[發(fā)明專利]一種基于能量函數(shù)的室外點(diǎn)云場景中樹木提取方法

在審

• 申請?zhí)枺?/td>: 202010680646.4
• 申請日: 2020-07-15
• 公開（公告）號: CN111986223A
• 公開（公告）日: 2020-11-24
• 發(fā)明（設(shè)計(jì)）人: 寧小娟;侯媛媛;田戈;王映輝;金海燕
• 申請（專利權(quán)）人: 西安理工大學(xué)
• 主分類號: G06T7/187
• 分類號: G06T7/187;G06K9/62;G06T7/00;G06T5/00
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 羅笛

本發(fā)明公開的一種基于能量函數(shù)的室外點(diǎn)云場景中樹木提取方法，選取LiDAR點(diǎn)云數(shù)據(jù)并剔除其中的平面點(diǎn)，得到候選樹木點(diǎn)；利用歐幾里得聚類算法進(jìn)行聚類處理，將所有聚類得到的簇保存在簇集C中；進(jìn)行相似性矩陣計(jì)算，隨后計(jì)算簇集C的能量函數(shù)，根據(jù)能量函數(shù)對簇集C中的簇進(jìn)行合并；針對合并之后的簇集，對其進(jìn)行篩選優(yōu)化，提取結(jié)束。本發(fā)明一種基于能量函數(shù)的室外點(diǎn)云場景中樹木提取方法，通過有效地進(jìn)行簇的合并，解決聚類不足的問題；將聚類完成之后不足成為一棵樹的簇當(dāng)做噪聲點(diǎn)剔除，完成了非樹物體的去除，提高了單棵樹木提取的準(zhǔn)確性，計(jì)算過程快，有很好的實(shí)用價(jià)值。

技術(shù)領(lǐng)域

本發(fā)明屬于人工智能計(jì)算方法技術(shù)領(lǐng)域，具體涉及一種基于能量函數(shù)的室外點(diǎn)云場景中樹木提取方法。

背景技術(shù)

隨著虛擬現(xiàn)實(shí)、人工智能以及計(jì)算機(jī)視覺技術(shù)的發(fā)展，對各種三維室外場景的分析已經(jīng)成為一個(gè)具有重要研究意義和應(yīng)用價(jià)值的研究課題。而樹木作為城市場景中的重要元素之一，已被廣泛應(yīng)用于城市規(guī)劃建設(shè)、3D樹木建模和城市樹木檢測等領(lǐng)域。近年來，研究人員已經(jīng)提出了許多不同的方法從LiDAR數(shù)據(jù)中提取樹木，主要就是一個(gè)分割和分類的過程，絕大部分算法都基于這種思想實(shí)現(xiàn)。目前，基于分割和分類的樹木提取方法主要分為六大類：

(1)基于區(qū)域增長的樹木提取：包括分割建筑結(jié)構(gòu)和單棵樹木。該方法提取的單棵樹精度高，在相對簡單的室外環(huán)境下表現(xiàn)出良好的性能。基于區(qū)域的方法分為兩類：種子區(qū)域(或自下而上)方法和非種子區(qū)域(或自上而下)方法。基于種子的區(qū)域分割通過選擇多個(gè)種子點(diǎn)來開始做分割，從這些種子點(diǎn)為起始點(diǎn)，通過添加種子鄰域點(diǎn)的方式逐漸形成點(diǎn)云區(qū)域。這種方法處理時(shí)間長，且容易受噪聲點(diǎn)的影響。后續(xù)提出了將坡度、法向量、曲率等特征作為生長準(zhǔn)則來檢測點(diǎn)云的新的改進(jìn)方法，這類方法提高了分割的魯棒性，對離群點(diǎn)和噪聲點(diǎn)不敏感，但是如果初始種子點(diǎn)以及生長規(guī)則選取不當(dāng)，也會(huì)導(dǎo)致過分割或欠分割等問題的出現(xiàn)。而非種子區(qū)域方法是一種基于自上而下的方法，首先把所有點(diǎn)歸于同一個(gè)區(qū)域，然后對區(qū)域內(nèi)的點(diǎn)進(jìn)行細(xì)化處理，逐步分割成小的區(qū)域，直至劃分完成，非種子區(qū)域方法的分割結(jié)果取決于細(xì)分的位置和方式，由于需要大量的先驗(yàn)知識(shí)比如對象模型，區(qū)域數(shù)量等，使得這一方法的使用也受到了很大的限制。

(2)基于屬性特征的樹木提取：該方法基于點(diǎn)云數(shù)據(jù)的屬性進(jìn)行分割，具有很好的魯棒性。首先計(jì)算點(diǎn)云數(shù)據(jù)的屬性，包括紋理特征，法向量，顏色信息等，然后對這些特征進(jìn)行聚類，最終將不同特征的點(diǎn)云分割出來。這一方法依賴于點(diǎn)之間鄰域的定義和點(diǎn)云數(shù)據(jù)的點(diǎn)密度，所以隨著點(diǎn)云數(shù)據(jù)密度的增大，存在時(shí)間復(fù)雜度高、處理效率低的缺點(diǎn)，所以此類方法不適用于點(diǎn)云數(shù)據(jù)規(guī)模較大的處理。

(3)基于圖優(yōu)化的樹木提取：基于圖優(yōu)化的方法是將點(diǎn)云數(shù)據(jù)當(dāng)作頂點(diǎn)，利用點(diǎn)的空間鄰域關(guān)系構(gòu)造邊，利用鄰域點(diǎn)的相似性對連接邊進(jìn)行加權(quán)，構(gòu)造成圖，利用圖割方法實(shí)現(xiàn)點(diǎn)云的分割。眾所周知的圖優(yōu)化方法是基于圖的分割算法(FH算法)，該方法簡單且高效，用于在圖中查找最小生成樹。基于圖優(yōu)化的方法通常采用全局優(yōu)化的策略求解，能夠獲得全局的優(yōu)化結(jié)果，并且不受場景復(fù)雜程度和數(shù)學(xué)模型的影響。但是由于構(gòu)造圖的過程比較復(fù)雜，當(dāng)點(diǎn)云數(shù)據(jù)規(guī)模較大時(shí)，優(yōu)化處理通常無法實(shí)時(shí)運(yùn)行。

(4)基于模型擬合的樹木提取：主要用于提取具有特定形狀的物體，包括平面，圓柱體和球體，需要檢測點(diǎn)云對模型參數(shù)的擬合程度，對特定形狀的對象數(shù)據(jù)中屬于目標(biāo)物的數(shù)據(jù)進(jìn)行保留，再通過合并呈現(xiàn)出一棵完整的樹。當(dāng)使用基于模型擬合的方法時(shí)，每個(gè)提取的樹簇都需要一個(gè)細(xì)化過程。這種方法具有純粹的數(shù)學(xué)原理，快速且強(qiáng)大。其局限性在于對噪聲敏感，所以在數(shù)據(jù)龐大、場景復(fù)雜的情況下，實(shí)驗(yàn)結(jié)果不是很理想。

(5)基于聚類的樹木提取：將簇看成是數(shù)據(jù)空間中被低密度區(qū)域分割開的高密度區(qū)域。指導(dǎo)思想是：只要一個(gè)區(qū)域中的點(diǎn)的密度大過某個(gè)閥值，就把它加到與之相近的聚類中去。該方法被廣泛應(yīng)用于從MLS數(shù)據(jù)中提取個(gè)體樹，可以快速、成功地分離單棵樹，但往往會(huì)存在聚類不足或過聚類的問題，導(dǎo)致樹木提取不夠完整。