[發(fā)明專利]激光點云中林木參數(shù)評估方法

有效

• 申請?zhí)枺?/td>: 201710955957.5
• 申請日: 2017-10-15
• 公開（公告）號: CN107705309B
• 公開（公告）日: 2020-12-04
• 發(fā)明（設(shè)計）人: 云挺;張艷俠;薛聯(lián)鳳;王佳敏
• 申請（專利權(quán)）人: 南京林業(yè)大學(xué)
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/62
• 代理公司: 北京科億知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11350
• 代理人: 王清義

1.激光點云中林木參數(shù)評估方法，其特征是：包括以下步驟：

步驟A:獲取點云數(shù)據(jù)：以激光雷達對林段采用自下而上掃描，獲取林段的點云數(shù)據(jù)p_i(x_i，y_i，z_i)，x_i、y_i、z_i分別表示點p_i在X、Y、Z三個坐標方向上的坐標值，i表示第i個掃描點云，n代表該林段總共的掃描點云數(shù)量；

步驟B:對樹木株葉分離：

對于點云數(shù)據(jù)中的一點p_i＝(x_i,y_i,z_i)^T∈P,其中P表示樹木掃描點云數(shù)據(jù)集合，對于以任意點p_i為中心，半徑為r內(nèi)的鄰域的點定義為：p_j＝(x_j,y_j,z_j)^T，且滿足條件：||p_j-p_i||≤r；

點p_i和其鄰域點構(gòu)成的協(xié)方差矩陣定義為

其中時，其中μ表示掃描點p_i鄰域內(nèi)所有其它點在空間中位置的均值，j代表掃描點p_i的第j個鄰域點，m代表掃描點p_i的鄰域點總數(shù)；

重新定義一個新的坐標系，特征向量代表軸方向，相對應(yīng)的特征值代表沿軸的點方差；設(shè)e_k,i是矩陣的特征向量，λ_k,i是相應(yīng)的特征值，k＝0,1,2且λ_0,i≤λ_1,i≤λ_2,i；λ_k,i定量的顯示沿軸e_k,i方向的數(shù)據(jù)方差；

用e_0,i＝{e_i,x,e_i,y,e_i,z}表示最小特征值λ_0,i所對應(yīng)的特征向量，e_0,i也代表著點p_i處的法向量，e_i,x,e_i,y,e_i,z表示特征向量e_0,i在X、Y、Z三個坐標方向上的分量；

將對應(yīng)的每個點云p_i的方差矩陣的特征值歸一化，即：

計算結(jié)構(gòu)張量特征，包括結(jié)構(gòu)張量的平面性特征c_0,i、熵特征c_1,i與線性特征c_2,i，分別計算為

接著使用以下等式計算每個點云p_i的法向量分布協(xié)方差矩陣：

其中e_0,j是點云p_i的法向量，是點云p_i鄰域基團的平均法向量分布，且

協(xié)方差矩陣的三個特征值{l_0,i,l_1,i,l_2,i}的由大到小排列滿足下面條件：l_0,i≥l_1,i≥l_2,i，這些特征值的大小分布反映出點云p_i鄰域的幾何特征；

基于上述分析，一系列關(guān)于點云p_i的特征被計算出來，記為:其中{e_ix,e_iy,e_iz}為點p_i的法向量，{c_0,i,c_1,i,c_2,i}為點p_i的結(jié)構(gòu)張量特征，而{l_0,i,l_1,i,l_2,i}為點p_i的形狀特征向量，l_0,i,l_1,i,l_2,i分別表示協(xié)方差矩陣的三個特征值；

當特征值符合l_0,i≈l_1,i≈l_2,i時，基團點云呈現(xiàn)球形狀，對應(yīng)為果實；當特征值分布為l_0,i≥l_1,i≈l_2,i時，基團點云呈現(xiàn)線形狀，對應(yīng)為枝干；而當特征值分布為l_0,i≈l_1,i≥l_2,i時，基團點云呈現(xiàn)面狀，對應(yīng)為葉片；也就是說，根據(jù)獲得的點p_i的特征對樹木掃描的點云進行枝葉分離操作；分類得到葉子點云和枝干點云

基于枝葉分離后的枝干數(shù)據(jù)，按照樹木自然生長方向，以樹總高度的1/2區(qū)域作為主枝干數(shù)據(jù)，其余部分為分支干數(shù)據(jù)；

步驟C:樹冠中心定位，確定樹冠的中心點坐標；

步驟D:傾斜度分析，計算出則主枝干傾斜度α、主枝干與分支干之間的夾角β；

步驟E:基于meanshift和分水嶺算法進行株株分離，得到樹木總棵數(shù)，并計算得出樹高、胸徑、冠體積、冠幅；

其中，步驟C中樹冠中心定位方法如下：

以樹木根部往上取相對于整棵樹高度的1/20區(qū)域的點云數(shù)據(jù)(p₁,p₂...,p_h(1/20))為基點，擬合出h(1/20)條沿樹干方向的最佳擬合直線L(v_t(v_t,x,v_t,y,v_t,z),p_t(p_t,x,p_t,y,p_t,z))，其中v_t為擬合直線的方向向量，v_t,x,v_t,y,v_t,z表示v_t在X、Y、Z三個坐標方向上的方向值，p_t為點云(p₁,p₂...,p_h(1/20))中的一點，t＝1,2,3...,h(1/20),p_t,x,p_t,y,p_t,z表示p_t在X、Y、Z三個坐標方向上的坐標值，h(1/20)表示整棵樹高度最下部的1/20區(qū)域的所有點云數(shù)據(jù)的個數(shù)，即為最下部分枝干的數(shù)據(jù)；最佳擬合直線的方向向量滿足每株樹的樹干的所有點云數(shù)據(jù)到基于p_t點的擬合直線L的正交距離的平方和最小；根據(jù)

其中N表示整棵樹枝干的點云個數(shù)，令為整棵橡膠樹枝干部分中的任意一點；式(3)可以寫為：

其中：

w_i,x,w_i,y,w_i,z表示w_i在X、Y、Z三個坐標方向上的偏移值；

設(shè)矩陣B為樹木枝干點云的集合的協(xié)方差矩陣：

則α和β可以表示為：

l是3×3的單位矩陣；

式(4)則可以寫為：

其中M＝kl-B；

表達式是瑞利商，當v_t等于矩陣M的最小特征值對應(yīng)的特征向量時，其表達式的值達到最小值；令k為矩陣M的任意特征值，ξ為對應(yīng)的特征向量，則：

Mξ＝(kl-B)ξ＝klξ-Bξ＝kξ-λξ＝(k-λ)ξ (8)

由式(8)可知，矩陣B的特征值都與矩陣M的特征值相關(guān)聯(lián)，則當取到矩陣M的最小特征值對應(yīng)的特征向量時，即矩陣B取到最大特征值對應(yīng)的特征向量；因此，選擇矩陣B的最大特征值相對應(yīng)的特征向量(v_t,x,v_t,y,v_t,z)作為使點到直線正交距離和最小的擬合直線的方向向量v_t，則最佳擬合直線為：

對求解出的h(1/20)條直線求得平均值，得到平均直線作為每株樹最終最佳擬合的直線，其中，直線的方向向量為

直線點為

得到的平均直線L₁方程為：

其中，x,y,z表示該空間直線方程L₁的三個變量；

平均直線L₁在高度h_heig下的交點即為樹冠中心點，其中h_heig為主枝干高度。

2.如權(quán)利要求1所述的激光點云中林木參數(shù)評估方法，其特征是：步驟E中所述的基于meanshift和分水嶺算法進行株株分離的具體步驟：基于meanshift方法，根據(jù)消除地面高度不平后的點云數(shù)據(jù)，從根部開始，往上取樹總高度的1/7，將在這個閾值范圍內(nèi)的點云數(shù)據(jù)再次篩選，即在半徑r為0.35m的圓柱體內(nèi)的點云數(shù)據(jù)選取出來，并將這些點云數(shù)據(jù)投影至二維的灰度圖上，白點標記的就是每棵樹的位置信息；再結(jié)合meanshift算法，對該灰度圖進行處理，根據(jù)樹的位置信息對林木進行分類；分類好的結(jié)果采用分水嶺算法根據(jù)分類號進行分割，將點云數(shù)據(jù)分割為多個分水嶺區(qū)域，從而實現(xiàn)對單株樹的分離。