一种基于激光点云数据的真实阔叶树器官分类识别方法
【技术领域】
[0001] 本发明涉及一种基于激光点云数据的真实阔叶树器官分类识别方法，属于计算机 视觉理论研究在林木测量应用中的创新，从而实现阔叶树不同植物器官的精确识别。
【背景技术】
[0002]近年来地面激光扫描仪（TLS)广泛应用于复杂现场勘测和空间物体的测量，激光 扫描不会对被测物造成任何损伤，且能以点云的形式精确还原出目标体的三维数据。由于 三维激光扫描仪在计测学中具有无可比拟的优势，因此国外许多林业科研工作者就地面三 维激光扫描技术在林业中的应用进行了深入研究和探讨。
[0003]但仅仅依靠地面激光扫描仪获取林木生态参数还处研究阶段，这主要是因为树木 外形特征无规律且形态复杂，并且外界环境对TLS扫描过程中树木的状态产生着持续的影 响；激光扫描在采集数据时，外部环境如风吹抖动及遮挡的对测试对象的影响；树木生长 得状态以及形态及叶子的方位角度不固定性，如何从激光扫描得到的树木点云点云数据分 别具体器官是需要解决的难题；激光扫描获取的是离散的点云数据，而树叶是由三维曲面 构成，设计合理的点到面的拟合算法是需要解决的难题。因此，上述因素都是研究林学参 数自动获取的阻力，因此如何从离散的激光点云中自动获取精确林学指标是亟待解决的问 题。
[0004]林业树木的监测和精细识别一直是个难题。传统的测树工具中，借助机械原理如 轮齿或围尺、测高器等量测工具，量测读数记录的效率低，且获得的数据较为单一、精度较 差；运用光学的方法进行树木测量时，会受到遮挡和光照的影响，对影像的采集视角和摄像 机参数的精准度都有严格的要求；采用超声波传感器阵列测量林业作物时，虽可得到树木 冠层的三维点阵云图数据，但只能监测树木表层数据且无法得到树木内部结构信息；而相 对一些复杂林学参数，即使采用各种现有方法也无法获得精确值，对于大维数的点云数据 要分类出植物的不同器官，更是很难，如何找寻一个行之有效的策略去避免此类困难，并对 活立木各项林学指标进行分类是我们亟待解决的问题。
【发明内容】
[0005] 发明目的：为了克服现有技术中存在的不足，本发明提供一种基于激光点云数据 的真实阔叶树器官分类识别方法，通过挖掘数据量大、分布离散且单点信息量小的激光点 云数据中的结构信息（如邻域信息、流形结构等），根据结构信息分离出植物器官。
[0006]技术方案：为实现上述目的，本发明采用的技术方案为：
[0007]由于植物生理结构和点云拓扑来看数学模型难以准确刻画枝叶曲面，因而无法直 接嵌入点云数据的结构信息，本发明本发明针对散乱、无规律阔叶树PCD，设计了一组面向 非线性空间点云的特征的提取方法，结合了高维半监督分类思想，设计了面向阔叶树生理 器官有效的分类。一种基于激光点云数据的真实阔叶树器官分类识别方法，使用激光扫描 仪扫描单株树木，运用计算机理论提出了一组新颖的特征向量，该向量由非线性局部切平 面分布特征，空间离散点分布特征Fsalif；n(：y、局部离散点法向特征组成Fn_al，并提出新型 的改进LIBSVM，半监督分类识别方法，结合本发明中，新颖的树木点云特征向量及改进的监 督识别方法，实现阔叶树枝叶分离。
[0008] 该方法包括如下求取非线性局部切平面分布特征!\TS的步骤：
[0009] (1)使用激光扫描仪扫描活立木，获取活立木的原始三维点云数据记为F"lgin，扫 描数据中元素为离散点云，其中，第i个点云记为样本点Xi;
[0010] (2)记样本点戀|國I的直方形k邻域为Nk，Nk表示为 为距离样本点Xl最近的k个近邻样本点，所述k个近邻样本点在局部切空间 上的投影误差满足模型：
[0011] X; 0 = "S妗
[0012] 上式中，向量鈴策表示样本点Xi处切空间的原点；歹?正交矩阵__|||為:表示 样本点X1处切空间的一组正交基；纖表示冷 > 的非线性局部切平面坐标；戀 表示*|?和Xl之间的误差向量邏表示空间，m的上标表示空间靈的维度；
[0013] 最小化s厂二'即可计算出Cl、Qd_/}的值，如下式：
[0014]
[0015] 对〗中心化后做特征值分解得到：
[0016]
[0017] 其中：|g||||__||为正交矩阵，对角矩阵Ai的对角元素单调递减，样本 点X1的局部切空间的信息为：
[0018]
[0019] 其中，A为样本点Xl的邻域点在其切空间的投影坐标，國議i議|獲_戀變議_
[0020] (3)计算非线性局部切平面分布特征，具体包括在k邻域进行的如下步骤：
[0021] 首先，将样本点Xl在对应的正交基％上拉成一个6维行向量，将获得的6维行向 量记为局部切平面向量Qi;
[0022] 然后，计算非线性局部切平面向量qi在Nk中的协方差矩阵&TS:
[0023]
[0024] 其中为Nk内样本点Xl的所有邻近样本点的非线性局部切平面向量的均值，
味解Sws的特征值为I\TSl = [λWS1，λWS2，…，λWS6]，将DWSl与局部切平 面向量ql -起作为样本点X1的非线性局部切平面分布特征i\TS:
[0025] Flts = [qx,DLTSl]ο
[0026] 该方法还包括如下求取空间离散点分布特征Fsall_y的步骤：
[0027] (4)记样本点為奪,的球形r邻域为Nr，Nr表示为暴$||||琪中r 为以样本点Xi为中心的球形半径，为队内样本点Xl的第m个近邻样本点，队内样本点Xi的近邻样本点总个数为η,定义队的协方差矩阵Si为：
[0028]
[0029] 其中,一为在队内样本点Xl的所有近邻样本点的均值，5求解协方 差矩阵Si的特征值为[λ。，λρλ2]，且λ。彡λi彡λ2，使用一个三维向量印.v，表示 队内样本点的空间离散点分布特征：
[0030]
[0031] 其中，pointsness=λ2，表示点性质，curveness=λ。-λ丨，表示线性质， surfaceness=λ「λ2，表示面性质，将样本点Xi的空间离散点分布特征表示Fsalif；n(：y :
[0032] Fsaliency = [λ2，λ。-λρλ厂λ2]
[0033] 若λ。~λi~λ2，表不Nr内样本点空间离散分布；若λ。〇cλi~λ2，表不Nr内 样本点线状分布，判断样本点Xi位于枝上；若λ。~λi〇cλ2，表示队内样本点面状分布， 判断样本点X1位于叶上；其中~表示远大于。
[0034] 该方法还包括如下求取局部离散点法向特征Fn_al的步骤：
[0035] (5)对于判断位于枝和叶上的样本点Xl，在k邻域内按如下方法求取法向分布：
[0036] 设定样本点Xl的拟合平面为：
[0037] f(x,y,z) =ax+by+cz+d= 0
[0038] 其中，（x，y，z)为样本点Xl的三维坐标，a、b、c和d为平面系数，所述平面系数通 过如下方式确定：
[0039]
[0040]即|_戀講的最小特征值对应的特征向量即为平面系数的取值，据此计算样本点Xl 的单位法向量Vi为：
[0041
[0042] 构造法向的邻域协方差矩阵Sn_al :
[0043]
[0044] 其中，工为Nk内样本点Xl的领域法向均值，:____::::__求解协方差矩阵Sn_ai 的特征值为^normal i I- ^normal 1 ?^normal2 ?^normal3-l ? -^normal i与单位法向量Vl-起作为样本 点Xi的法向分布特征^normal ·
[0045]FnOTnal =[VpDncirnall]〇
[0046] 该方法还包括如下分类的步骤：
[0047] (6)将非线性局部切平面分布特征，空间离散点分布特征FsaliaK：y、局部离散点 法向特征组成Fn_al，原始数据F"lgin进行复合，形成多维融合特征Fall:
[0048]Fall = [Flts,Fsallency,Fnornal,ForiglJ
[0049] (7)基于监督分类的思想，使用改进的GEPSVM分类器对样