[发明专利]一种基于机器学习的激光雷达点云树干提取方法

权利要求书

1.一种基于机器学习的激光雷达点云树干提取方法，其特征在于，包括以下步骤：

1)使用地基激光雷达采集样地内样木的点云数据；

2)对点云数据进行预处理，得到样地点云数据；

3)基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵；

4)选择样地内任意一棵样木，该样木涵盖的样地点云数据为训练样本，标记其主干点云和非主干点云；

5)基于训练样本和特征矩阵，通过机器学习的方式对整块样地的样地点云数据进行分类训练；

6)对样地内所有标记为主干点云数据进行欧氏距离分组判别，进一步提取主干点云，得到最终的主干点云数据。

2.根据权利要求1所述的一种基于机器学习的激光雷达点云树干提取方法，其特征在于：所述步骤1)使用地基激光雷达采集样地内样木的点云数据，具体为，

在样地四角及中心位置设置站点，每个站点架设地基激光雷达设备，进行扫描，通过各站点云数据拼接得到样地内样木的点云数据，每个点具有三维空间坐标(x,y,z)。

3.根据权利要求1所述的一种基于机器学习的激光雷达点云树干提取方法，其特征在于：所述步骤2)对点云数据进行预处理，得到样地点云数据，其中的预处理包括去噪、点云归一化、裁剪。

4.根据权利要求1所述的一种基于机器学习的激光雷达点云树干提取方法，其特征在于：所述步骤3)基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵，其中特征参数包括平坦度、结构张量和法向量中的一个或多个，所述结构张量包括结构张量平面度、“特征熵”和线性特征中的一个或多个，所述法向量包括临近点特征向量和法向量的分布、球域点法向量中的一个或多个。

5.根据权利要求4所述的一种基于机器学习的激光雷达点云树干提取方法，其特征在于特征在：所述步骤3)基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵，具体为，

基于样地点云数据，通过KNN算法寻找任意一点p₀周围最邻近的N个点，这N个点和任意一点p₀构成集合P＝{p_i|p_i＝(x_i,y_i,z_i),i＝0,1,2,...,N}，构建集合P的协方差矩阵D，计算矩阵D的特征值λ₁,λ₂,λ₃与特征向量e₁,e₂,e₃，然后，将每个点p_i的特征值λ_i进行归一化操作得到

其中，λ₁＞λ₂＞λ₃；

计算特征参数，

平坦度Flatness，

结构张量平面度k₁，

“特征熵”k₂，

线性特征k₃，

临近点特征向量e₁,e₂,e₃；

球域点法向量eq₁,eq₂,eq₃，

以点p_i为球心，n米(n∈R)为半径围成的球内所有点组成点集合，构建协方差矩阵并进行特征值分解获得；

点法向量的分布c₁,c₂,c₃，

将临近点特征向量组成N×3的矩阵并构建协方差矩阵L_p，进行特征值分解获得，

式中，e_j表示第j个特征向量，

构建点p_i的特征矩阵Spi，