[发明专利]激光点云中林木参数评估方法

权利要求书

1.激光点云中林木参数评估方法，其特征是：包括以下步骤：

步骤A:获取点云数据：以激光雷达对林段采用自下而上扫描，获取林段的点云数据p_i(x_i，y_i，z_i)，x_i、y_i、z_i分别表示点p_i在X、Y、Z三个坐标方向上的坐标值，i表示第i个扫描点云，n代表该林段总共的扫描点云数量；

步骤B:对树木株叶分离：

对于点云数据中的一点p_i＝(x_i,y_i,z_i)^T∈P,其中P表示树木扫描点云数据集合，对于以任意点p_i为中心，半径为r内的邻域的点定义为：p_j＝(x_j,y_j,z_j)^T，且满足条件：||p_j-p_i||≤r；

点p_i和其邻域点构成的协方差矩阵定义为

其中时，其中μ表示扫描点p_i邻域内所有其它点在空间中位置的均值，j代表扫描点p_i的第j个邻域点，m代表扫描点p_i的邻域点总数；

重新定义一个新的坐标系，特征向量代表轴方向，相对应的特征值代表沿轴的点方差；设e_k,i是矩阵的特征向量，λ_k,i是相应的特征值，k＝0,1,2且λ_0,i≤λ_1,i≤λ_2,i；λ_k,i定量的显示沿轴e_k,i方向的数据方差；

用e_0,i＝{e_i,x,e_i,y,e_i,z}表示最小特征值λ_0,i所对应的特征向量，e_0,i也代表着点p_i处的法向量，e_i,x,e_i,y,e_i,z表示特征向量e_0,i在X、Y、Z三个坐标方向上的分量；

将对应的每个点云p_i的方差矩阵的特征值归一化，即：

计算结构张量特征，包括结构张量的平面性特征c_0,i、熵特征c_1,i与线性特征c_2,i，分别计算为

接着使用以下等式计算每个点云p_i的法向量分布协方差矩阵：

其中e_0,j是点云p_i的法向量，是点云p_i邻域基团的平均法向量分布，且

协方差矩阵的三个特征值{l_0,i,l_1,i,l_2,i}的由大到小排列满足下面条件：l_0,i≥l_1,i≥l_2,i，这些特征值的大小分布反映出点云p_i邻域的几何特征；

基于上述分析，一系列关于点云p_i的特征被计算出来，记为:其中{e_ix,e_iy,e_iz}为点p_i的法向量，{c_0,i,c_1,i,c_2,i}为点p_i的结构张量特征，而{l_0,i,l_1,i,l_2,i}为点p_i的形状特征向量，l_0,i,l_1,i,l_2,i分别表示协方差矩阵的三个特征值；

当特征值符合l_0,i≈l_1,i≈l_2,i时，基团点云呈现球形状，对应为果实；当特征值分布为l_0,i≥l_1,i≈l_2,i时，基团点云呈现线形状，对应为枝干；而当特征值分布为l_0,i≈l_1,i≥l_2,i时，基团点云呈现面状，对应为叶片；也就是说，根据获得的点p_i的特征对树木扫描的点云进行枝叶分离操作；分类得到叶子点云和枝干点云

基于枝叶分离后的枝干数据，按照树木自然生长方向，以树总高度的1/2区域作为主枝干数据，其余部分为分支干数据；

步骤C:树冠中心定位，确定树冠的中心点坐标；

步骤D:倾斜度分析，计算出则主枝干倾斜度α、主枝干与分支干之间的夹角β；

步骤E:基于meanshift和分水岭算法进行株株分离，得到树木总棵数，并计算得出树高、胸径、冠体积、冠幅；

其中，步骤C中树冠中心定位方法如下：

以树木根部往上取相对于整棵树高度的1/20区域的点云数据(p₁,p₂...,p_h(1/20))为基点，拟合出h(1/20)条沿树干方向的最佳拟合直线L(v_t(v_t,x,v_t,y,v_t,z),p_t(p_t,x,p_t,y,p_t,z))，其中v_t为拟合直线的方向向量，v_t,x,v_t,y,v_t,z表示v_t在X、Y、Z三个坐标方向上的方向值，p_t为点云(p₁,p₂...,p_h(1/20))中的一点，t＝1,2,3...,h(1/20),p_t,x,p_t,y,p_t,z表示p_t在X、Y、Z三个坐标方向上的坐标值，h(1/20)表示整棵树高度最下部的1/20区域的所有点云数据的个数，即为最下部分枝干的数据；最佳拟合直线的方向向量满足每株树的树干的所有点云数据到基于p_t点的拟合直线L的正交距离的平方和最小；根据

其中N表示整棵树枝干的点云个数，令为整棵橡胶树枝干部分中的任意一点；式(3)可以写为：

其中：

w_i,x,w_i,y,w_i,z表示w_i在X、Y、Z三个坐标方向上的偏移值；

设矩阵B为树木枝干点云的集合的协方差矩阵：

则α和β可以表示为：

l是3×3的单位矩阵；

式(4)则可以写为：

其中M＝kl-B；

表达式是瑞利商，当v_t等于矩阵M的最小特征值对应的特征向量时，其表达式的值达到最小值；令k为矩阵M的任意特征值，ξ为对应的特征向量，则：

Mξ＝(kl-B)ξ＝klξ-Bξ＝kξ-λξ＝(k-λ)ξ (8)

由式(8)可知，矩阵B的特征值都与矩阵M的特征值相关联，则当取到矩阵M的最小特征值对应的特征向量时，即矩阵B取到最大特征值对应的特征向量；因此，选择矩阵B的最大特征值相对应的特征向量(v_t,x,v_t,y,v_t,z)作为使点到直线正交距离和最小的拟合直线的方向向量v_t，则最佳拟合直线为：

对求解出的h(1/20)条直线求得平均值，得到平均直线作为每株树最终最佳拟合的直线，其中，直线的方向向量为

直线点为

得到的平均直线L₁方程为：

其中，x,y,z表示该空间直线方程L₁的三个变量；

平均直线L₁在高度h_heig下的交点即为树冠中心点，其中h_heig为主枝干高度。

2.如权利要求1所述的激光点云中林木参数评估方法，其特征是：步骤E中所述的基于meanshift和分水岭算法进行株株分离的具体步骤：基于meanshift方法，根据消除地面高度不平后的点云数据，从根部开始，往上取树总高度的1/7，将在这个阈值范围内的点云数据再次筛选，即在半径r为0.35m的圆柱体内的点云数据选取出来，并将这些点云数据投影至二维的灰度图上，白点标记的就是每棵树的位置信息；再结合meanshift算法，对该灰度图进行处理，根据树的位置信息对林木进行分类；分类好的结果采用分水岭算法根据分类号进行分割，将点云数据分割为多个分水岭区域，从而实现对单株树的分离。