分类器对样本点Xl进行分类，区分 出属于同一条枝上的样本点和属于同一片叶上的样本点。下面结合实验数据，对本案的发 明效果给出说明。
[0106] 表1为仅使用原始数据FOTlgin进行分类，使用不同分类器的对两种植物的识别率。
[0107] 表1 :使用FOTlgin进行分类
[0108]
[0109] 表2为仅使用非线性局部切平面分布特征!\TS进行分类，使用不同分类器针对不 同植物的识别率比对。
[0110] 表2 :使用Fws进行分类
[0111]
[0112] 表3为仅使用局部离散点法向特征Fn_al进行分类，使用不同分类器的针对不同 植物的识别率比对。
[0113] 表3:仅用Fn_al进行分类
[0114]
[0116] 表4为仅使用空间离散点分布特征Fsall_y进行分类，使用不同分类器针对不同植 物的识别率比对。
[0117] 表4:仅使用 Fsal iency进行分类
[0118]
[0119] 表5为采用本发明方法综合使用非线性局部切平面分布特征Fws、空间离散点分 布特征Fsalif；n(：y、局部离散点法向特征Fn_al与原始数据FOTigin进行复合，使用多维融合特征 Fali进行分类，使用不同分类器在两种植物样品中的识别率。
[0120] 表5 :融合基本信息的分类结果
[0121]
[0123] 从表1到表5可以看出，GEPSVM的识别率比经典的SVM识别率偏低，但融合本发 明设计的多项点云特征后，也达到了较优的识别分类效果，进而有效区分树木中不同器官 的点云特征；其次，GEPSVM的计算时间复杂度要远远优于SVM算法，尤其对于海量的树木点 云数据而言，传统的SVM算法将耗费大量的运算时间，而本发明的方法时间复杂度将极大 简化，适用于高大树木点云的器官识别。
[0124] 表6 :树木点云分类的时间复杂度
[0125]
[0126] 以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人 员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应 视为本发明的保护范围。
【主权项】
1. 一种基于激光点云数据的真实阔叶树器官分类识别方法，其特征在于：使用激光扫 描仪扫描活立木，对离散点云数据进行计算，综合离散点云的非线性局部切平面分布特征 Fus、空间离散点分布特征1^1。。。、局部离散点法向特征町。"。1和原始数据？。。,1。，借助改进监 督识别方法，对离散点云进行分类，最终获得属于同一条枝上的样本点和属于同一片叶上 的样本点，而达到枝叶分离。2. 根据权利要求1所述的基于激光点云数据的真实阔叶树器官分类识别方法，其特征 在于；该方法包括如下求取局部切平面分布特征Fus的步骤： (1)使用激光扫描仪扫描活立木，获取活立木的原始H维点云数据记为F"fw。，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; 似记样本点1議讓I瑜空间体k邻域为Nk,Nk表示为圓i!瞧請辯;滅，準聲其中 轉獲黎絲野为距离样本点Xi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： 姨乃古玲+爲聲杏P,姑勾補 上式中，向量辟庭總康示样本点Xi处切空间的原点；歹(J正交矩阵||祭:黎'W-.嗦示样本 点Xi处切空间的一组正交基；謂戀矜隶示分3的离散点的局部切平面坐标；#哲賴;徒 示Y产和Xi之间的误差向量；麗表示空间，猿的上标表示空间滚的维度； 最小化機辦錢镜'祁阿计算出Ci、Qi和巧'佩值，如下式：3必化后做特征值分解得到： 其中黎兵舊Ipii为正交矩阵，对角矩阵Ai的对角元素单调递减，样本点Xi的离散局部切空间的信息为：其中，0i为样本点Xi的邻域点在其切空间的投影坐标，0,。炊>，砖2V*?，巧"'J; (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： 首先，将样本点Xi在对应的正交基Qi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; 然后，计算非线性局部切平面向量Qi在Nk中的协方差矩阵Sus:其中：i为Nk内样本点Xi的所有邻近样本点的非线性局部切平面向量的均值，求解Slts的特征值为Dltsi=[入LTS1，入LTS2，…，入LTS6]，将Dltsi与非线性局 部切平面向量Qi -起作为样本点Xi的非线性局部切平面分布特征Fus : Flts二虹' DltsJ。3. 根据权利要求2所述的基于激光点云数据的真实阔叶树器官分类识别方法，其特征 在于；该方法还包括如下求取空间离散空间分布特征Fggii。。。，的步骤： (4) 记样本点矣藥H前球形r邻域为Nr,Nr表示丸其中r为W 样本点Xi为中必的球形半径，難嘴Nf内样本点Xi的第m个近邻样本点，Nf内样本点Xi的 近邻样本点总个数为n，定义Nf的协方差矩阵Si为：其中，一为在Nf内样本点Xi的所有近邻样本点的均值： 求解协方差矩 聽 阵Si的特征值为[入。，Al,入2]，且入。>入1>入2,使用一个H维向量S鐵綠鱗苯示Nr内 样本点的空间分布特征：其中，pointsness=入2,表示点性质，curveness =入。-入1，表示线性质，surfaceness =入1-入2,表示面性质，将样本点Xi的空间离散空间分布特征表示Fs…en。： Fsaliency=[入2，入〇-入1，入1_入2] 若入。W入1WA2,表不Nf内样本点散乱分布；若入。°^入1WA2,表不Nf内样本点 线状分布，判断样本点Xi位于枝上；若入。W入1OC入2,表示Nf内样本点面状分布，判断样 本点Xi位于叶上；其中-表示远大于。4. 根据权利要求3所述的基于激光点云数据的真实阔叶树器官分类识别方法，其特征 在于；该方法还包括如下求取局部离散点法向特征町。"。1的步骤： (5) 对于判断位于枝和叶上的样本点Xi,在k邻域内按如下方法求取离散点法向： 设定样本点Xi的拟合平面为： f(X，y,Z)= ax+by+cz+d = O 其中，（X，y，Z)为样本点Xi的H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：即Illl藥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Xi的 单位法向量Vi为：构造法向的邻域协方差矩阵5。。"。1 :其中，目为Nk内样本点Xi的领域法向均值：求解协方差矩阵5。。"。1的特 征值为〇。。"。11 =[入。。《。11，入normals，入nurmaJ，将D""mali与单位法向量Vi-起作为样本点Xi的局部离散法向特征町。"。1; Fnornial-[Vi，Dnorniali]。5.根据权利要求4所述的基于激光点云数据的真实阔叶树器官分类识别方法，其特征 在于；该方法还包括如下分类的步骤： (6) 将非线性局部切平面分布特征Fus、空间离散点空间分布特征Fggii。。。,、局部离散点 法向特征町。"。1与原始数据Fnrigm进行复合，形成多维融合特征Fall: Fall一[Flts, Fsaliency，Fnornial，F origin] (7)基于监督分类的思想，使用改进的GEPSVM分类器对样本点Xi进行分类，区分出属 于同一条枝上的样本点和属于同一片叶上的样本点。
【专利摘要】本发明公开了一种基于激光点云数据的真实阔叶树器官分类识别方法，本方法利用流形学习的思想来描述非线性局部曲面特性，并设定局部邻域为线性结构，在枝叶的原始点云中融入流行结构的思想，同时根据叶面与枝干形体差异，结合点云的非线性局部切平面分布、空间离散点分布特征和局部离散点法向特征，根据叶面与枝干形体差异，最后结合监督分类的思想，设计了GEPSVM分类器，从训练样本中找寻类别特征，对测试样本进行分类，进而提取阔叶树中复杂点云的枝叶数据。本发明结合枝叶的各种基本特征的优势，提出了基于特征融合的点云活立木枝叶分离的方法，从实验结果看，是切实可行并且高效的，并为林学参数的精确求取打下基础。
【IPC分类】G06K9/62, G06K9/64
【公开号】CN105373814
【申请号】CN201410436294
【发明人】云挺, 薛联凤, 喻垚慎
【申请人】云挺, 薛联凤, 喻垚慎
【公开日】2016年3月2日
【申请日】2014年8月26日