基于点云数据的三维树木重建方法技术

基于点云数据的三维树木重建方法，包括：构建树木种类库，包含每个树种的生长参数值和纹理图像；通过PointNet点云处理网络对树木点云数据进行分割和聚类，得到三维包络P

【技术实现步骤摘要】
基于点云数据的三维树木重建方法


[0001]本专利技术属于树木三维模型重建领域，尤其涉及了一种基于点云数据的三维树木重建方法。

技术介绍

[0002]树木作为生态系统中最为重要的组成部分之一，在城市绿化建设、森林资源管理和环境保护等领域都有着非常重要的作用。具体来说，可以通过对真实树木进行实地调查和测量，获取树木的生长规律、结构特征和形态信息，生成具有真实感和可视化效果的树木模型。因此，通过利用树木形状和结构的表征进行三维树木重建一直得到了广泛的关注与研究，众多学者对如基于点云数据的树木重建、基于图像的树木重建、基于草图的树木重建等树木重建技术展开了研究。
[0003]随着建模技术以及深度学习的发展，以及对于树木模型的真实度的需求，越来越多的深度学习技术用于辅助三维树木重建。一些学者提出基于多视图立体匹配和树木分割的树木重建方法，利用深度学习技术对树木的结构特征进行分析。部分学者提出基于激光雷达和图像数据的三维树木重建方法。然而，大部分树木重建技术选择在重建后的三维树木骨架上进行分支的迭代建模，而分支建模时的生长参数通常是固定的，这容易本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于点云数据的三维树木重建方法，包括如下步骤：(1)构建树木种类库，包含每个树种的生长参数值和纹理图像；(2)通过PointNet点云处理网络对树木点云数据进行分割和聚类，得到三维包络P
foliage
和完整且连续的骨架点P
branch
；(3)特征分类网络对不同维度特征进行融合与分类，据此从树木种类库中提取不同树木的生长参数和纹理图像；(4)根据三维包络P
foliage
、完整且连续的骨架点P
branch
、生长参数和纹理图像绘制三维模型，完成树木模型重建。2.如权利要求1所述的基于点云数据的三维树木重建方法，其特征在于：步骤(1)所述的树木种类库中的树木种类包括：Acacia金合欢树、Willow柳树、Apple苹果树、Maple枫树、Birch桦树、Oak橡树、Pine松树；生长参数包括：树干分叉次数、顶端优势值、顶端优势衰减值、生长单元基本长度、树叶生长位置因子、生长率。3.如权利要求1所述的基于点云数据的三维树木重建方法，其特征在于：步骤(2)具体包括：2.1树木点云分割；将树木点云数据输入PointNet点云处理网络进行点云分割，得到叶子点云和骨架点云，把叶子点云作为三维包络P
foliage
；PointNet是一种基于深度学习的点云处理网络，其核心思想是将点云中的每个点作为输入，并使用多层感知机对其进行处理以实现点云分类、分割和重建等任务；2.2骨架点云分割；对骨架点云使用最远点采样算法计算得到最远点集对骨架点云使用最远点采样算法计算得到最远点集N
′
为自定义聚类数量；然后获取最远点集P
′
中每个点的两个邻域中的三维点p；再通过PointNet点云处理网络从三维点p中提取局部上下文特征与每个点的特征与每个点的特征B为训练批次大小，N为骨架点数量，C为通道数；在经过骨架点云特征提取之后，将每个点的特征F4输入全连接神经网络，获取每个点属于树木分叉部分的概率然后对概率S进行归一化，根据归一化结果将骨架点云分割为分支点云和分叉点云；以上的归一化算法可以表示为：S
′
＝sigmoid(S)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中S
′
为归一化结果；2.3骨架点云聚类；将每个点的特征F4输入到全连接神经网络，得到初始聚类向量输入到全连接神经网络，得到初始聚类向量根据每个点的初始聚类向量V，将每个点与最远采样点集P
′
相匹配，得到局部精细集群对于局部精细集群C使用特征相似性算法计算，得到特征相似矩阵M'；以上的特征相似性算法可以表示为：
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
...

【专利技术属性】
技术研发人员：陈迪龙，董天阳，范菁，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：