基于移动激光扫描的行道树树冠点云逐点检测

【目的】针对行道树树冠在线检测问题,研究基于移动激光扫描(mobile laser scanning,MLS)的行道树树冠点云逐点检测方法,构建能够在线、快速、准确检测出行道树树冠点云的高性能树冠检测器,为行道树对靶施药提供基础数据。【方法】应用搭载一个2D激光雷达(light detection and ranging,LiDAR)的MLS系统实时采集街道轮廓线测量数据,从中提取点云三维坐标、一次回波强度和回波次数等属性;构建点云半径为δ的球域搜索方法,实现点云邻域在线快速查询;从待识别点δ球域中提取宽度、深度、高度、维度、密度、次数和强度7类点云局部特征;采用监督学习算法融合点云局部特征、训练树冠检测器,预测待识别点的类别。采集一段长137 m街道的点云数据,开展了邻域搜索方法、监督学习算法、点云局部特征和树冠逐点检测器4个对比实验。【结果】构建的δ球域搜索方法的搜索时间为k-D树法的10.90%;在神经网络(neural network,NN)、支持向量机(support vector machine,SVM)、Boosting和随机森林(random forest,RF)4种监督学习算法中,RF算法得到的树冠检测器分类精度最好;与单类特征相比,组合特征具有更好的泛化性能;本研究方法设计的树冠逐点检测器在检测精度和效率上均优于已有方法,球域半径δ在0.1~1.0 m范围内变化时,测试集F_(1)分数≥97.74%。【结论】提出的方法能够从实时采集的MLS点云数据中快速、准确地检测出行道树树冠点云,为行道树对靶施药提供数据支撑。

基于三维激光点云数据的树冠体积计算方法研究

针对目前树冠体积计算方法存在的问题,如树冠空隙无法剔除、提取树冠边界粗糙等,本文提出了一种基于改进α-shape算法的树冠体积计算方法,通过设置最优分层间距与迭代步长实现树冠体积的精确计算。本文提出改进α-shape算法的树冠体积计算步骤为:首先对原始树冠点云进行等间距切片,并根据改进α-shape算法提取点云切片多边形边界;其次根据切片面积与分层间距实现台体体积计算,树冠最终体积为台体体积之和。通过实测树冠点云数据进行实验,结果表明本文提出算法计算树冠体积较体元法与Graham算法的稳定性更高,受树冠密度的限制更小。