[发明专利]一种基于能量函数的室外点云场景中树木提取方法

说明书

本发明公开的一种基于能量函数的室外点云场景中树木提取方法，选取LiDAR点云数据并剔除其中的平面点，得到候选树木点；利用欧几里得聚类算法进行聚类处理，将所有聚类得到的簇保存在簇集C中；进行相似性矩阵计算，随后计算簇集C的能量函数，根据能量函数对簇集C中的簇进行合并；针对合并之后的簇集，对其进行筛选优化，提取结束。本发明一种基于能量函数的室外点云场景中树木提取方法，通过有效地进行簇的合并，解决聚类不足的问题；将聚类完成之后不足成为一棵树的簇当做噪声点剔除，完成了非树物体的去除，提高了单棵树木提取的准确性，计算过程快，有很好的实用价值。

技术领域

本发明属于人工智能计算方法技术领域，具体涉及一种基于能量函数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。而树木作为城市场景中的重要元素之一，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。近年来，研究人员已经提出了许多不同的方法从LiDAR数据中提取树木，主要就是一个分割和分类的过程，绝大部分算法都基于这种思想实现。目前，基于分割和分类的树木提取方法主要分为六大类：

(1)基于区域增长的树木提取：包括分割建筑结构和单棵树木。该方法提取的单棵树精度高，在相对简单的室外环境下表现出良好的性能。基于区域的方法分为两类：种子区域(或自下而上)方法和非种子区域(或自上而下)方法。基于种子的区域分割通过选择多个种子点来开始做分割，从这些种子点为起始点，通过添加种子邻域点的方式逐渐形成点云区域。这种方法处理时间长，且容易受噪声点的影响。后续提出了将坡度、法向量、曲率等特征作为生长准则来检测点云的新的改进方法，这类方法提高了分割的鲁棒性，对离群点和噪声点不敏感，但是如果初始种子点以及生长规则选取不当，也会导致过分割或欠分割等问题的出现。而非种子区域方法是一种基于自上而下的方法，首先把所有点归于同一个区域，然后对区域内的点进行细化处理，逐步分割成小的区域，直至划分完成，非种子区域方法的分割结果取决于细分的位置和方式，由于需要大量的先验知识比如对象模型，区域数量等，使得这一方法的使用也受到了很大的限制。

(2)基于属性特征的树木提取：该方法基于点云数据的属性进行分割，具有很好的鲁棒性。首先计算点云数据的属性，包括纹理特征，法向量，颜色信息等，然后对这些特征进行聚类，最终将不同特征的点云分割出来。这一方法依赖于点之间邻域的定义和点云数据的点密度，所以随着点云数据密度的增大，存在时间复杂度高、处理效率低的缺点，所以此类方法不适用于点云数据规模较大的处理。

(3)基于图优化的树木提取：基于图优化的方法是将点云数据当作顶点，利用点的空间邻域关系构造边，利用邻域点的相似性对连接边进行加权，构造成图，利用图割方法实现点云的分割。众所周知的图优化方法是基于图的分割算法(FH算法)，该方法简单且高效，用于在图中查找最小生成树。基于图优化的方法通常采用全局优化的策略求解，能够获得全局的优化结果，并且不受场景复杂程度和数学模型的影响。但是由于构造图的过程比较复杂，当点云数据规模较大时，优化处理通常无法实时运行。

(4)基于模型拟合的树木提取：主要用于提取具有特定形状的物体，包括平面，圆柱体和球体，需要检测点云对模型参数的拟合程度，对特定形状的对象数据中属于目标物的数据进行保留，再通过合并呈现出一棵完整的树。当使用基于模型拟合的方法时，每个提取的树簇都需要一个细化过程。这种方法具有纯粹的数学原理，快速且强大。其局限性在于对噪声敏感，所以在数据庞大、场景复杂的情况下，实验结果不是很理想。

(5)基于聚类的树木提取：将簇看成是数据空间中被低密度区域分割开的高密度区域。指导思想是：只要一个区域中的点的密度大过某个阀值，就把它加到与之相近的聚类中去。该方法被广泛应用于从MLS数据中提取个体树，可以快速、成功地分离单棵树，但往往会存在聚类不足或过聚类的问题，导致树木提取不够完整。