[发明专利]一种基于形状分类与组合的室外点云场景中树木提取方法

说明书

本发明公开了一种基于形状分类与组合的室外点云场景中树木提取方法，利用最优特征集，使用分类算法来提高对室外场景分类的准确性，得到分类之后的数据，通过定位，过滤，匹配等步骤来完成室外场景点云数据中单棵树木提取问题，如果在数据中存在树冠重叠问题，再通过进一步优化处理，对最后的结果进行优化改善，完成单棵树木提取。本发明解决了室外点云场景中树冠重叠树木不可分问题。

技术领域

本发明属于计算机图形学和虚拟现实相结合的交叉学科技术领域，具体涉及一种基于形状分类与组合的室外点云场景中树木提取方法。

背景技术

随着虚拟现实、人工智能以及计算机视觉技术的发展，对各种三维室外场景的分析已经成为一个具有重要研究意义和应用价值的研究课题。3D采集技术的发展可为研究员提供精准的数据，例如：地面激光扫描仪(Terrestrial Laser Scanners，TLS)和移动激光扫描仪(Mobile Laser Scanner，MLS)可以获得高密度、高精度城市场景点云数据。对城市场景数据的分析已成为计算机图形学，计算机视觉和摄影测量领域的主要研究内容。大多数研究工作集中在对点云场景数据中特定对象(建筑物，道路，汽车，或者树木的标记和提取。

树木作为城市场景中的重要元素之一，近年来提取单棵树木并获取树木的属性(例如树高，树干直径，树冠直径)已被广泛应用于城市规划建设，3D树木建模和城市树木检测等领域。对于城市而言，树木是城市生态系统和景观的重要组成部分，对城市中街道树的分析在提高环境质量，保持城市景观美感和为居民提供社会服务方面发挥着重要作用。如何自动有效的提取树木信息对于绿色城市管理以及智慧化城市的建设有着重要的意义。然而由于树叶密集性，树木种类多样性以及由于遮挡带来的数据缺失性，都毫无疑问增加了从城市场景中提取树木元素的难度，因此，针对城市场景中树木的提取与分割研究，仍然是非常富有挑战性。目前树木提取方法主要包括以下几种：

(一)基于机器学习的树木提取方法

基于机器学习的单棵树木提取方法是通过机器学习中经典的分类算法或者聚类算法来处理室外点云场景数据。分类算法旨在将室外点云场景数据进行分类分割，提取分类结果中的目标物，达到缩小提取范围的效果。聚类算法旨在将场景中相似特征的点云数据聚类到一起，从而可以将室外点云场景数据中的树木进行单棵提取。

基于机器学习的单棵树木提取方法能够很好地从室外点云场景中提取出单棵树木。但是存在一些问题，比如：使用的分类方法比较简单，存在分类结果中出现比较多的非目标点；如果聚类方法比较简单，在聚类的过程中出现过聚类或者聚类不足等问题。

(二)基于区域增长的树木提取方法

基于区域增长的方法被广泛应用于场景分割，包括建筑物分割，树木分割，车辆分割等。它主要是对点云数据中特征比较相似的点通过一种区域生长的方式来对数据进行聚类。主要分为两种：一种是自上而下的区域增长方式，另一种是自下而上的区域增长方式。该方法一般会先选取种子点，根据计算种子点与其邻域点的特征向量，曲率等特征，将特征比较相似所对应的点进行合并，以此类推，直到没有可以合并的点云数据为止，这些特征相似的数据点通过这样的方式被聚类到一起形成一个簇，然后再重新在剩余的点云数据中选取种子点，进行区域增长，直到所有的点云数据都通过区域增长的方式被分类到某一个簇中，结果整体循环。

基于区域增长的单棵树木提取方法能够很好地将特征相似的点云数据聚类到一起形成一棵棵树，但是此方法在必须要选择种子点，另外光滑边界难以区分，准则函数不太好确定，受阈值影响太大，特别是室外点云场景，点云数据量大，场景比较复杂，故使用这种方法存在缺陷。

(三)基于体素化的单棵树木提取方法

基于体素的单棵树木提取方法，旨在通过对室外场景点云数据进行体素化之后，可以根据体素化之后每个点云数据的颜色、强度、以及数据的空间等对场景进行分割。