一种基于形状分类与组合的室外点云场景中树木提取方法技术

本发明专利技术公开了一种基于形状分类与组合的室外点云场景中树木提取方法，利用最优特征集，使用分类算法来提高对室外场景分类的准确性，得到分类之后的数据，通过定位，过滤，匹配等步骤来完成室外场景点云数据中单棵树木提取问题，如果在数据中存在树冠重叠问题，再通过进一步优化处理，对最后的结果进行优化改善，完成单棵树木提取。本发明专利技术解决了室外点云场景中树冠重叠树木不可分问题。

A tree extraction method in outdoor point cloud scene based on shape classification and combination

【技术实现步骤摘要】
一种基于形状分类与组合的室外点云场景中树木提取方法
本专利技术属于计算机图形学和虚拟现实相结合的交叉学科
，具体涉及一种基于形状分类与组合的室外点云场景中树木提取方法。
技术介绍
随着虚拟现实、人工智能以及计算机视觉技术的发展，对各种三维室外场景的分析已经成为一个具有重要研究意义和应用价值的研究课题。3D采集技术的发展可为研究员提供精准的数据，例如：地面激光扫描仪(TerrestrialLaserScanners，TLS)和移动激光扫描仪(MobileLaserScanner，MLS)可以获得高密度、高精度城市场景点云数据。对城市场景数据的分析已成为计算机图形学，计算机视觉和摄影测量领域的主要研究内容。大多数研究工作集中在对点云场景数据中特定对象(建筑物，道路，汽车，或者树木的标记和提取。树木作为城市场景中的重要元素之一，近年来提取单棵树木并获取树木的属性(例如树高，树干直径，树冠直径)已被广泛应用于城市规划建设，3D树木建模和城市树木检测等领域。对于城市而言，树木是城市生态系统和景观的重要组成部分，对城市中街道树的分析在提高环境质量，保持城市景观美感和为居民提供社会服务方面发挥着重要作用。如何自动有效的提取树木信息对于绿色城市管理以及智慧化城市的建设有着重要的意义。然而由于树叶密集性，树木种类多样性以及由于遮挡带来的数据缺失性，都毫无疑问增加了从城市场景中提取树木元素的难度，因此，针对城市场景中树木的提取与分割研究，仍然是非常富有挑战性。目前树木提取方法主要包括以下几种：(一)基于机器学习的树木提取方法基于机器学习的单棵树木提取方法是通过机器学习中经典的分类算法或者聚类算法来处理室外点云场景数据。分类算法旨在将室外点云场景数据进行分类分割，提取分类结果中的目标物，达到缩小提取范围的效果。聚类算法旨在将场景中相似特征的点云数据聚类到一起，从而可以将室外点云场景数据中的树木进行单棵提取。基于机器学习的单棵树木提取方法能够很好地从室外点云场景中提取出单棵树木。但是存在一些问题，比如：使用的分类方法比较简单，存在分类结果中出现比较多的非目标点；如果聚类方法比较简单，在聚类的过程中出现过聚类或者聚类不足等问题。(二)基于区域增长的树木提取方法基于区域增长的方法被广泛应用于场景分割，包括建筑物分割，树木分割，车辆分割等。它主要是对点云数据中特征比较相似的点通过一种区域生长的方式来对数据进行聚类。主要分为两种：一种是自上而下的区域增长方式，另一种是自下而上的区域增长方式。该方法一般会先选取种子点，根据计算种子点与其邻域点的特征向量，曲率等特征，将特征比较相似所对应的点进行合并，以此类推，直到没有可以合并的点云数据为止，这些特征相似的数据点通过这样的方式被聚类到一起形成一个簇，然后再重新在剩余的点云数据中选取种子点，进行区域增长，直到所有的点云数据都通过区域增长的方式被分类到某一个簇中，结果整体循环。基于区域增长的单棵树木提取方法能够很好地将特征相似的点云数据聚类到一起形成一棵棵树，但是此方法在必须要选择种子点，另外光滑边界难以区分，准则函数不太好确定，受阈值影响太大，特别是室外点云场景，点云数据量大，场景比较复杂，故使用这种方法存在缺陷。(三)基于体素化的单棵树木提取方法基于体素的单棵树木提取方法，旨在通过对室外场景点云数据进行体素化之后，可以根据体素化之后每个点云数据的颜色、强度、以及数据的空间等对场景进行分割。使用体素化的时候虽然实验结果还是不错，但是存在如果室外点云场景中的树木与点云场景中的其他物体太靠近时，实验结果就不能将它们分离开来，从而在最终的实验结果中存在非目标物的点云数据。(四)基于模型拟合的树木提取方法基于模型拟合的方法旨在提取具有特定形状的对象，包括平面，圆柱体和球体。对特定形状的对象数据中属于目标物的数据进行保留，再通过合并呈现出一棵完整的树。基于模型拟合的方法可以在某些特定的情况下提取单棵树，但是在复杂几何形状中表现出比较差的性能，尤其是室外点云场景数据，存在数据庞大，场景复杂等情况，导致实验结果不是很理想。
技术实现思路
本专利技术的目的是提供一种基于形状分类与组合的室外点云场景中树木提取方法，解决了在提取室外场景点云数据中树冠重叠，导致无法提取单棵树木问题。本专利技术所采用的技术方案是，一种基于形状分类与组合的室外点云场景中树木提取方法，具体包括以下步骤：步骤1)基于室外场景点云数据的特征，得到室外场景的最优特征集；步骤2)根据最优特征集对室外场景点云数据进行分类，分类具体包括线状点、平面点、圆柱点和散射点；步骤3)由于树木的树干和树冠对应的室外场景点云数据为圆柱点和散射点，因此提取分类后的圆柱点和散射点，通过对圆柱点和散射点定位、过滤、匹配、优化，来完成室外场景点云数据中单棵树木提取。本专利技术的特点还在于，步骤1)具体按照以下步骤实施：步骤1.1)手动在室外场景点云数据中选取线状数据点、平面数据点、圆柱数据点和散射数据点共四部分数据点，该四部分数据点依次记为T1、T2、T3和T4，求出所选每部分数据点中各数据点的所有特征信息值，所有特征信息包括维度特征、法向量、主方向、特征值、特征值之和、特征熵、全方差、点的异向性、点局部表面变化、局部点密度、点的高度；步骤1.2)求出T1中各特征信息值的平均值，并由大到小排列，选取排列后前三位特征信息值的平均值所对应的特征信息，前三位的特征信息值的平均值所对应的特征信息分别为V1(T1)、V2(T1)、V3(T1)，T2、T3和T4同理得到V1(T2)、V2(T2)、V3(T2)、V1(T3)、V2(T3)、V3(T3)、V1(T4)、V2(T4)、V3(T4)；步骤1.3)若T1、T2、T3和T4所选取的特征信息均不相同，则将T1、T2、T3和T4所选取的特征信息组成集合，得到最优特征集；若T1、T2、T3和T4所选取的特征信息存在相同的特征信息，则删除相同的特征信息，选取相同特征信息所对应部分排列后第四位特征信息值的平均值所对应的特征信息，判断T1、T2、T3和T4重新选取的特征信息是否有相同的特征信息，按照该方式以此类推，若每次T1、T2、T3和T4重选取的特征信息均存在相同的特征信息，则将T1、T2、T3和T4中保留的特征信息组成集合，得到最优特征集，若T1、T2、T3和T4重新选取的特征信息不存在相同的特征信息，则将T1、T2、T3和T4重新选取的特征信息组成集合，得到最优特征集。步骤1.1)中求出数据点所有特征信息值具体按照以下步骤实施：步骤1.1.1)假设室外场景点云数据P＝{p0,p1,p2,…,pi,…,pn}，i和n均为自然数，数据点pi为T1、T2、T3、T4任一部分中的数据点，数据点pi的k个相邻点及其空间坐标为qj(xj,yj,zj)，j＝1,2,…,k，k≠0，则点pi的协方差矩阵如下：式(1)中，是k个pi相邻点的中心，且W为半正定对称矩阵，其特征值均为非负值，且不同特征值对应的特征向量是正交的，构成所在空间的一组单位正交基，且式(3)中，W的特征值大小关系为λ1≥λ2≥λ3≥0；步骤1.1.2)令pi的邻域ki由小到大为kmin到kmax，并且使ki的增量为Δk，通过下式(4)计算香农熵函数值以确定每个点的最佳邻域本文档来自技高网...

【技术保护点】
1.一种基于形状分类与组合的室外点云场景中树木提取方法，其特征在于，具体包括以下步骤：步骤1)基于室外场景点云数据的特征，得到室外场景的最优特征集；步骤2)根据最优特征集对室外场景点云数据进行分类，分类具体包括线状点、平面点、圆柱点和散射点；步骤3)由于树木的树干和树冠对应的室外场景点云数据为圆柱点和散射点，因此提取分类后的圆柱点和散射点，通过对圆柱点和散射点定位、过滤、匹配、优化，来完成室外场景点云数据中单棵树木提取。

【技术特征摘要】
1.一种基于形状分类与组合的室外点云场景中树木提取方法，其特征在于，具体包括以下步骤：步骤1)基于室外场景点云数据的特征，得到室外场景的最优特征集；步骤2)根据最优特征集对室外场景点云数据进行分类，分类具体包括线状点、平面点、圆柱点和散射点；步骤3)由于树木的树干和树冠对应的室外场景点云数据为圆柱点和散射点，因此提取分类后的圆柱点和散射点，通过对圆柱点和散射点定位、过滤、匹配、优化，来完成室外场景点云数据中单棵树木提取。2.根据权利要求1所述的一种基于形状分类与组合的室外点云场景中树木提取方法，其特征在于，所述步骤1)具体按照以下步骤实施：步骤1.1)手动在室外场景点云数据中选取线状数据点、平面数据点、圆柱数据点和散射数据点共四部分数据点，该四部分数据点依次记为T1、T2、T3和T4，求出所选每部分数据点中各数据点的所有特征信息值，所述所有特征信息包括维度特征、法向量、主方向、特征值、特征值之和、特征熵、全方差、点的异向性、点局部表面变化、局部点密度、点的高度；步骤1.2)求出T1中各特征信息值的平均值，并由大到小排列，选取排列后前三位特征信息值的平均值所对应的特征信息，前三位的特征信息值的平均值所对应的特征信息分别为V1(T1)、V2(T1)、V3(T1)，T2、T3和T4同理得到V1(T2)、V2(T2)、V3(T2)、V1(T3)、V2(T3)、V3(T3)、V1(T4)、V2(T4)、V3(T4)；步骤1.3)若T1、T2、T3和T4所选取的特征信息均不相同，则将T1、T2、T3和T4所选取的特征信息组成集合，得到最优特征集；若T1、T2、T3和T4所选取的特征信息存在相同的特征信息，则删除相同的特征信息，选取相同特征信息所对应部分排列后第四位特征信息值的平均值所对应的特征信息，判断T1、T2、T3和T4重新选取的特征信息是否有相同的特征信息，按照该方式以此类推，若每次T1、T2、T3和T4重选取的特征信息均存在相同的特征信息，则将T1、T2、T3和T4中保留的特征信息组成集合，得到最优特征集，若T1、T2、T3和T4重新选取的特征信息不存在相同的特征信息，则将T1、T2、T3和T4重新选取的特征信息组成集合，得到最优特征集。3.根据权利要求2所述的一种基于形状分类与组合的室外点云场景中树木提取方法，其特征在于，所述步骤1.1)中求出数据点所有特征信息值具体按照以下步骤实施：步骤1.1.1)假设室外场景点云数据P＝{p0,p1,p2,…,pi,…,pn}，i和n均为自然数，数据点pi为T1、T2、T3、T4任一部分中的数据点，数据点pi的k个相邻点及其空间坐标为qj(xj,yj,zj)，j＝1,2,…,k，k≠0，则点pi的协方差矩阵如下：式(1)中，是k个pi相邻点的中心，且W为半正定对称矩阵，其特征值均为非负值，且不同特征值对应的特征向量是正交的，构成所在空间的一组单位正交基，且式(3)中，W的特征值大小关系为λ1≥λ2≥λ3≥0；步骤1.1.2)令pi的邻域ki由小到大为kmin到kmax，并且使ki的增量为Δk，通过下式(4)计算香农熵函数值以确定每个点的最佳邻域值，求出每个邻域ki对应的香农熵函数值，从这些香农熵函数值中选取最小值，这个最小值所对应的邻域ki即为pi的最佳邻域值；Entropy＝-pro1Dln(pro1D)-pro2Dln(pro2D)-pro3Dln(pro3D)(4)式(4)中，Entropy表示香农熵函数，pro1D表示线状数据点，pro2D表示平面数据点，pro3D表示柱状数据点或散乱数据点；比较每个邻域ki相应的香熵值，选择具有最小香熵值的邻域作为最佳邻域ki'，则令ki'＝ki+Δk，通过主成分分析算法计算pi的协方差矩阵W的特征向量e1、e2、e3和特征值λ1、λ3、λ3，；步骤1.1.3)根据特征值可以计算数据点pi的全方差、异向性、特征熵、特征值之和、局部表面变化、高度特征以及局部表面密度，数据点pi的法向量可以由λ3对应的特征向量确定，主方向可以由λ1对应的特征向量确定，即得到数据点所有特征信息值。4.根据权利要求3所述的一种基于形状分类与组合的室外点云场景中树木提取方法，其特征在于，所述式(4)中，式(5)中，1D表示维度特征为线性，2D表示维度特征为平面，3D表示维度特征为散射状，δ1、δ2、δ3表示三个正交方向的拟合残差，令当δ1分别远大于δ2、δ3时，该点为线状点，表示该拟合区域仅在一个方向上存在较大的拟合残差，同理δ1、δ2均远大于δ3时，该点为面状点，此时λ3对应特征向量即为该点法向量，当δ1≈δ2≈δ3时，该点为散乱点或柱状点。5.根据权利要求...

【专利技术属性】
技术研发人员：宁小娟，田戈，王映辉，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西,61