸高圆柱体点云与圆柱体表面的空间关系构建损失函数,以优化每株立木胸高圆柱体轴线上一点的空间坐标、轴线方向向量以及圆柱体直径对应的参数;
S04.输出扫描区域各立木胸径点云及其对应的拟合参数。
5.如权利要求4所述的方法,其特征在于,所述步骤S1包括以下顺序步骤:
S11.利用所述单个关键帧点云数据集合中点的关键帧编号、点编号,获取其在关键帧下的位姿、点云坐标及扫描线号信息,重新组织数据集;
S12.利用jD切线约束构建第一损失函数;
S13.利用圆柱体表面点约束构建第二损失函数;
S14.以轴线估计值和立木位置z轴估计值作为精确值通过所述第一损失函数和第二损失函数优化立木水平位置和立木胸径,输出每个关键帧数据中立木胸高圆柱体参数。
6.一种基于LiDAR SLAM数据的立木位置及胸径的估计系统,其特征在于,所述系统包括:基于单帧点云数据分别完成不同立木胸高圆柱体拟合的单帧点云胸高圆柱体拟合模块;
还包括:基于所述单帧点云胸高圆柱体拟合模块输出的各关键帧数据估计立木位置及胸径参数集,统计并获取各立木位置及胸径最佳估计值的多帧拟合数据融合模块。
7.如权利要求6所述的系统,其特征在于,所述单帧点云胸高圆柱体拟合模块,分别利用圆柱体表面点约束和切线约束,构建单个关键帧中点云数据拟合圆柱体的损失函数,完成单帧胸高点云的圆柱体拟合。
8.如权利要求7所述的系统,其特征在于,所述多帧拟合数据融合模块,包括胸径估计单元和位置估计单元;
所述胸径估计单元假设各关键帧对同一立木胸径估计值分布,满足胸径的三次方服从正态分布的误差,并利用各关键帧胸径数据估计该正态分布均值及方差,获取胸径的最佳估计值;
所述位置估计单元利用加权平均的方法统计各所述关键帧立木位置,获取立木位置最佳估计值。
9.如权利要求8所述的系统,其特征在于,所述关键帧为包含有位姿数据及去畸变的单帧点云数据,即多线激光雷达旋转一周获取的所有扫描点集去畸变后的点云数据。
10.如权利要求6所述的系统,其特征在于,还包括:拼接点云预处理模块;
所述拼接点云预处理模块用于将LiDAR SLAM数据中所有关键帧数据拼接后分离属于立木胸高圆柱体的点云,然后拟合并获取立木轴线向量及其精度;将拟合参数作为单个关键帧点云数据集合输出至所述单帧点云胸高圆柱体拟合模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210581926.9A CN115032607B (zh) | 2022-05-26 | 2022-05-26 | 基于LiDAR SLAM数据的立木位置及胸径的估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210581926.9A CN115032607B (zh) | 2022-05-26 | 2022-05-26 | 基于LiDAR SLAM数据的立木位置及胸径的估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115032607A true CN115032607A (zh) | 2022-09-09 |
CN115032607B CN115032607B (zh) | 2024-06-21 |
Family
ID=83121815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210581926.9A Active CN115032607B (zh) | 2022-05-26 | 2022-05-26 | 基于LiDAR SLAM数据的立木位置及胸径的估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115032607B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937304A (zh) * | 2023-03-13 | 2023-04-07 | 季华实验室 | 一种通过稀疏点云精确估计立木位置及胸径的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052914A (zh) * | 2017-12-21 | 2018-05-18 | 中国科学院遥感与数字地球研究所 | 一种基于slam和图像识别的森林林木资源调查方法 |
CN112906719A (zh) * | 2021-03-09 | 2021-06-04 | 浙江农林大学 | 基于消费级深度相机的立木因子测量方法 |
CN113204998A (zh) * | 2021-04-01 | 2021-08-03 | 武汉大学 | 一种基于单木尺度的机载点云森林生态估测方法及系统 |
JP2022064630A (ja) * | 2020-10-14 | 2022-04-26 | 株式会社興和 | 森林資源情報生成構造、および森林資源情報生成方法 |
CN114415204A (zh) * | 2022-03-07 | 2022-04-29 | 山东农业大学 | 一种基于手机激光雷达的树木胸径获取方法 |
KR20220066783A (ko) * | 2020-11-16 | 2022-05-24 | (주)평화엔지니어링 | 산림 바이오매스의 산정방법 |
-
2022
- 2022-05-26 CN CN202210581926.9A patent/CN115032607B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052914A (zh) * | 2017-12-21 | 2018-05-18 | 中国科学院遥感与数字地球研究所 | 一种基于slam和图像识别的森林林木资源调查方法 |
JP2022064630A (ja) * | 2020-10-14 | 2022-04-26 | 株式会社興和 | 森林資源情報生成構造、および森林資源情報生成方法 |
KR20220066783A (ko) * | 2020-11-16 | 2022-05-24 | (주)평화엔지니어링 | 산림 바이오매스의 산정방법 |
CN112906719A (zh) * | 2021-03-09 | 2021-06-04 | 浙江农林大学 | 基于消费级深度相机的立木因子测量方法 |
CN113204998A (zh) * | 2021-04-01 | 2021-08-03 | 武汉大学 | 一种基于单木尺度的机载点云森林生态估测方法及系统 |
CN114415204A (zh) * | 2022-03-07 | 2022-04-29 | 山东农业大学 | 一种基于手机激光雷达的树木胸径获取方法 |
Non-Patent Citations (2)
Title |
---|
李丹等: "基于TLS数据的单木胸径和树高提取研究", 北京林业大学学报, vol. 34, no. 04, 15 July 2012 (2012-07-15), pages 83 - 90 * |
步国超等: "基于单站地面激光雷达数据的自适应胸径估计方法", 激光与光电子学进展, vol. 53, no. 08, 1 June 2016 (2016-06-01), pages 284 - 292 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937304A (zh) * | 2023-03-13 | 2023-04-07 | 季华实验室 | 一种通过稀疏点云精确估计立木位置及胸径的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115032607B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113436260B (zh) | 基于多传感器紧耦合的移动机器人位姿估计方法和系统 | |
CN110221311B (zh) | 基于tls和uav自动化提取高郁闭林分树高的方法 | |
CN111724433B (zh) | 一种基于多目视觉的作物表型参数提取方法及系统 | |
CN110672020A (zh) | 一种基于单目视觉的立木高度测量方法 | |
CN107560592B (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
CN112446844B (zh) | 一种基于点云特征提取与配准融合方法 | |
Fiorillo et al. | Testing GoPro for 3D model reconstruction in narrow spaces | |
CN115032607B (zh) | 基于LiDAR SLAM数据的立木位置及胸径的估计方法及系统 | |
CN104680585A (zh) | 物料堆三维重建系统及方法 | |
Kochi et al. | A 3D shape-measuring system for assessing strawberry fruits | |
CN112197773A (zh) | 基于平面信息的视觉和激光定位建图方法 | |
Barrile et al. | 3D modeling with photogrammetry by UAVs and model quality verification | |
CN112050793A (zh) | 一种WorldView-2立体双介质水深探测方法 | |
CN112132875A (zh) | 一种基于面特征的多平台点云匹配方法 | |
Jiang et al. | Learned local features for structure from motion of uav images: A comparative evaluation | |
CN112711987B (zh) | 双激光雷达电力杆塔三维点云增强系统及方法 | |
CN114066981A (zh) | 一种无人机对地目标定位方法 | |
Zhu et al. | Triangulation of well-defined points as a constraint for reliable image matching | |
Van Leeuwen et al. | Stem detection and measuring DBH using terrestrial laser scanning | |
CN112985295A (zh) | 一种大型雕塑的制作方法 | |
Nex et al. | New integration approach of Photogrammetric and LIDAR techniques for architectural surveys | |
Lee et al. | Comparison of terrestrial laser scanner with digital aerial photogrammetry for extracting ridges in the rice paddies | |
Menna et al. | Photogrammetric 3D modelling of a boat’s hull | |
CN117611762B (zh) | 一种多层级地图构建方法、系统及电子设备 | |
JP6892134B2 (ja) | 計測システム、計測方法および計測プログラム |
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 |