论文部分内容阅读
城市场景复杂、景观树木种类多样、园林空间分布多样,如何准确且高效地提取城市树木并获取树高与胸径等信息,对城市园林资源调查和碳汇交易管理等应用具有重要的意义。目前的激光雷达技术可以快速获取大规模城区的高分辨率三维点云数据,采用机器学习的算法可以智能地提取树木的可量测三维信息。本文针对从三维激光雷达点云数据检测树木并估计树木胸径的算法展开研究,主要包括(1)大场景激光雷达点云数据中树木点云的检测与分割,和(2)单棵树干的提取与胸径估计。(1)基于三维点云的树冠检测以及树木分割。针对城市场景复杂、由激光雷达采集的点云数据量庞大等问题,提出了一种采用点云局部分布特征进行树冠检测的方法。首先,通过卷积网络学习中间回波点云的局部分布特征,用于有树木的点云场景的树冠检测,并获取树冠邻域。第二,对获取到的树冠邻域,其中包括建筑物、树木底下的汽车等等其他物体,提出并构建了语义分割神经网络,对树冠邻域点云进行细分割,分类为树木、灌木以及其他物体。最后在Semantic 3D数据集的Reduced-8测试集上验证这一方案,树木点云的分割结果IoU达到了86.40%。此外,还在Paris-Lille-3D数据集上测试了语义分割网络,平均IoU为80.33%,高于其他网络的结果。(2)提出了一种基于体素生长和PoinNet的点云单棵树干提取方法和一种基于圆拟合的树木胸径估计方法。在由Riegl VZ-1000激光雷达扫描仪获取的树木点云数据上,对上述这两种方法进行了比较,验证了基于PointNet方法的优越性。针对提取结果,对单棵树干进行点云切片截取,投影到与树干的垂直平面并对投影点去噪,利用圆拟合方法估计单棵树杆胸径,获得均方根误差(RMSE)为1.78 cm的较好结果。