一种基于机器学习的激光雷达点云树干提取方法

本发明涉及一种树干精确快速提取方法，具体为一种基于机器学习的激光雷达点云树干提取方法。

背景技术：

树木主干作为树木养分吸收、传递的重要场所，具有强大的支撑力，是树木经济利用的主要部分。树干的精确提取是树高、树干材积精确计算的基础，对植被固碳量、生物量的估算具有重要意义。对树干的实时快速提取有利于及时评估树木出材量，可应用于家具制造、建筑材料的估算中。

传统树干资源主要采用人工实测的方法，这种方法需通过砍伐树木的方式得到树干部分，这对活立木造成一定的破坏性且破坏性不可逆，与此同时还存在工作量大、无法快速了解树干的基本情况等缺点。

近年来随着雷达技术的不断发展，激光雷达探测手段替代了传统人工采样的方法。激光雷达探测手段能快速获取树木详细结构信息，在植被可视化上具有巨大优势。激光雷达作为一种主动遥感工具，可快速采集高密度点云数据，稳定的采集平台确保了数据采集的精准性。通过选用合适的激光雷达扫描工具，能无损获取完整植被表面的详细覆盖信息，得到真实、详细的树木三维数据。目前，国内外学者常用地基激光雷达(terrestriallaserscanning，tls)、移动激光扫描(moblielaserscanning，mls)等工具来高效获取树木三维点云数据。

目前对于树木点云的处理上没有形成统一的方法，有学者选用深度学习的方法进行提取，这类方法通常需要较长的处理计算时间，前期还需要大量数据作为基础。还有学者选用聚类分类的手段，这类方法在树干上层的连续性较差，树干顶端的点云很难被提取。因此，如何利用点云数据快速、精确地提取树干点云是当前急需解决的技术难题。

技术实现要素：

本发明的目的在于提供一种基于机器学习的激光雷达点云树干提取方法，基于具有代表性的特征向量，在判别树干点云和非树干点云上能做有效区分，单木的标记训练适用于整个样地；运用机器学习方法对树木点云进行提取，支持向量机对小样本具有良好的分类性能，分类速度快，为主干点云的高效提取提供支持。

为达到上述目的，根据本发明的一个方面，本发明提供如下技术方案：

一种基于机器学习的激光雷达点云树干提取方法，包括以下步骤：

1)使用地基激光雷达采集样地内样木的点云数据；

2)对点云数据进行预处理，得到样地点云数据；

3)基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵；

4)选择样地内任意一棵样木，该样木涵盖的样地点云数据为训练样本，标记其主干点云和非主干点云；

5)基于训练样本和特征矩阵，通过机器学习的方式对整块样地的样地点云数据进行分类训练；

6)对样地内所有标记为主干点云数据进行欧氏距离分组判别，进一步提取主干点云，得到最终的主干点云数据。

本发明进一步设置为：所述步骤1)使用地基激光雷达采集样地内样木的点云数据，具体为，

在样地四角及中心位置设置站点，每个站点架设地基激光雷达设备，进行扫描，通过各站点云数据拼接得到样地内样木的点云数据，每个点具有三维空间坐标(x,y,z)。

本发明进一步设置为：所述步骤2)对点云数据进行预处理，得到样地点云数据，其中的预处理包括去噪、点云归一化、裁剪。

本发明进一步设置为：所述步骤3)基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵，其中特征参数包括平坦度、结构张量和法向量中的一个或多个，所述结构张量包括结构张量平面度、“特征熵”和线性特征中的一个或多个，所述法向量包括临近点特征向量和法向量的分布、球域点法向量中的一个或多个。

本发明进一步设置为：所述步骤3)基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵，具体为，

基于样地点云数据，通过knn算法寻找任意一点p0周围最邻近的n个点，这n个点和任意一点p0构成集合p＝{pi|pi＝(xi,yi,zi),i＝0,1,2,...,n}，构建集合p的协方差矩阵d，计算矩阵d的特征值λ1,λ2,λ3与特征向量e1,e2,e3，然后，将每个点pi的特征值λi进行归一化操作得到

其中，λ1＞λ2＞λ3；

计算特征参数，

平坦度flatness，

结构张量平面度k1，

“特征熵”k2，

线性特征k3，

临近点特征向量e1,e2,e3；

球域点法向量eq1,eq2,eq3，

以点pi为球心，n米(n∈r)为半径围成的球内所有点组成点集合，构建协方差矩阵并进行特征值分解获得；

点法向量的分布c1,c2,c3，

将临近点特征向量组成n×3的矩阵并构建协方差矩阵lp，进行特征值分解获得，

式中，ej表示第j个特征向量，

构建点pi的点云特征参数矩阵spi，

本发明进一步设置为：所述步骤4)选择样地内任意一棵样木，该样木涵盖的样地点云数据为训练样本，标记其主干点云和非主干点云，具体为，

手动裁剪样地内任意一棵样木pi的全部点云，将样木pi作为训练样本，并根据为主干点云和为非主干点云进行分类标记。

本发明进一步设置为：所述步骤5)基于训练样本和特征矩阵，通过机器学习的方式对整块样地的样地点云数据进行分类训练，具体为，

基于训练样本和特征矩阵spi对样地点云数据进行机器学习，采用支持向量机分类器训练样地点云数据，判断样地点云数据中的各点云是否为主干点云，并初步提取主干点云。

本发明进一步设置为：所述步骤6)对样地内所有标记为主干点云数据进行欧氏距离分组判别，进一步提取主干点云，得到最终的主干点云数据，具体为，

6-1)将初步提取到的主干点云进行分组，设定不同分组的点之间的最小欧氏距离为n米，n的取值应根据树干分支的大小进行调整，若任意点到某个分组中任意一点的距离小于n米，则该点会分配到组内,反之则划分至其他组内；

6-2)统计每个分组内点云数量，保留所有点云数量大于指定数值的组，形成最终的主干点云数据。

本发明进一步设置为：所述步骤6-2)中的指定数值为100。

与现有技术相比，本发明具有的有益之处是：基于多个具有代表性的特征向量，在判别树干点云和非树干点云上能做有效区分，单木的标记训练适用于整个样地；运用机器学习方法对树木点云进行提取，支持向量机对小样本具有良好的分类性能，分类速度快，为主干点云的高效提取提供支持。

附图说明

图1为本发明一种基于机器学习的激光雷达点云树干提取方法的流程图；

图2为任取样地内三棵样木，主干点云个数图，其中斜柱为手扣的主干点云、视为真实值，点柱为通过本方法提取的点云，包括了主干点云和少量分支点云，实心柱为点柱基础上去除了分支点云的主干点云；

图3为任取样地内三棵样木的原始点云和最终主干提取结果，(a)、(c)、(e)为三棵样木原始点云，(b)、(d)、(f)为最终主干提取结果，其中(a)、(b)为样木1，(c)、(d)为样木2，(e)、(f)为样木3。

具体实施方式

下面结合说明书附图，对本发明作进一步的说明。

本发明提供了一种基于机器学习的激光雷达点云树干提取方法，与现有技术相比，基于多个具有代表性的特征向量，在判别树干点云和非树干点云上能做有效区分，单木的标记训练适用于整个样地；运用机器学习方法对树木点云进行提取，支持向量机对小样本具有良好的分类性能，分类速度快，为主干点云的高效提取提供支持。

一种基于机器学习的激光雷达点云树干提取方法，包括以下步骤：

1)使用地基激光雷达采集样地内样木的点云数据，

具体为，在样地四角及中心位置设置站点，每个站点架设地基激光雷达设备，进行扫描，通过各站点云数据拼接得到样地内样木的点云数据，每个点具有三维空间坐标(x,y,z)。

2)对点云数据进行去噪、点云归一化、裁剪等预处理，得到样地点云数据。

3)基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵；

基于样地点云数据，通过knn算法寻找任意一点p0(x0,y0,z0)周围最邻近的n个点，这n个点和任意一点p0构成集合p＝{pi|pi＝(xi,yi,zi),i＝0,1,2,...,n}，构建集合p的协方差矩阵d，计算矩阵d的特征值λ1,λ2,λ3与特征向量e1,e2,e3，然后，将每个点pi的特征值λi进行归一化操作得到

其中，λ1＞λ2＞λ3；

计算特征参数，其中特征参数包括平坦度、结构张量和法向量中的一个或多个，所述结构张量包括结构张量平面度、“特征熵”和线性特征中的一个或多个，所述法向量包括临近点特征向量和法向量的分布、球域点法向量中的一个或多个，

平坦度flatness，

结构张量平面度k1，

“特征熵”k2，

线性特征k3，

临近点特征向量e1,e2,e3；

球域点法向量eq1,eq2,eq3，

以点pi为球心，n米(n∈r)为半径围成的球内所有点组成点集合，构建协方差矩阵并进行特征值分解获得；

点法向量的分布c1,c2,c3，

将临近点特征向量组成n×3的矩阵并构建协方差矩阵lp，进行特征值分解获得，

式中，ej表示第j个特征向量，

构建点pi的点云特征参数矩阵spi，

4)选择样地内任意一棵样木，该样木涵盖的样地点云数据为训练样本，标记其主干点云和非主干点云，具体为，手动裁剪样地内任意一棵样木的全部点云，将该样木作为训练样本，并根据是否为主干点云标记，主干点云标记为1，非主干点云标记为0。

5)基于训练样本和特征矩阵，通过机器学习的方式对整块样地的样地点云数据进行分类训练，具体为，基于训练样本和特征矩阵spi对样地点云数据进行机器学习，采用支持向量机分类器训练样地点云数据，判断样地点云数据中的各点云是否为主干点云，并初步提取主干点云。

6)对样地内所有标记为主干点云数据进行欧氏距离分组判别，进一步提取主干点云，得到最终的主干点云数据，具体为，

6-1)将初步提取到的主干点云进行分组，设定不同分组的点之间的最小欧氏距离为n米，n的取值应根据树干分支的大小进行调整，若任意点到某个分组中任意一点的距离小于n米，则该点会分配到组内,反之则划分至其他组内；

6-2)统计每个分组内点云数量，保留所有点云数量大于100的组，形成最终的主干点云数据。

采用本发明的一种基于机器学习的激光雷达点云树干提取方法，通过仿真实例来验证本发明的优化设计方法，流程如图1所示。

本实施例的样地位于江苏省东台市(32°33′～32°57′n，120°07′～120°53′e)黄海国家森林公园内。

选用rieglvz-400i地面三维激光扫描仪对20m×20m样方内的杨树人工林进行采集，激光发射频率设置为100khz，分别在四角及中心位置架设站点。对各站点的点云数据匹配对应的全景照片，并对点云进行rgb渲染，使点云着色。相邻站点间重叠的点云用于拼接，riscanpro64bitv2.6.1软件将根据算法内允许的误差范围进行数据自动拼接，对于站点距离间隔较远或重叠点云数量较少的情况，手动寻找参照物进行拼接。

实施时，n设置为7，n取0.1；统计每个分组内点云数量时，保留所有点云数量大于100的组。通过本发明随机抽取样地内三棵杨树点云，总点云量分别为样木1-137622、样木2-323873、样木3-197776，手动扣取的主干点云量分别,样木1-84704、样木2-189335、样木3-126242。对每个点计算特征参数，组成特征参数矩阵，通过机器学习的方式，最终提取的主干点云量为样木1-81495、样木2-178256、样木3-120220，提取结果如图2中实心柱所示，提取的完整率分别为96.21％、94.15％、95.23％，图3为所随机抽取三棵杨树样木的原始点云和最终主干提取结果，其中(a)、(c)、(e)为三棵样木原始点云，(b)、(d)、(f)为最终主干提取结果，其中(a)、(b)为样木1，(c)、(d)为样木2，(e)、(f)为样木3。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。