本发明属于森林生态学和激光扫描数据处理的交叉领域,尤其涉及林区无人机激光点云与地基激光点云的单木提取以及自动化配准方法及系统。
背景技术:
森林具有重要的生态和经济价值,森林资源状况及其消长变化,不仅影响地区乃至全球环境的变化,而且还影响社会经济的可持续发展。因此,快速、准确、高效地获取森林资源信息具有重要的意义。传统的森林资源调查依靠野外实地抽样调查,工作量大、效率低、耗时费力,无法满足大规模、多时相的观测要求。激光雷达技术的出现,为森林资源调查带来了新的机遇。该技术为森林资源调查提供了快速、高效的观测手段,在林业调查和研究中受到越来越多的重视。
地基激光雷达(terrestriallaserscanning,tls)是指应用于地面平台的激光雷达,可以获取详细的单木及样地水平的三维结构信息,通常用于单木和样地水平参数的获取,包括树的位置,胸径,树干,单木生物量和蓄积量等。但由于受扫描角以及树木遮挡等因素的影响,tls获取树冠上层的能力不足,不能获取完整的树冠结构,导致森林结构参数估计不准确,例如,地基激光雷达通常会低估树高。近年来,无人机(unmannedaerialvehicle,uav)激光雷达技术以其成本低、空间分辨率高、数据采集机动灵活等特点在林业调查中引起了广泛关注。以无人机为搭载平台的激光扫描技术,可以获取完整的树冠顶层三维结构信息。但由于受到树冠的遮挡,难以获取树冠下层的植被信息,导致难以进行与树干以及低矮层植被相关的研究,例如树干及胸径估计等。地基激光雷达和无人机激光雷达提供了互补的视角,两者的配准融合可以获取完整的森林三维结构信息,可以同时满足对树冠顶层以及低矮层植被的观测需求,为林业调查和管理提供有力的支撑。
目前,针对林区无人机激光点云(即uav点云)和地基激光点云(即tls点云)的自动化配准方法研究较少,配准精度较低。此外,与城市场景不同,林区点云中可用于配准的传统几何特征(点、线、面等特征)较少,这些都给林区无人机和地基点云的自动化配准带来了挑战。在林区环境中,通常利用单木位置作为配准基元来实现点云的配准。hauglin等(2014)提出了一种基于胸径和树高的归一化特征描述子对挪威东南部的针叶林的地基和机载点云(als)进行了配准。该方法在单木位置提取的基础上,利用单木之间的距离,以及胸径和树高的归一化特征进行相似性评价,从给定搜索范围的als中寻找到与之对应的tls。为了对胸径和树高这两种不同量纲的特征进行比较,分别计算两者的归一化特征,利用归一化特征以及单木之间的距离进行相似性度量。该方法的配准精度较低,对较高密度的机载点云(7.5点/m2),87%的数据的配准误差在1m以内。此外该方法需要人工调整不同的搜素范围以确保有效的配准。polewski等(2016)以树的位置作为配准的基元,计算每棵树与其它树之间的水平和垂直距离特征来进行相似性度量,将地面摄影测量点云和als点云中检测到的树的位置及它们之间的相似性关系映射到带权二分图中,通过寻找最佳匹配方法实现林区als和地面摄影测量点云的融合。该方法的水平配准精度为0.66m。paris等(2017)首先从als和tls生成栅格化的冠层高度模型(chm),利用两者chm的冠层水平结构的相似性,采用归一化互相关方法对两者的chm图像进行了配准,实验结果表明,两者配准后的chm图像的相关系数在0.53~0.73,融合als和tls后估计的树高和冠幅的均方根误差分别为0.39m和1.46m。但该方法只能获取平面转换参数,垂直方向的配准问题仍未解决。
综上所述,针对目前林区无人机点云和地基点云配准方法精度低,自动化程度不足,实用性差等问题,提出了一种基于特征三角形匹配的自动化配准方法,该方法简单易于实现,可以快速、有效地实现林区无人机激光点云和地基点云的自动化配准。
技术实现要素:
本发明针对现有技术的不足,提出一种林区无人机和地基点云的自动化配准技术方案。本发明解决的技术问题主要包括:①面向林区无人机激光点云和地基激光点云多源配准基元提取方法;②基于多组合特征的林区无人机激光点云和地基激光点云的自动化配准方法。解决了传统配准方法搜索空间大,效率低,配准精度不足等问题,实现了两种观测视角的数据互补,获取完整的森林三维结构信息,为林业调查和管理提供有力的支撑
本发明的技术方案提供一种林区无人机和地基点云的自动化配准方法,包括以下步骤:
步骤1,分别从tls点云和uav点云中提取树的位置关键点以及iss关键点,以单木位置关键点和iss关键点共同构成点集,作为配准基元;所述tls点云为地基激光点云,所述uav点云为林区无人机激光点云,所述iss为内部形态描述子;
步骤2,对从tls点云检测到的关键点构成的点集,穷举所有的特征点构成的特征三角形,并计算各个三角形的边长和角度;对从uav点云检测到的关键点构成的点集,穷举所有的特征点构成的特征三角形,并计算各个三角形的边长和角度;
步骤3,通过三角形的边长对三个顶点进行排序,去除不可靠三角形,剩下的三角形将用于后续的配准;
步骤4,根据边长的相似性以及快速点特征直方图特征描述子筛选出匹配的同名三角形,再进行几何一致性聚类,检验剔除错误的同名三角形,然后利用最优的聚类计算转换参数,得到旋转矩阵和平移向量,最后进行精准匹配,支持获取完整的森林三维结构信息。
而且,在步骤1中,从tls点云中提取树的位置关键点的实现方式如下,
针对地基点云,首先进行地面点和非地面点的分离,然后对非地面进行水平切片处理,对每一层切片的点云进行聚类,再对聚类的结果进行圆柱拟合,筛选出树干的点并投影到地面,圆柱中心在地面的投影代表树的位置,根据投影结果和地面高程确定一个三维点作为树的位置关键点。
而且,在步骤1中,从uav点云中提取树的位置关键点的实现方式如下,
对树冠点云进行单木分割,然后寻找单个树冠内的最高点,投影到地面作为树的位置;根据投影结果和地面高程确定一个三维点作为树的位置关键点。
而且,所述不可靠三角形包括等腰三角形、等边三角形、近似共线以及边长小于相应预设阈值的三角形。
而且,在步骤4中,利用icp算法进行精准匹配。
另一方面,本发明还提供一种林区无人机和地基点云的自动化配准系统,用于实现如上所述的一种林区无人机和地基点云的自动化配准方法。
而且,包括以下模块,
第一模块,用于分别从tls点云和uav点云中提取树的位置关键点以及iss关键点,以单木位置关键点和iss关键点共同构成点集,作为配准基元;所述tls点云为地基激光点云,所述uav点云为林区无人机激光点云,所述iss为内部形态描述子;
第二模块,用于对从tls点云检测到的关键点构成的点集,穷举所有的特征点构成的特征三角形,并计算各个三角形的边长和角度;对从uav点云检测到的关键点构成的点集,穷举所有的特征点构成的特征三角形,并计算各个三角形的边长和角度;
第三模块,用于通过三角形的边长对三个顶点进行排序,去除不可靠三角形,剩下的三角形将用于后续的配准;
第四模块,用于根据边长的相似性以及快速点特征直方图特征描述子筛选出匹配的同名三角形,再进行几何一致性聚类,检验剔除错误的同名三角形,然后利用最优的聚类计算转换参数,得到旋转矩阵和平移向量,最后进行精准匹配,支持获取完整的森林三维结构信息。
或者,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种林区无人机和地基点云的自动化配准方法。
或者,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种林区无人机和地基点云的自动化配准方法。
本发明发展了林区无人机和地基点云的自动化配准技术方案,克服了传统林区点云配准方法效率低,精度不足等问题,提高了林区无人机点云和地基点云的配准效率和自动化程度;本发明为获取完整的森林三维结构信息,为林业调查和管理提供了有力的技术支撑。
附图说明
图1是本发明实施例的一种林区无人机和地基点云的自动化配准方法的整体流程图。
图2是本发明实施例的三角形排序示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明主要基于计算几何、模式识别和图像处理的理论和技术,提出了一种林区无人机和地基点云的自动化配准方法。本发明分别从无人机和地基点云中提取树的位置以及iss关键点;同时将单木位置和iss点作为配准的基元,并通过构建特征三角形以及边长和快速点特征直方图特征描述子,几何一致性聚类等算法实现了林区无人机和地基点云的配准。本方法在单木位置特征点的基础上引入了几何特征点,即iss关键点,有效的缓解了由于无人机和地基点云中单木位置检测偏差带来的配准精度低等问题,提高了配准的有效性和鲁棒性。同时,通过边长和快速点特征直方图特征描述子相结合筛选出同名三角形,快速的缩小了搜索空间,克服了传统配准算法中由于搜索范围大导致的配准速度慢以及特征描述子单一造成的配准精度低等问题,实现了林区无人机点云和地基点云的快速有效配准,为林业调查和管理提供有力的支撑。
本发明实施例提供的一种林区无人机和地基点云的自动化配准方法能够用计算机软件技术实现流程,整体技术流程图参见图1,包括以下步骤:
步骤1,分别从tls点云和uav点云中提取树的位置以及iss关键点,以单木位置和内部形态描述子(iss)关键点作为配准基元。
进一步优选地,针对地基点云,利用圆柱拟合的方法进行树干检测,进行单木位置提取。对无人机点云,利用meanshift算法进行单木位置提取。在此基础上,分别从地基和无人机点云中提取iss关键点。同时将单木位置和iss关键点作为配准的基元。单木位置提取精度受到森林结构、地形环境等多种因素的影响,传统的配准方法仅利用单木位置导致配准精度低。融合单木位置和iss关键点,提高了配准方法的稳定性和鲁棒性。
实施例中,本发明配准方法以树的位置作为配准基元,首先分别从tls点云和uav点云中进行树的位置的提取。
针对地基点云,利用圆柱拟合的方法进行树干检测,圆柱中心在地面的投影即为树的位置地。首先进行地面点和非地面点的分离,然后对非地面进行水平切片处理,对每一层切片的点云进行聚类,再对聚类的结果进行圆柱拟合,筛选出树干的点并投影到地面得到树的位置。具体实施时,根据投影结果和地面高程可以确定一个三维点作为树的位置关键点。
对于无人机点云,提取树冠的顶点作为树的位置。首先,对树冠点云进行单木分割,然后寻找单个树冠内的最高点,投影到地面作为树的位置。本发明实施例优选基于meanshift聚类的单木树冠分割方法进行单木提取,并提取树的位置。具体实施时,根据投影结果和地面高程可以确定一个三维点作为树的位置关键点。
具体实施时,可以得到无人机和地基点云中树的位置的检测结果。提取所得树的位置可以视为一种关键点,在单木位置提取的基础上,本发明提出增加提取iss关键点。
提取iss关键点的优选实现方式为,对点云中每个点设定搜索半径并计算每个点的权值、协方差矩阵及其特征值。对特征值由大到小排序,设置阈值,点云中某点的特征值如果大于阈值则该点为关键点。
从地基点云检测到的树的位置关键点和iss关键点,共同构成点集,即可得到从地基点云检测到的关键点构成的点集。
从无人机点云检测到的树的位置关键点和iss关键点,共同构成点集,即可得到从无人机点云检测到的关键点构成的点集。
步骤2,对从地基点云检测到的关键点构成的点集,穷举所有的特征点构成的特征三角形,并计算各个三角形的边长和角度;对从无人机点云检测到的关键点构成的点集,穷举所有的特征点构成的特征三角形,并计算各个三角形的边长和角度。
实施例中,对检测到的树的位置构成的点集,穷举所有的三棵树的位置特征点构成的特征三角形。即ps和pt点集中分别有ns和nt个特征点,可以构成
步骤3,通过三角形的边长对三个顶点进行排序,去除等腰三角形、等边三角形、近似共线以及边长较短的三角形(之后统称为“不可靠三角形”),剩下的三角形将用于后续的配准。
在步骤2和3中,对检测到的树的位置构成的点集,穷举所有的三棵树的位置特征点构成的特征三角形,并去除顶点不易区分或导致转换参数估计不准确的不可靠三角形,对三角形的三个顶点进行排序,减小了搜索空间。该方法仅需要三角形的边长,与传统林区配准方法相比,不需要额外计算树高、胸径等特征来进行同名特征的搜索,同时也剔除了由于树高、胸径等特征的估计误差对配准结果带来的影响。
本发明实施例中,采用三角形的边长对三个顶点进行排序。对于三角形的顶点,每个顶点赋予对边的边长特征,并按照边长由小到大对三角形的三个顶点进行排序。如图2所示,假设源点云中的特征三角形△abc,三个顶点和边长分别为{(a,lbc);(b,lac);(c,lab)},其中lab,lbc,lac为三个边长,并且lac<lab<lbc。在按照三角形的边长从小到大排序后,△abc的三个顶点为{(b,lac);(c,lab);(a,lbc)}。类似的,对目标点云中的特征三角形△a’b’c’,三个顶点和边长分别为{(a',lb'c');(b',la'c');(c',la'b')},在按照三角形的边长排序后,△a’b’c’的三个顶点分别为{(b',la'c');(c',la'b');(a',lb'c')}。具体实施时,优选地,可以uav点云为源点云,tls点云为目的点云。
在对三角形的三个顶点进行排序后,去除等腰三角形、等边三角形、近似共线以及边长较短的三角形,剩下的三角形将用于后续的配准。
假设δabc={(b,lac);(c,lab);(a,lbc),lac<lab<lbc},满足下列条件的三角形才会被用于后续的配准:
∠a<θt(3)
lac≥lt(4)
其中,∠a表示三角形中最大的角,lac表示三角形中最短的边长。式(1)(2)中相应比例阈值rt是一个大于1的常数,筛选出两条边的边长之比大于rt的三角形,去除等腰三角形和等边三角形对应关系不确定的影响,本实施例中rt优选取值为1.05。式(3)中去除共线三角形的角度阈值θt优选为170°。由于三角形边长较短会导致转换参数估计不准确,本实施例优选采用边长阈值lt为1m去除边长较短的三角形。将去除不可靠三角形后的三角形集分别记为ts'和tt',其各自包括的三角形个数分别为nts'和ntt',则有
具体实施时,本领域技术人员可根据具体情况设置rt、θt和lt的取值。
步骤4,根据边长的相似性以及快速点特征直方图特征描述子筛选出匹配的同名三角形,再进行几何一致性聚类,检验剔除错误的同名三角形,然后利用最优的聚类计算转换参数,得到旋转矩阵和平移向量,最后利用icp算法进行精准匹配,支持获取完整的森林三维结构信息。
本步骤结合特征三角形的边长和快速点特征直方图特征描述子,筛选出同名三角形,并利用几何一致性聚类算法计算最佳的转换参数。通过融合特征三角形的边长以及快速点特征直方图特征描述子,克服了传统三角形配准算法中由于搜索范围大导致的配准速度慢,以及边长特征描述子单一造成的配准精度低等问题,并利用几何一致性聚类方法,提高了配准方法的稳定性和可信度。
为了建立两站之间的相对位置关系,至少需要找到3对同名点,即一对同名三角形。假设在去除不可靠三角形后,源点云中剩下nts'个三角形,即
为便于实施参考起见,介绍快速点特征直方图特征的提取方式如下:
第一步,对于每一个查询点,计算这个点和它的邻域点之间的一个元组。第一步结果称之为简化的点特征直方图spfh(simplepointfeaturehistograms);
第二步,重新确定每个点的k邻域,使用邻近的spfh值来计算的最终直方图。
为了建立源点云与目标点云之间的对应关系,对于源点云中的每一个三角形
i)
其中δl1,δl2,δl3分别表示
ii)最优匹配明显优于次优匹配,即:
其中,
具体实施时,本领域技术人员可根据具体情况设置ts的取值。
假设b={b1,b2…bnb}为筛选出来的同名三角形对,首先对同名三角形对进行几何一致性聚类,检验剔除错误的同名三角形,然后利用最优的聚类计算转换参数。对任意两个同名三角形对
其中,abs()表示取绝对值,
具体实施时,本领域技术人员可根据具体情况设置td的取值。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
在一些可能的实施例中,提供一种林区无人机和地基点云的自动化配准系统,包括以下模块,
第一模块,用于分别从tls点云和uav点云中提取树的位置关键点以及iss关键点,以单木位置关键点和iss关键点共同构成点集,作为配准基元;所述tls点云为地基激光点云,所述uav点云为林区无人机激光点云,所述iss为内部形态描述子;
第二模块,用于对从tls点云检测到的关键点构成的点集,穷举所有的特征点构成的特征三角形,并计算各个三角形的边长和角度;对从uav点云检测到的关键点构成的点集,穷举所有的特征点构成的特征三角形,并计算各个三角形的边长和角度;
第三模块,用于通过三角形的边长对三个顶点进行排序,去除不可靠三角形,剩下的三角形将用于后续的配准;
第四模块,用于根据边长的相似性以及快速点特征直方图特征描述子筛选出匹配的同名三角形,再进行几何一致性聚类,检验剔除错误的同名三角形,然后利用最优的聚类计算转换参数,得到旋转矩阵和平移向量,最后进行精准匹配,支持获取完整的森林三维结构信息。
在一些可能的实施例中,提供一种林区无人机和地基点云的自动化配准系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种林区无人机和地基点云的自动化配准方法。
在一些可能的实施例中,提供一种林区无人机和地基点云的自动化配准系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种林区无人机和地基点云的自动化配准方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。