[發明專利]基于點云數據的三維樹木重建方法

在審

• 申請號: 202310431727.4
• 申請日: 2023-04-19
• 公開（公告）號: CN116630533A
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 陳迪龍;董天陽;范菁
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06V10/764;G06V10/80;G06V10/54;G06V10/26;G06V10/82;G06N3/048;G06N3/08
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 舒良

1.基于點云數據的三維樹木重建方法，包括如下步驟：

(1)構建樹木種類庫，包含每個樹種的生長參數值和紋理圖像；

(2)通過PointNet點云處理網絡對樹木點云數據進行分割和聚類，得到三維包絡P_foliage和完整且連續的骨架點P_branch；

(3)特征分類網絡對不同維度特征進行融合與分類，據此從樹木種類庫中提取不同樹木的生長參數和紋理圖像；

(4)根據三維包絡P_foliage、完整且連續的骨架點P_branch、生長參數和紋理圖像繪制三維模型，完成樹木模型重建。

2.如權利要求1所述的基于點云數據的三維樹木重建方法，其特征在于：步驟(1)所述的樹木種類庫中的樹木種類包括：Acacia金合歡樹、Willow柳樹、Apple蘋果樹、Maple楓樹、Birch樺樹、Oak橡樹、Pine松樹；

生長參數包括：樹干分叉次數、頂端優勢值、頂端優勢衰減值、生長單元基本長度、樹葉生長位置因子、生長率。

3.如權利要求1所述的基于點云數據的三維樹木重建方法，其特征在于：步驟(2)具體包括：

2.1樹木點云分割；

將樹木點云數據輸入PointNet點云處理網絡進行點云分割，得到葉子點云和骨架點云，把葉子點云作為三維包絡P_foliage；PointNet是一種基于深度學習的點云處理網絡，其核心思想是將點云中的每個點作為輸入，并使用多層感知機對其進行處理以實現點云分類、分割和重建等任務；

2.2骨架點云分割；

對骨架點云使用最遠點采樣算法計算得到最遠點集N′為自定義聚類數量；然后獲取最遠點集P′中每個點的兩個鄰域中的三維點p；再通過PointNet點云處理網絡從三維點p中提取局部上下文特征與每個點的特征B為訓練批次大小，N為骨架點數量，C為通道數；

在經過骨架點云特征提取之后，將每個點的特征F₄輸入全連接神經網絡，獲取每個點屬于樹木分叉部分的概率然后對概率S進行歸一化，根據歸一化結果將骨架點云分割為分支點云和分叉點云；

以上的歸一化算法可以表示為：

S′＝sigmoid(S)????????????????????(1)

其中S′為歸一化結果；

2.3骨架點云聚類；

將每個點的特征F₄輸入到全連接神經網絡，得到初始聚類向量根據每個點的初始聚類向量V，將每個點與最遠采樣點集P′相匹配，得到局部精細集群對于局部精細集群C使用特征相似性算法計算，得到特征相似矩陣M'；以上的特征相似性算法可以表示為：

Sim(C_i,C_j)＝D_p(C_i,C_j)+α·D_f(C_i,C_j)?????????????(2)

D_p(C_i,C_j)＝sqrt[(x_i-x_j)²+(y_i-y_j)²+(z_i-z_j)²]??(4)

其中α為標量權重，自主設置為-10，(x_i,y_i,z_i)，(x_j,y_j,z_j)分別代表聚類C_i，C_j的聚類中心點坐標；

最后，將特征相似矩陣M'中相似值大于閾值的集群合并，得到閉合聚類X為閉合聚類數量；對于最遠點集P′中的每一個點S_p，提取閉合聚類C′中與之相匹配的聚類，分別得到聚類的點集S_p'；將點集S_p'投影到S_p點所在骨架方向d_p的線上，得到完整且連續的骨架點P_branch。