基于机载LiDAR的点云树种分类方法及系统技术方案

本发明专利技术公开了基于机载LiDAR的点云树种分类方法及系统，方法包括：对待处理的原始点云进行地面滤波，得到目标区域的地面点；剔除地面点，得到非地面点云，对非地面点云进行高程归一化处理，得到林木点云；对林木点云进行分割，得到单木点云数据；基于单木点云数据，构建训练数据集和测试数据集；对单木点云数据进行切片，基于切片后的单木点云数据得到特征向量；构建分类神经网络，并采用训练数据集对分类神经网络进行训练，并基于训练好的分类神经网络对测试数据集进行树种分类，得到分类结果。可以从少量样本中挖掘深度特征差异，在抵抗种内样本特征噪声、增大种间样本特征方差等方面具有较高的优越性。方面具有较高的优越性。方面具有较高的优越性。

【技术实现步骤摘要】
基于机载LiDAR的点云树种分类方法及系统


[0001]本专利技术属于机载LiDAR点云分类
，具体涉及基于机载LiDAR的点云树种分类方法及系统。

技术介绍

[0002]森林资源作为地球一大重要自然资源，也是陆地上面积最大、生物量最多的生态系统，具有涵养水源、防风固沙、调节气候的重要作用。而树种的识别与分类对于统计林业资源、探索生态系统的多样性甚至研究生物的进化规律具有重要意义，因此对林区树木种类的精确识别与统计愈发重要。随着近年来数字信息科技的快速发展，基于遥感技术的数字化林业为森林资源可持续管理提供了极大便利。航空摄影作为一种非接触式遥感技术，能快速获取大范围内森林的水平结构。早期的树种识别工作，多由专家对航摄影像的目视判读结合实地人工清查完成，但高昂的时财成本使得其无法得到普遍的应用。而高光谱影像对很多在宽波段下获取的光学影像中无法探测到的物质都具有可探测性。在高分辨率高光谱影像中，不同波长区域下的辐射量可以很好地反映树群的生物特性和非生物特性。这项优势使得高光谱影像在划分森林类型、绘制林相图等方面的潜力得到充分地开发。但随着对实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机载LiDAR的点云树种分类方法，其特征在于，包括以下步骤：S1、对待处理的原始点云进行地面滤波，得到目标区域的地面点；剔除所述地面点，得到非地面点云，对所述非地面点云进行高程归一化处理，得到林木点云；S2、对所述林木点云进行分割，得到单木点云数据；基于所述单木点云数据，构建训练数据集和测试数据集；S3、对所述单木点云数据进行切片，基于切片后的所述单木点云数据得到特征向量；S4、构建分类神经网络，并采用所述训练数据集对所述分类神经网络进行训练，并基于训练好的所述分类神经网络对所述测试数据集进行树种分类，得到分类结果。2.根据权利要求1所述基于机载LiDAR的点云树种分类方法，其特征在于，所述S1得到目标区域的所述地面点的方法包括：对所述目标区域进行栅格化；选取每一栅格的最低点作为种子点，并基于所述种子点构建初始三角网；计算每个所述原始点云到所述初始三角网的顶点形成的夹角和距离；设定迭代角度阈值和迭代距离阈值，将满足所述迭代角度阈值和所述迭代距离阈值的所述夹角和所述距离的所述原始点云作为地面点，并更新三角网；重复操作，得到所述目标区域内的所有地面点。3.根据权利要求1所述基于机载LiDAR的点云树种分类方法，其特征在于，所述S3包括：将所述单木点云数据进行切片；对每一个点云构造球形邻域空间，并通过邻域点集构建协方差矩阵，得到特征值；并基于所述特征值计算局部服从点状、线状、球状结构的程度值、邻域点数和反射强度均值；基于所述局部服从点状、线状、球状结构的程度值，所述邻域点数和所述反射强度均值构建直方图特征描述子；基于所述直方图特征描述子得到所述特征向量。4.根据权利要求3所述基于机载LiDAR的点云树种分类方法，其特征在于，所述S4包括：构建所述分类神经网络；提取每个切片的平均反射强度和平均高度，构造强度序列和高度序列；将所述强度序列、所述高度序列和所述特征向量输入至所述分类神经网络中，得到分类结果。5.根据权利要求4所述基于机载LiDAR的点云树种分类方法，其特征在于，所述分类神经网络包括：序列加权模块、加权编码结构和深度前馈结构；所述序列加权模块包括：DFF、Softmax权重归一化函数和Concatenate特征聚合单元；所述加权编码结构包括：多头注意力模块、DFF以及LayerNorm层归一化单元；所述深度前馈结构包括：Linear线性全连接层，Mish激活函数以及BatchNorm批次归一化单元。6.基于机载LiDAR的点云树种分类系统，其特征在于，包括：滤波单元、分割单元...

【专利技术属性】
技术研发人员：王健，张振羽，赵游龙，王凯睿，李志远，齐智宇，王政辉，刘艺，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：