基于移动激光扫描的行道树靶标实时检测

针对行道树靶标实时检测的问题,本研究基于随机森林(random forests, RF)的逐点检测算法,建立一个能够实时且准确检测行道树点云的分类器。本研究所用点云为一段230 m的校园人行道,根据点的三维坐标、回波次数和回波强度信息基于立方体邻域提取宽度、深度、高度、次数、强度、维度和密度特征,然后根据这些特征的贡献度大小保留5个特征。对比了邻域搜索算法、点云特征数量、决策树数量和检测算法,并研究了点云密度对分类器性能的影响。结果表明:采用的立方体邻域特征提取时间比球域缩短了11.85%;在筛选特征过程中检测器性能基本稳定,特征筛选后提取特征时间缩短了65.40%,平均每帧点云的特征提取时间仅为24.72 ms;在考虑误差下降梯度和检测时间的前提下,决策树数量定为13;对比基于Boosting算法的行道树检测算法,本研究方法实时性更强;点云密度不断下降直到原来的1/20过程中,检测器性能保持平稳,表明该方法能够有效识别不同密度的行道树点云。本研究方法能够实现行道树靶标实时检测。

分部加权的行道树检测网络构建

基于深度学习目标检测框架,提出了一种端到端的训练网络,用于行道树的自动检测。由于行道树之间的遮挡问题,现有的通用物体检测框架无法直接应用于此任务,为此本文提出了一种树形分部加权模块,以减少严重遮挡造成的错误检测。然后对提出的神经网络进行训练和评估。结果显示,本文所建立的分部加权树木检测网络能够在遮挡条件下,有效地检测出街景图像中的行道树,该方法在各种条件下均具有较高的精度和良好的稳健性。

基于Mask R-CNN的行道树目标检测

针对路灯遮挡、树干较细,Mask R-CNN对行道树检测识别的精度不高,分割掩膜的质量差的问题,提出一种改进型Mask R-CNN行道树目标检测算法。在Mask R-CNN网络基础上加入通道-空间注意力模块,加强了模型的多维度信息提取能力,用一个增强型特征金字塔替代原来的特征金字塔网络。使用自制的行道树数据集对改进的模型进行训练和验证,在行道树测试集上对原模型和改进后的模型进行了消融实验,改进型Mask R-CNN算法的均值平均(检测)精确率为79.4%,平均交并比为93.1%。实验结果表明,改良后的模型对行道树检测和分割效果更优。

利用无损检测技术进行行道树空洞探测的研究

南京市行道树普查和行道树险树危树调查项目对南京市34条道路两侧的行道树进行空间定位、行道树属性信息采集并利用无损探测技术对险树危树进行树干检测、后期动态监测,以生成行道树健康报告。通过阐述声呐探测仪PiCUS Sonic Tomograph的空洞探测算法、操作流程和二维三维成果示意图,表明其在行道树空洞探测方面的卓越表现。

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。

基于分层聚合的行道树点云树干检测方法

行道树是城市绿地景观的重要元素之一,其检测对城市生态环境研究具有重要意义。针对移动激光扫描点云树干检测方法适用性低、检测结果精度低的不足,提出一种基于分层聚合的行道树点云树干检测方法。该方法在点云滤波及密度聚类预处理的基础上,根据城市行道树与其他典型地物特征差异,通过多特征约束方法筛选行道树点云,最后采用自下而上的分层聚类和多层合并方法完成树干点云的判别和提取。采用两组具有不同复杂度的行道树点云进行方法验证,结果表明,所提方法能有效完成不同场景复杂度的行道树树干提取,提取结果的准确率、召回率、F-measure分别为93.1%、94.4%、93.7%。即所提方法可用于密度差异大、点云不完整的行道树点云树干检测。

深度学习的街景行道树自动识别提取研究

针对城市行道树调查中,街景影像背景环境复杂多变、行道树个体差异大,依靠目视判读费时费力的问题,该文基于车载移动测量系统采集的全景影像数据,利用深度学习算法,在快速区域卷积神经网络的目标检测方法基础上,建立适用于街景行道树检测的深度神经网络模型。模型采用基于共有显著性区域及冗余策略的行道树多示例目标候选区域选择方法,使用车载图像的几何约束进一步筛选合适的候选区域,从而实现行道树目标候选区域的统一选择,提升行道树目标的检测效果。实验结果表明,该文提出的方法能够实现多种行道树的准确自动识别与提取,进而大大降低行道树绿化调查的成本。