CN115063555B - 高斯分布区域生长的车载LiDAR点云行道树提取方法 - Google Patents
高斯分布区域生长的车载LiDAR点云行道树提取方法 Download PDFInfo
- Publication number
- CN115063555B CN115063555B CN202210820067.4A CN202210820067A CN115063555B CN 115063555 B CN115063555 B CN 115063555B CN 202210820067 A CN202210820067 A CN 202210820067A CN 115063555 B CN115063555 B CN 115063555B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- trunk
- tree
- cluster
- 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 49
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 238000010187 selection method Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 4
- 238000012946 outsourcing Methods 0.000 claims description 3
- 239000002023 wood Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 239000002028 Biomass Substances 0.000 abstract description 3
- 230000001788 irregular Effects 0.000 abstract description 3
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高斯分布区域生长的车载LiDAR点云行道树提取方法，包括以下步骤：对原始车载LiDAR点云数据进行预处理；根据树干的竖直线性特征定位单棵树的位置，并基于高斯分布的区域生长算法聚类提取树干点云；应用优化种子点选取方法的区域生长算法分别提取每棵树的树冠点云；基于树干的几何规则剔除伪树干，自动匹配提取的树干点和树冠点，并以Voronoi图约束分割树组。本发明解决了弯曲或不规则树干的分类提取、树冠点密度小导致结果完整性低与树干点严重缺失等问题，为道路环境安全信息化管理和林木生物量估算提供支撑。
Description
技术领域
本发明涉及激光雷达点云数据提取行道树方法，特别涉及一种高斯分布区域生长的车载LiDAR点云行道树提取方法。
背景技术
智能交通无人自动驾驶迫切需要高精度导航地图，通过遥测技术获取复杂道路场景的地物目标位置和细节信息是实现精准定位导航的重要支撑。在交通管理中，道路场景下树木的三维几何、地形、语义等信息对精细车道导航、交通事故分析和车辆安全评估等具有一定参考价值。但在数据源层面，树木这类顶部与底部几何特征差异较大的目标无法通过解译传统单一的二维图像精细化提取，目前主流的树木识别提取方法使用三维激光雷达(LiDAR，Light Detection and Ranging)作为数据源。LiDAR是测量物体位置和形状并形成高质量3D点云图像的高精度传感器，近年来被广泛应用于自动驾驶、三维建模、生成高精度地图、树木生物量估计等领域。目前，基于LiDAR点云数据的树木分类提取包括树干的提取和树冠的提取两部分。
(1)树干的提取方法可分为基于模型的提取、基于结构特征的提取以及基于知识模板匹配的提取方法。
1)基于模型的提取方法：树干呈现类圆柱型的几何形状，研究者应用不同类型的圆柱体模型或使用柱面拟合的方法拟合树干，也有不少方法基于竖直性应用Ransac线性拟合模型。但这类用于拟合树干的方法受树干点密度和几何形状的影响较大，当树干点被其他类型的地物点(例如灌木丛)遮挡或树干倾斜程度较大时，规则的模型拟合方法无法完整提取树干。
2)基于结构特征的提取方法：树干具有垂直度大、密度大和连续性强的杆状特征，许多研究基于结构特征采用聚类和分割的方法提取树干。但结构特征的计算依赖于邻域点的稀疏程度并且受噪声点的影响较大，同时，基于结构特征的提取方法对小目标树干和不完整无规则树干的提取精度也较低。
3)基于知识模板匹配的提取方法：知识模板是特征的组合，不同特征值的阈值组合能提取不同地物，依据树干与其他地物目标的组合特征差异分离树干。体素化常被应用到模板匹配的方法，但体素化的大小选择是影响提取结果的关键。并且这种方法需要大量的先验知识，处理过程耗时严重。
(2)单棵树木树冠点云的获取可分为分类和提取两方面。
1)冠层分类的方法：树木的树冠层是区别于其它地物的明显部分，在应用机器学习分类的方法中与其他地物的特征具有显著差异。但机器学习的方法需要大量的人工标记和训练，适用于大场景下目标分类，针对指定地物的提取时，耗时且提取精度较低，提取精度取决于样本。
2)树冠提取的方法：树冠点云由杂乱无章的树叶和树干延伸出的树枝组成，提取所用的规律特征较少。目前树冠的提取依托树干的位置和几何形状特征，通过区域生长算法和聚类的方法将树冠点归属于指定的树干。
区域生长算法是最常用的通过树干点提取树冠点的方法。算法在树木提取中的应用主要涉及种子点的选取和生长路径的选择(生长约束)两个方面的创新。但树木的形状、大小、树木与LiDAR的距离导致树冠密度分布不均匀性以及当树干被汽车和绿化带堵塞树干点缺失，易导致区域生长过程中种子点位置选择错误或生长不完整的问题仍是改进的瓶颈。
总之，目前行道树提取方法存在以下不足：(1)树干的提取依赖于较规则的几何特征，若部分树干弯曲程度较大或被遮挡严重，树干的提取精度较低；(2)树冠层的提取结果较大程度取决于树干的位置，当树干被严重遮挡时无法提取树冠层；(3)当冠层与树干间或冠层与冠层间间隙较大时，无法应用区域生长算法提取树冠层。
发明内容
针对上述现有方法树干点与树冠点密度均分布不均匀导致无法完整提取单棵树的情况，本文提出了一种高斯分布区域生长的车载LiDAR点云行道树提取方法提取道路环境树干和冠层，并结合Voronoi(泰森多边形)约束分割实现自动化分割相互重叠的单棵树木，以实现单棵树木的三维精细信息提取。
本发明解决上述技术问题的技术方案为：一种高斯分布区域生长的车载LiDAR点云行道树提取方法，包括以下步骤：
(1)对原始车载LiDAR点云数据进行预处理；
(2)根据树干的竖直线性特征定位单棵树的位置，并基于高斯分布的区域生长算法聚类提取树干点云；
(3)应用优化种子点选取方法的区域生长算法分别提取每棵树的树冠点云；
(4)基于树干的几何规则剔除伪树干，自动匹配提取的树干点和树冠点，并以Voronoi图约束分割树组。
上述用于车载LiDAR点云行道树的自动化精细提取方法，所述步骤(1)中，对原始车载LiDAR点云数据进行预处理，包括地面点滤波处理以及根据非树木地物的水平投影特征过滤非树木和噪声点云，具体步骤为：
(1-1)原始点云应用基于坡度的地面点滤波算法过滤地面点，得到的候选点设为T0；
(1-2)地物分层欧氏距离聚类：候选点T0应用点云的欧氏距离聚类算法获得聚类簇，以高程1.5m对每一个聚类簇分层，分为上下两部分；
(1-3)聚类体栅格化投影：对聚类体整体和下部分别水平面栅格化投影，每个聚类体整体栅格化后含有点云的像元个数为N1，下部分栅格化投影后含有的像元个数为N2，整体栅格化后外包矩形的面积为S；
(1-4)计算投影单元面积差，去除建筑物点：设投影单元面积差为B1，计算公式如下：
建筑物点的投影单元面积差小于0.2，去除投影单元面积差小于0.2的点从而去除建筑物点；
(1-5)计算投影单元比例，去除灌木和车辆点：设投影单元比例为B2，计算公式如下：
车辆和灌木的投影单元比例大于0.8，去除投影单元比例大于0.8的点从而去除车辆和灌木点；
(1-6)剔除部分噪声簇后，得到候选点T1。
上述用于车载LiDAR点云行道树的自动化精细提取方法，所述步骤(2)具体步骤为：
(2-1)点云竖直线性特征提取：在候选点T1中行道树的树干部分具有强竖直几何特性，因此以竖直线性特征阈值提取部分树干点云并定位树干的位置；通过对候选点T1全局点云主成分分析PCA并求解特征值，以计算竖直线性特征值，计算公式如下：
Linearity表示每个点的竖直线性特征值，范围为0-1；λ1和λ2分别是第一特征值和第二特征值，λ1＞λ2；
(2-2)基于高斯分布的区域生长算法提取树干：以竖直线性特征提取点为种子点通过高斯分布规律寻找原始点云中符合规则的点，并将生长出的点聚类合并为单个树干点集。
上述用于车载LiDAR点云行道树的自动化精细提取方法，所述步骤(2-2)具体过程为：
从树干点中选择种子点并邻域搜索，搜索到的点集作为样本并将样本点与种子点在x与y方向上的差值Δx与Δy分别作为参数进行区间估计；
根据已经生长过的点寻找n个邻域点作为待判断的点，邻域点集的平面中心与初始种子点集合的平面中心之间的距离小于初始种子点集的直径，将邻域点集中最近的点加入已经生长过的点集中；以此最近的点为中心，计算其他邻域点与此点的距离差值以及统计此点差值的高斯分布，并建立置信度为0.05的置信区间；将符合置信区间的点加入已经生长过的点集，并将下一个最近点作为新种子点重复生长；
当不存在新的待加入点或者剩下所有的待加入点都不符合置信区间条件时终止算法；结束生长的点集P即为第一个树干的聚类点集；
重新在候选点集中选取未被生长标记的新初始种子点，重复算法得到接下来的N个树干的聚类点集，这N个树干的聚类点集即为候选点集T2。
上述用于车载LiDAR点云行道树的自动化精细提取方法，所述步骤(3)具体步骤为：
(3-1)应用最近邻法的邻域搜索方法：冠层的区域生长算法的邻域搜索应用最近邻法，以主干顶点为初始点搜索生长；
(3-2)设定树冠候选点高度准则：为了防止种子点从树干顶点向下生长到噪声点，初始种子点的下一个树冠候选点高度大于初始种子点高度hc；
(3-3)设定垂直约束准则：由于部分树冠间具有空隙，初始种子点的下一个树冠候选点的选择增加一个垂直约束，即树干顶点的下一批种子点是以顶点为圆心、水平半径为R、高度大于hc的圆柱范围内顶点的最近邻点；
(3-4)得到树冠的候选点集。
上述用于车载LiDAR点云行道树的自动化精细提取方法，所述步骤(4)具体步骤为：
(4-1)伪杆部识别：应用树冠与树干匹配的方法识别伪树干，每个生长完整的冠层聚类体有N个树干，对每个冠层中的伪杆部点集应用三维最小包围盒计算几何特征，并对不同的特征设置几何规则阈值，将不符合阈值条件的伪杆状点集剔除；几何规则包括：体积，高度和接地性三种；
通过以上三种规则筛选后识别出符合条件的杆状聚类簇，并将正确的树干匹配相应的树冠；若树冠没有匹配的树干，说明该树的树干点缺失；若一个树冠聚类体有多树干，则该冠层区域存在重叠树组，是后续单木分割的对象；
(4-2)Voronoi范围约束的单木分割：求解每一个树干聚类体的三维质心点坐标用于代表每一棵树木的真实位置，将质心进行在XOY平面上的二维投影，即Zi等于0，以二维质心点建立泰森多边形用于自动划分实验区，并计算每个冠层候选点所属的多边形区域，以实现通过树木位置点自动分割单棵树。
上述用于车载LiDAR点云行道树的自动化精细提取方法，所述步骤(4-1)中，几何规则包括：体积、聚类体高度差和接地性三种：
体积V：计算每个杆状聚类点集的长方体最小包围盒，包围盒的体积即聚类簇的体积；体积的几何规则对路灯和广告牌的识别有效；
聚类体高度差Hd：最小包围盒的高度即表示聚类簇杆部最低点到最高点的高度差；聚类体高度差的几何规则对部分噪声点的识别有效；
接地性Hg：杆部聚类簇与地面点的高度差远小于伪杆部与地面点的高度差；计算每个区域的DEM值以及聚类簇最小包围盒的最低点高程，得到接地值Hg并将大于阈值的伪杆部聚类簇剔除，接地性的几何规则对冠层中伪树干的识别有效；每一个杆部聚类簇的接地值计算公式如下：
Hg＝HL-HDEM (4)
式中：HL表示当前杆部聚类簇中最低点的高度值；HDEM表示当前杆部聚类簇所在平面区域的地面高度的平均值。
上述用于车载LiDAR点云行道树的自动化精细提取方法，所述步骤(4-2)中，树干质心的坐标Ci(Xi,Yi,Zi)计算公式如下：
式中：n表示当前树干聚类体的点的数量；xi,yi,zi表示当前树干聚类体第i个点的坐标。
上述用于车载LiDAR点云行道树的自动化精细提取方法，所述步骤(4-2)中，泰森多边形的建立步骤为：以质心点构建Delaunay三角网，对质心点和形成的三角形编号，记录每个三角形是由哪三个质心点构成的；找出与每个质心点相邻的所有三角形的编号，并记录下来，这只要在已构建的三角网中找出具有一个相同顶点的所有三角形即可；对与每个质心点相邻的三角形按顺时针或逆时针方向排序；计算每个三角形的外接圆圆心，并记录；根据每个质心点的相邻三角形，连接这些相邻三角形的外接圆圆心，即得到泰森多边形。
上述用于车载LiDAR点云行道树的自动化精细提取方法，所述步骤(4-2)中，计算每个冠层候选点所属的多边形区域，以实现通过树木位置点自动分割单棵树：对每一个多边形进行编号并计算每个多边形的空间范围，计算所有冠层候选点的空间坐标，将每一个候选点归属到相应的多边形空间范围内并赋予对应多边形的编号，最后以每一个冠层候选点的编号划分为不同的点集。
本发明的有益效果在于：本发明设计研究了单棵行道树分割和参数信息化统计方法，包括基于树干点并优化种子点的区域生长算法、树冠点Voronoi图约束的单木分割，一定程度上解决了弯曲或不规则树干的分类提取、树冠点密度小导致结果完整性低与树干点严重缺失等问题，为道路环境安全信息化管理和林木生物量估算提供支撑。
附图说明
图1为本发明的流程图。
图2为不同地物的水平面投影差异图。
图3为本发明基于高斯分布的区域生长算法的示例图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。
如图1所示，一种高斯分布区域生长的车载LiDAR点云行道树提取方法，包括以下步骤：
(1)对原始车载LiDAR点云数据进行预处理。
对原始车载LiDAR点云数据进行预处理，包括地面点滤波处理以及根据非树木地物的水平投影特征过滤非树木和噪声点云，具体步骤为：
(1-1)原始点云应用基于坡度的地面点滤波算法过滤地面点，得到的候选点设为T0；T0主要为道路两边基础设施目标点云，其中建筑物点、灌木点、车辆及行人点会干扰树干点云的提取；
(1-2)地物分层欧氏距离聚类：候选点T0应用点云的欧氏距离聚类算法获得聚类簇，以高程1.5m对每一个聚类簇分层，分为上下两部分；
(1-3)聚类体栅格化投影：对聚类体整体和下部分别水平面栅格化投影，每个聚类体整体栅格化后含有点云的像元个数为N1，下部分栅格化投影后含有的像元个数为N2，整体栅格化后外包矩形的面积为S；建筑物、树木和灌木的整体投影和下半部分投影如图2所示，以建筑物立面、车辆、灌木点以及树木点之间的投影几何尺度差异特征区分和过滤建筑物立面、车辆和灌木等非树木点集；
(1-4)计算投影单元面积差，去除建筑物点：设投影单元面积差为B1，计算公式如下：
在候选点T0中，建筑物的投影为条状，外包矩形内的空栅格占大部分，面积差小于0.2；树木等其他基础设施的投影呈现圆形且外包矩形内没有空栅格，面积差大于0.8，去除投影单元面积差小于0.2的点从而去除建筑物点；
(1-5)计算投影单元比例，去除灌木和车辆点：设投影单元比例为B2，计算公式如下：
车辆和灌木的比例B2大于0.8；而树木的比例B2小0.2，以此去除投影单元比例大于0.8的点从而去除车辆和灌木点；
(1-6)剔除部分噪声簇后，得到候选点T1。
(2)根据树干的竖直线性特征定位单棵树的位置，并基于高斯分布的区域生长算法聚类提取树干点云。
步骤(2)具体步骤为：
(2-1)点云竖直线性特征提取：在候选点T1中行道树的树干部分具有强竖直几何特性，因此以竖直线性特征阈值提取部分树干点云并定位树干的位置；通过对候选点T1全局点云主成分分析PCA并求解特征值，以计算竖直线性特征值，计算公式如下：
Linearity表示每个点的竖直线性特征值，范围为0-1；λ1和λ2分别是第一特征值和第二特征值，λ1＞λ2；
(2-2)基于高斯分布的区域生长算法提取树干：以竖直线性特征提取点为种子点通过高斯分布规律寻找原始点云中符合规则的点，并将生长出的点聚类合并为单个树干点集。
(2-2)具体过程为：
从树干点中选择种子点并邻域搜索，搜索到的点集作为样本并将样本点与种子点在x与y方向上的差值Δx与Δy分别作为参数进行区间估计；基于高斯分布的区域生长算法见图3。
根据圆形点(已经生长过的点)寻找n个三角形的邻域点(待判断的点)作为待判断的点，邻域点集的平面中心与初始种子点集合的平面中心之间的距离小于初始种子点集的直径，将邻域点集中最近的点加入已经生长过的点集中；以此最近的点为中心，计算其他邻域点与此点的距离差值以及统计此点差值的高斯分布，并建立置信度为0.05的置信区间；将符合置信区间的点加入已经生长过的点集，并将的下一个最近点作为新种子点重复生长；
当不存在新的待加入点或者剩下所有的待加入点都不符合置信区间条件时终止算法；结束生长的点集P即为第一个树干的聚类点集；
重新在候选点集中选取未被生长标记的新初始种子点，重复算法得到接下来的N个树干的聚类点集，这N个树干的聚类点集即为候选点集T2。
(3)应用优化种子点选取方法的区域生长算法分别提取每棵树的树冠点云。
步骤(3)具体步骤为：
(3-1)应用最近邻法的邻域搜索方法：由于部分树木冠层与主干顶点处距离较远，冠层的区域生长算法的邻域搜索应用最近邻法，以主干顶点为初始点搜索生长；
(3-2)设定树冠候选点高度准则：为了防止种子点从树干顶点向下生长到噪声点，初始种子点的下一个树冠候选点高度大于初始种子点高度hc；
(3-3)设定垂直约束准则：由于部分树冠间具有空隙，初始种子点的下一个树冠候选点的选择增加一个垂直约束，即树干顶点的下一批种子点是以顶点为圆心、水平半径为R、高度大于hc的圆柱范围内顶点的最近邻点；
(3-4)得到树冠的候选点集。
(4)基于树干的几何规则剔除伪树干，自动匹配提取的树干点和树冠点，并以Voronoi图约束分割树组。
步骤(4)具体步骤为：
(4-1)伪杆部识别：应用树冠与树干匹配的方法识别伪树干，每个生长完整的冠层聚类体有N个树干，对每个冠层中的伪杆部点集应用最小包围盒计算几何特征，并对不同的特征设置几何规则阈值，将不符合阈值条件的伪杆状点集剔除。
几何规则包括：体积、聚类体高度差和接地性三种：
体积V：计算每个杆状聚类点集的长方体最小包围盒，包围盒的体积即聚类簇的体积；体积的几何规则对路灯和广告牌的识别有效；
聚类体高度差Hd：最小包围盒的高度即表示聚类簇杆部最低点到最高点的高度差；聚类体高度差的几何规则对部分噪声点的识别有效；
接地性Hg：杆部聚类簇与地面点的高度差远小于伪杆部与地面点的高度差；计算每个区域的DEM值以及聚类簇最小包围盒的最低点高程，得到接地值Hg并将大于阈值的伪杆部聚类簇剔除，接地性的几何规则对冠层中伪树干的识别有效。每一个杆部聚类簇的接地值计算公式如下：
Hg＝HL-HDEM (4)
式中：HL表示当前杆部聚类簇中最低点的高度值；HDEM表示当前杆部聚类簇所在平面区域的地面高度的平均值。
(4-2)Voronoi范围约束的单木分割：求解每一个树干聚类体的三维质心点坐标用于代表每一棵树木的真实位置，将质心进行二维投影后，对二维质心点建立泰森多边形用于自动划分实验区，并计算每个冠层候选点所属的多边形区域，以实现通过树木位置点自动分割单棵树；
树干质心的投影坐标Ci(Xi,Yi,Zi)计算公式如下：
式中：n表示当前树干聚类体的点的数量；xi,yi,zi表示当前树干聚类体第i个点的坐标。
泰森多边形的建立步骤为：以质心点构建Delaunay三角网，对质心点和形成的三角形编号，记录每个三角形是由哪三个质心点构成的；找出与每个质心点相邻的所有三角形的编号，并记录下来，这只要在已构建的三角网中找出具有一个相同顶点的所有三角形即可；对与每个质心点相邻的三角形按顺时针或逆时针方向排序；计算每个三角形的外接圆圆心，并记录；根据每个质心点的相邻三角形，连接这些相邻三角形的外接圆圆心，即得到泰森多边形。
计算每个冠层候选点所属的多边形区域，以实现通过树木位置点自动分割单棵树：对每一个多边形进行编号并计算每个多边形的空间范围，计算所有冠层候选点的空间坐标，将每一个候选点归属到相应的多边形空间范围内并赋予对应多边形的编号，最后以每一个冠层候选点的编号划分为不同的点集。
候选点经过步骤(1)预处理中的栅格投影规则处理后，树冠层冠幅范围内的灌木点被剔除，以Voronoi图区域建立的每一个多边形缓冲区内的候选点仅包含树木点。将每一个缓冲区中的候选点分别提取，实现单棵树的自动分割，得到单棵树点集群T3。
Claims (8)
1.一种高斯分布区域生长的车载LiDAR点云行道树提取方法，其特征在于，包括以下步骤：
(1)对原始车载LiDAR点云数据进行预处理；
(2)根据树干的竖直线性特征定位单棵树的位置，并基于高斯分布的区域生长算法聚类提取树干点云；
所述步骤(2)具体步骤为：
(2-1)点云竖直线性特征提取：在候选点T1中行道树的树干部分具有强竖直几何特性，因此以竖直线性特征阈值提取部分树干点云并定位树干的位置；通过对候选点T1全局点云主成分分析PCA并求解特征值，以计算竖直线性特征值，计算公式如下：
Linearity表示每个点的竖直线性特征值，范围为0-1；λ1和λ2分别是第一特征值和第二特征值，λ1＞λ2；
(2-2)基于高斯分布的区域生长算法提取树干：以竖直线性特征提取点为种子点通过高斯分布规律寻找原始点云中符合规则的点，并将生长出的点聚类合并为单个树干点集；
所述步骤(2-2)具体过程为：
从树干点中选择种子点并邻域搜索，搜索到的点集作为样本并将样本点与种子点在x与y方向上的差值Δx与Δy分别作为参数进行区间估计；
根据已经生长过的点寻找n个邻域点作为待判断的点，邻域点集的平面中心与初始种子点集合的平面中心之间的距离小于初始种子点集的直径，将邻域点集中最近的点加入已经生长过的点集中；以此最近的点为中心，计算其他邻域点与此点的距离差值以及统计此点差值的高斯分布，并建立置信度为0.05的置信区间；将符合置信区间的点加入已经生长过的点集，并将下一个最近点作为新种子点重复生长；
当不存在新的待加入点或者剩下所有的待加入点都不符合置信区间条件时终止算法；结束生长的点集P即为第一个树干的聚类点集；
重新在候选点集中选取未被生长标记的新初始种子点，重复算法得到接下来的N个树干的聚类点集，这N个树干的聚类点集即为候选点集T2；
(3)应用优化种子点选取方法的区域生长算法分别提取每棵树的树冠点云；
(4)基于树干的几何规则剔除伪树干，自动匹配提取的树干点和树冠点，并以Voronoi图约束分割树组。
2.根据权利要求1所述的高斯分布区域生长的车载LiDAR点云行道树提取方法，其特征在于，所述步骤(1)中，对原始车载LiDAR点云数据进行预处理，包括地面点滤波处理以及根据非树木地物的水平投影特征过滤非树木和噪声点云，具体步骤为：
(1-1)原始点云应用基于坡度的地面点滤波算法过滤地面点，得到的候选点设为T0；
(1-2)地物分层欧氏距离聚类：候选点T0应用点云的欧氏距离聚类算法获得聚类簇，以高程1.5m对每一个聚类簇分层，分为上下两部分；
(1-3)聚类体栅格化投影：对聚类体整体和下部分别水平面栅格化投影，每个聚类体整体栅格化后含有点云的像元个数为N1，下部分栅格化投影后含有的像元个数为N2，整体栅格化后外包矩形的面积为S；
(1-4)计算投影单元面积差，去除建筑物点：设投影单元面积差为B1，计算公式如下：
建筑物点的投影单元面积差小于0.2，去除投影单元面积差小于0.2的点从而去除建筑物点；
(1-5)计算投影单元比例，去除灌木和车辆点：设投影单元比例为B2，计算公式如下：
车辆和灌木的投影单元比例大于0.8，去除投影单元比例大于0.8的点从而去除车辆和灌木点；
(1-6)剔除部分噪声簇后，得到候选点T1。
3.根据权利要求2所述的高斯分布区域生长的车载LiDAR点云行道树提取方法，其特征在于，所述步骤(3)具体步骤为：
(3-1)应用最近邻法的邻域搜索方法：冠层的区域生长算法的邻域搜索应用最近邻法，以主干顶点为初始点搜索生长；
(3-2)设定树冠候选点高度准则：为了防止种子点从树干顶点向下生长到噪声点，初始种子点的下一个树冠候选点高度大于初始种子点高度hc；
(3-3)设定垂直约束准则：由于部分树冠间具有空隙，初始种子点的下一个树冠候选点的选择增加一个垂直约束，即树干顶点的下一批种子点是以顶点为圆心、水平半径为R、高度大于hc的圆柱范围内顶点的最近邻点；
(3-4)得到树冠的候选点集。
4.根据权利要求3所述的高斯分布区域生长的车载LiDAR点云行道树提取方法，其特征在于，所述步骤(4)具体步骤为：
(4-1)伪杆部识别：应用树冠与树干匹配的方法识别伪树干，每个生长完整的冠层聚类体有N个树干，对每个冠层中的伪杆部点集应用三维最小包围盒计算几何特征，并对不同的特征设置几何规则阈值，将不符合阈值条件的伪杆状点集剔除；几何规则包括：体积，高度和接地性三种；
通过以上三种规则筛选后识别出符合条件的杆状聚类簇，并将正确的树干匹配相应的树冠；若树冠没有匹配的树干，说明该树的树干点缺失；若一个树冠聚类体有多树干，则该冠层区域存在重叠树组，是后续单木分割的对象；
(4-2)Voronoi范围约束的单木分割：求解每一个树干聚类体的三维质心点坐标用于代表每一棵树木的真实位置，将质心进行在XOY平面上的二维投影，即Zi等于0，以二维质心点建立泰森多边形用于自动划分实验区，并计算每个冠层候选点所属的多边形区域，以实现通过树木位置点自动分割单棵树。
5.根据权利要求4所述的高斯分布区域生长的车载LiDAR点云行道树提取方法，其特征在于，所述步骤(4-1)中，几何规则包括：体积、聚类体高度差和接地性三种：
体积V：计算每个杆状聚类点集的长方体最小包围盒，包围盒的体积即聚类簇的体积；体积的几何规则对路灯和广告牌的识别有效；
聚类体高度差Hd：最小包围盒的高度即表示聚类簇杆部最低点到最高点的高度差；聚类体高度差的几何规则对部分噪声点的识别有效；
接地性Hg：杆部聚类簇与地面点的高度差远小于伪杆部与地面点的高度差；计算每个区域的DEM值以及聚类簇最小包围盒的最低点高程，得到接地值Hg并将大于阈值的伪杆部聚类簇剔除，接地性的几何规则对冠层中伪树干的识别有效；每一个杆部聚类簇的接地值计算公式如下：
Hg＝ HL-HDEM (4)
式中：HL表示当前杆部聚类簇中最低点的高度值；HDEM表示当前杆部聚类簇所在平面区域的地面高度的平均值。
6.根据权利要求4所述的高斯分布区域生长的车载LiDAR点云行道树提取方法，其特征在于，所述步骤(4-2)中，树干质心的坐标Ci(Xi,Yi,Zi)计算公式如下：
式中：n表示当前树干聚类体的点的数量；xi,yi,zi表示当前树干聚类体第i个点的坐标。
7.根据权利要求4所述的高斯分布区域生长的车载LiDAR点云行道树提取方法，其特征在于，所述步骤(4-2)中，泰森多边形的建立步骤为：以质心点构建Delaunay三角网，对质心点和形成的三角形编号，记录每个三角形是由哪三个质心点构成的；找出与每个质心点相邻的所有三角形的编号，并记录下来，这只要在已构建的三角网中找出具有一个相同顶点的所有三角形即可；对与每个质心点相邻的三角形按顺时针或逆时针方向排序；计算每个三角形的外接圆圆心，并记录；根据每个质心点的相邻三角形，连接这些相邻三角形的外接圆圆心，即得到泰森多边形。
8.根据权利要求4所述的高斯分布区域生长的车载LiDAR点云行道树提取方法，其特征在于，所述步骤(4-2)中，计算每个冠层候选点所属的多边形区域，以实现通过树木位置点自动分割单棵树：对每一个多边形进行编号并计算每个多边形的空间范围，计算所有冠层候选点的空间坐标，将每一个候选点归属到相应的多边形空间范围内并赋予对应多边形的编号，最后以每一个冠层候选点的编号划分为不同的点集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210820067.4A CN115063555B (zh) | 2022-07-12 | 2022-07-12 | 高斯分布区域生长的车载LiDAR点云行道树提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210820067.4A CN115063555B (zh) | 2022-07-12 | 2022-07-12 | 高斯分布区域生长的车载LiDAR点云行道树提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115063555A CN115063555A (zh) | 2022-09-16 |
| CN115063555B true CN115063555B (zh) | 2024-09-10 |
Family
ID=83206481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210820067.4A Active CN115063555B (zh) | 2022-07-12 | 2022-07-12 | 高斯分布区域生长的车载LiDAR点云行道树提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115063555B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116106853B (zh) * | 2023-04-12 | 2023-09-01 | 陕西欧卡电子智能科技有限公司 | 基于毫米波雷达的水面场景目标动静状态识别方法 |
| CN116310849B (zh) * | 2023-05-22 | 2023-09-19 | 深圳大学 | 基于三维形态特征的树木点云单体化提取方法 |
| CN117475151B (zh) * | 2023-11-08 | 2024-04-30 | 中南林业科技大学 | 一种结合树顶树干检测与林木模型的机载点云分割方法 |
| CN118072029B (zh) * | 2024-04-24 | 2024-07-19 | 山东科技大学 | 一种改进泰森多边形约束的车载点云单木分割方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132840A (zh) * | 2020-09-01 | 2020-12-25 | 济南市房产测绘研究院(济南市房屋安全检测鉴定中心) | 一种车载行道树点云分类与特征信息提取方法 |
| CN112347894A (zh) * | 2020-11-02 | 2021-02-09 | 东华理工大学 | 基于迁移学习和高斯混合模型分离的单株植被提取方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108717723B (zh) * | 2018-04-19 | 2019-06-11 | 浙江大学 | 一种基于草图实现形状保持的树木变形动画方法 |
| CN113657216A (zh) * | 2021-07-30 | 2021-11-16 | 西安理工大学 | 基于形状特征的点云场景树木树冠及木质点分离方法 |
-
2022
- 2022-07-12 CN CN202210820067.4A patent/CN115063555B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132840A (zh) * | 2020-09-01 | 2020-12-25 | 济南市房产测绘研究院(济南市房屋安全检测鉴定中心) | 一种车载行道树点云分类与特征信息提取方法 |
| CN112347894A (zh) * | 2020-11-02 | 2021-02-09 | 东华理工大学 | 基于迁移学习和高斯混合模型分离的单株植被提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115063555A (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115063555B (zh) | 高斯分布区域生长的车载LiDAR点云行道树提取方法 | |
| CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
| 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 | |
| CN111598823A (zh) | 多源移动测量点云数据空地一体化融合方法、存储介质 | |
| CN108564650B (zh) | 基于车载2D LiDAR点云数据的行道树靶标识别方法 | |
| CN113920134B (zh) | 一种基于多线激光雷达的斜坡地面点云分割方法及系统 | |
| CN110532963B (zh) | 一种车载激光雷达点云驱动的道路标线精准提取方法 | |
| CN114488073A (zh) | 激光雷达采集到的点云数据的处理方法 | |
| CN111488769A (zh) | 基于光斑发散尺寸的无监督式融合点云超体素化方法 | |
| CN115205690B (zh) | 基于mls点云数据的行道树单体化提取方法及装置 | |
| 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 | |
| CN114170149A (zh) | 一种基于激光点云的道路几何信息提取方法 | |
| CN116109601A (zh) | 一种基于三维激光雷达点云的实时目标检测方法 | |
| CN113963259A (zh) | 基于点云数据的街景地物多维度提取方法和系统 | |
| CN111950589B (zh) | 结合K-means聚类的点云区域生长优化分割方法 | |
| CN116704333B (zh) | 一种基于激光点云数据的单株林木检测方法 | |
| CN116524219A (zh) | 一种基于激光雷达点云聚类的障碍物检测方法 | |
| CN117115012A (zh) | 一种道路路面点云标线分割去噪方法 | |
| CN116258857A (zh) | 一种面向室外树木激光点云分割与提取方法 | |
| CN111861946A (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
| CN114972743A (zh) | 一种基于半径扩展的层次级单棵树木提取方法 | |
| CN107993242B (zh) | 基于机载LiDAR点云数据缺失区域边界提取方法 | |
| CN117765006A (zh) | 基于无人机影像与激光点云的多层次密集树冠分割方法 | |
| CN117289297A (zh) | 基于同心圆扇区划分的点云动态物搜索及其去除方法 | |
| CN115115941B (zh) | 基于模板匹配的激光雷达点云地图杆状目标提取方法 |
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 |