基于PointCNN的车载行道树点云分割方法

利用点云卷积网络(PointCNN)为语义分割算法基础处理无序点云来提取行道树点云,经过模型建立、样本训练、点云分割等步骤从地物点云中精确分割出行道树点云,并对三个数据集的应用结果作精度评定,其最终结果的误差在有效范围内,并对PointCNN中的参数进行分析,完善算法的应用以适应于道路环境下行道树点云的提取。本次研究中考虑到训练各类型行道树类型,且受非行道树点云目标干扰小,在复杂道路环境下的数据分割工作有很好的效果。

基于激光点云数据的单木骨架三维重构

针对树木三维重构过程中面临的处理速度慢、重构精度低等问题,提出一种采用激光点云数据的单木骨架三维重构方法。首先,根据点云数据类型确定组合滤波方式,以去除离群点和地面点;其次,采用一种基于内部形态描述子(ISS)和相干点漂移算法(CPD)的混合配准算法(Intrinsic Shape-Coherent Point Drift,IS-CPD),以获取单棵树木的完整点云数据;最后,采用Laplace收缩点集和拓扑细化相结合的方法提取骨架,并通过柱体构建枝干模型,实现骨架三维重构。试验结果表明,相比传统CPD算法,研究设计的配准方案精度和执行速度分别提高50%和95.8%,最终重构误差不超过2.48%。研究结果证明可有效地重构单棵树木的三维骨架,效果接近树木原型,为构建林木数字孪生环境和林业资源管理提供参考。

基于树木形貌点云三点变换与GICP配准的树木形貌三维重建

树木生长过程中受到病虫害或生长空腐与空洞等影响会造成形貌缺陷,如何实现树木形貌无损检测数据被精确地自动逆向数字化建模成为现代林木智能无损检测诊疗的核心问题.利用PCL库点云数据处理库函数平台编程实现三维扫描树木形貌点云逆向建模,提出了三点对齐点云数据处理函数法,将三维扫描技术获得的原始树木形貌点云进行了粗配准;运用迭代最近点算法完成树木的精配准,得到了精确的树木形貌点云模型;对点云模型进行了基于同名点对配准的实验验证,并对检测效果进行分析.该研究提高了三维扫描技术的树木无损检测点云逆向构建树木形貌三维数字化模型的速度与精准度.

基于逐点前进法的改进型点云配准方法

点云配准是获取三维点云模型空间姿态的关键步骤,为了进一步提高点云配准的效率和准确性,提出了一种基于逐点前进法特征点提取的改进型点云配准方法。首先,利用逐点前进法快速提取点云特征点,在保留点云模型特征的同时大幅精简点云数量。然后,通过使用法向量约束改进的KN-4PCS算法进行粗配准,以实现源点云与目标点云的初步配准。最后,使用双向Kd-tree优化的LM-ICP算法完成精配准。实验结果显示:在斯坦福大学开放点云数据配准实验中,其平均误差较SAC-IA+ICP算法减少了约70.2%,较NDT+ICP算法减少了约49.6%,配准耗时分别减少约86.2%和81.9%,同时在引入不同程度的高斯噪声后仍能保持较高的精度和较低的耗时。在真实室内物体点云配准实验中,其平均配准误差为0.0742 mm,算法耗时平均为0.572 s。通过斯坦福开放数据与真实室内场景物体点云数据对比分析结果表明:本方法能够有效提高点云配准的效率、准确性和鲁棒性,为基于点云的室内目标识别与位姿估计奠定了良好的基础。

基于法向量夹角的果树点云配准与枝叶分割方法研究

在实现果园作业全自动化的过程中,亟需直接构建自然环境下果树枝干三维模型的方法。本文通过对自然环境下以不同角度采集的果树点云进行配准,并针对采样一致性(SAC-IA)+迭代最近点(ICP)配准算法在点云配准中耗时较长以及精度不高的问题,结合点云法向量夹角提取源点云和目标点云的特征点,并通过点云法向量夹角的余弦值在源点云和目标点云的特征点中查找待匹配点对的方法,提出了一种基于果树点云待匹配点对的改进SAC-IA+ICP点云配准算法;借助最小包围盒划分的分块技术对配准后的果树点云进行分块,然后利用点云的几何特征,对划分的子块进行枝叶粗分割,最后使用欧氏聚类完成枝叶的精细分割。对比实验结果显示,改进后的SAC-IA+ICP算法在平均旋转误差上相较于原始SAC-IA+ICP算法减少85.44%,配准均方根误差相较于原始SAC-IA+ICP算法减少71.74%,配准时间相较于原始SAC-IA+ICP算法减少97.99%;同时,改进后的SAC-IA+ICP算法在平均旋转误差上相较于SAC-IA+NDT算法减少90.38%,配准均方根误差相较于SAC-IA+NDT算法减少85.39%,配准时间相较于SAC-IA+NDT算法减少98.04%。另外,本文采用的枝叶分割算法能够完成枝叶分割,且相较于人工分割其分割准确度可达94.77%。

基于三维激光点云数据的校园绿地乔木三维绿量对比研究——以广西生态工程职业技术学院为例

树冠是指树干以上连同其生枝叶的部分,其体积的大小是估算树木三维绿量的重要参数。校园绿地中乔木树冠形态各异,结构复杂,树木树冠体积的准确、自动、无损测量是校园绿地调查中的一个重要研究项目。随机抽取广西生态工程职业技术学院内5个树种共计25棵乔木的三维激光点云数据与树木三维绿量冠幅-冠高公式法进行了对比研究。以三维激光扫描仪获取的三维激光点云数据基于不规则三角网法计算乔木树冠体积。计算结果对比表明:测量值与参考值的均方根误差RMSE为2.913、绝对误差最大值为7.22 m3,最小值为0.17 m3;相对误差最大值为11.06%,最小值为0.12%;平均绝对误差为2.20 m3,平均相对误差为3.13%,该算法不用考虑树冠的形状,减少了人为判别导致的差异。因此,以三维激光扫描仪获取点云数据,运用不规则三角网法自动提取校园绿地乔木树冠体积快捷、有效、可推广。

基于激光测距的橡胶树树干轮廓曲线自动化提取方法

为获取橡胶树树干轮廓曲线模型,解决割胶装备难以精准贴合树干轮廓导致作业精度差、仿形效果不理想的关键问题,提出一种橡胶树树干轮廓曲线自动化提取方法。研制橡胶树树干轮廓点云数据自动采集平台,该平台由电源模块、控制模块、驱动模块、采集模块、数据传输模块以及数据记录处理模块组成,可实现树干外轮廓曲线点云数据的自动采集、传输、记录与处理。开展橡胶树树干轮廓曲线自动化提取试验,基于统计学方差分析法,通过曲线面积对比分析树干轮廓提取精度。结果表明,连续采集30组橡胶树树干轮廓点云数据,其轮廓特征有效识别度较高,轮廓特征点位置与实际位置基本符合;轮廓曲线重复提取变异系数为0.001 3;树干轮廓曲线提取精度不受树干位置和采集方向变化的影响,该技术方案具有较强可行性。

面向激光雷达点云数据的多结构树种识别

针对由于树木种间相似性和种内差异性带来的识别困难,以及由于采集环境及设备的多样性导致的点云质量差异,提出面向激光雷达点云数据的多结构树种识别方法(MSTSR)。首先借助改进的组合采样策略,在有效降低数据冗余的同时,保留单木的主体枝干结构;其次通过内建的近邻感知与增强模块(NAE)层次化聚合点云属性,以形成高阶的语义描述;最后通过融合树冠、主干以及整树的多结构信息,生成跨尺度的树木点云表征。在地面激光雷达采集的树种点云数据集上验证该方法的有效性,该数据集由7个树种共690棵树组成的。结果表明:该方法的总体准确率达到94.2%。相比主流的PointNet和PointNet++深度点云分类网络,分别提升13.04和9.42个百分点;相比基于点云的多视图2D投影方法,提升8.19个百分点;相比基于多个测树因子的随机森林方法,提升24.63个百分点,从而证实采用深度网络直接进行树种点云识别的潜力。

基于kd-tree的建筑物散乱点云平面分割

应用kd-tree快速确定散乱点云数据中某一个点的邻域,不需要先验地知道点云数据之间的拓扑(邻接)关系,使得建筑物点云平面分割算法更一般化,应用面更广。根据建筑物平面特征的先验信息,并采用高效数据结构,优化了平面分割算法,给出了散乱点云平面分割的实现和相应结果,说明了基于kd-tree的建筑物散乱点云平面分割算法的有效性。

基于MLS LiDAR点云提取桃树结构参数

为构建数字化果园并提高智能化管理水平,探索基于MLS LiDAR提取桃树结构参数的方法。使用背包搭载多平台激光雷达采集展叶期桃园点云数据,采用改进K-Means聚类算法分割单棵桃树点云;对部分存在空洞的枝条点云上采样,得到较高密度枝条点云数据;使用不同直径的圆柱拟合重建桃树定量结构模型(QSM),提取桃树5项结构参数。结果表明:该方法能实现桃树精准三维模型重建,重建后提取的冠幅值、株高、主干直径、一二级枝条长度与实测值决定系数分别为0.779、0.939、0.978、0.965、0.986,均方根误差分别为0.280 m、0.076 m、0.003 m、0.066 m、0.068 m;平均相对误差为8.6%、2.5%、3.2%、2.6%、8.4%。研究结果可为桃园智能化管理提供数据支撑。

基于TLS和ALS融合数据的杨树林木表型参数提取研究

基于激光雷达手段获取杨树林木表型参数的方法,探究树木点云提取更优林木表型参数的能力,为林木经营方案的编制提供有力的数据支撑与参考依据。根据地基激光雷达(TLS)与机载激光雷达(ALS)的融合点云数据,利用几何特征树木骨架、提取不完全模拟水分和养分传输的算法(ISTTWN),建立三维单木模型,并获取杨树单木的胸径、树高以及枝条属性因子。结果表明,融合数据的胸径、树高提取值的平均值均高于TLS数据的提取值,同时提取精度也更高。在所提取的枝条属性因子中,提取精度依次为着枝高度>枝长>弦长>着枝角度>分枝角度>弓高,且融合数据的提取精度更高。从RMSE、MAE、MAPE、R^(2)4个方面对枝条属性因子进行提取精度评价,枝长的拟合度最高,地基和融合点云提取值分别达到0.985、0.989;角度的拟合度相对较低,TLS着枝角度提取值的R^(2)仅0.775,但融合后的着枝角度的拟合度提升明显,达到0.887。基于不同相对着枝高度对提取精度分析,未融合前相对着枝高度0.4~0.6的枝条属性精度最高,而后其精度随着冠层高度的增加而降低,由于融合后的冠层点云密度提高,枝条属性因子的提取精度较融合前显著提升,且在相对着枝高度0.8~1.0时提高最为明显,相对提取精度最低的弓高提高了10.04%。研究认为TLS与ALS融合点云数据后,由于数据之间的相互弥补,有效提高点云密度,在三维树木模型研建中能够显著提高林木表型参数的数据提取精度,其中冠层提取精度提升最为明显。

融合无人机和地基激光雷达点云数据估测单木结构参数

激光雷达(Light detection and ranging,LiDAR)作为一种主动遥感技术,能够通过发射激光能量并接收返回信息的方式获取森林空间结构信息,然而,单独使用时存在扫描盲区,无法获取完整的森林树木三维点云。为此,提出融合无人机和地基LiDAR点云估测单木结构参数的方法,采用地面特征和树木位置关系的配准方法实现点云融合,并在融合点云数据的基础上提出一种改进的K均值层次聚类分割算法完成单木分割,然后根据基于分割后的单木点云使用轴对齐包围盒算法以及最小二乘拟合圆法分别提取单木树高和胸径,最后通过生物量异速生长方程估测单木生物量。研究结果表明,蒙古栎样地的树高、胸径和单木生物量的决定系数(R^(2))分别为0.84、0.93和0.91,单木结构参数的均方根误差(RMSE)分别为0.75 m、0.96 cm和26.31 kg/株;樟子松样地的树高、胸径和单木生物量的R^(2)分别为0.92、0.96和0.95,相应的均方根误差分别为0.43 m、1.06 cm和26.12 kg/株。融合无人机和地基LiDAR点云为快速完整地获取林木构型信息提供可靠的数据基础,为联合多源激光雷达技术深入林业应用提供有力的技术支撑。

一种基于地面特征与树木位置关系的无人机和地基LiDAR点云配准方法

【目的】无人机激光雷达与地基激光雷达的工作方式不同,导致无人机点云缺乏林内信息,地基点云缺乏林冠信息,单一平台的LiDAR点云难以完整描述森林三维垂直结构,将这两者点云融合有利于消除各自的扫描盲区,估测更为准确的森林结构参数。基于此,提出了一种基于地面特征与树木位置关系的无标识自动化配准方法。【方法】选取哈尔滨城市林业示范基地内的蒙古栎和樟子松作为研究对象,采用大疆禅思L1激光雷达设备与FARO Focus3D X330三维激光扫描仪分别获取样地内的无人机和地基LiDAR点云。首先,利用改进的渐进式加密三角网滤波算法分别从无人机点云和地基点云中提取地面点云,基于两者相似的快速点特征直方图(FPFH)特征,使用随机采样一致性算法得到初始配准参数,完成初始配准。然后,从初始配准后的无人机点云和地基点云中提取相同高度处的树干点云的水平投影位置作为配准基元,分别构建不规则三角网,并基于三角形的角度相似性原理寻找同名三角形对。最后,使用奇异值分解法得到旋转平移参数,从而完成精细配准。【结果】蒙古栎样地内对应树木水平偏移距离的平均值为0.173 m,樟子松样地内对应树木水平偏移距离的平均值为0.283 m,2个样地的树木点云均取得了较高的配准精度。【结论】提出的点云配准方法有效实现了林区无人机点云数据和地基点云数据的配准,二者的融合可为快速完整地获取林木构型信息提供数据基础,从而推动多源激光雷达技术联合应用于林木三维重建和森林资源精细调查等方面。

激光里程计改进点云配准算法的车辆定位研究

针对传统迭代最近点(ICP)算法在点云配准过程中依赖于初始位置、匹配时间长、匹配精度差等问题,提出一种激光里程计改进点云配准算法的车辆定位方法。首先,在点云预处理方面对点云进行有序化和畸变点云补偿处理;然后,对点云动态特征点去除后进行静态特征点的稳定提取;最后,在点云配准过程中先对点云进行粗配准以减少点云对初始位置的依赖,接着提出双向k维树改进ICP算法进行点云精配准。通过KITTI数据集和自动驾驶小车平台进行试验测试分析,结果表明,改进点云配准算法相比于传统ICP算法有更快的匹配速度和精准度,里程计累积轨迹误差小。

一种针对大规模场景的点云匹配算法

针对大规模点云匹配时传统算法速度慢和匹配结果不一致的问题,提出一种新的点云匹配方法。该方法首先利用KD树找到点云中深度最小的点并以该点作为种子点,然后通过在深度信息和曲率两个方面做以改进的区域生长分割算法提取出点云上表面区域,并在该区域提取点云边界。最后使用改进的点对特征完成点云匹配算法验证。实验结果表明,相比传统算法,该方法在匹配速度以及匹配结果的一致性方面得到了显著的提升,在处理大规模点云匹配上具有实际应用价值。

基于融合点云数据的马尾松林地单木分割算法研究

激光雷达技术在森林资源调查中具有较大优势,但单平台采集的数据往往存在扫描盲区,难以获取完整的森林结构信息。为此,以马尾松林作为研究对象,探究基于融合点云数据的马尾松林单木分割适宜性算法。首先提出一种针对森林样地点云数据融合的方法,然后采用标记控制分水岭算法、距离判别聚类算法和层堆叠算法对马尾松林进行单木分割,并对3种算法的关键参数的选取进行分析,最后提取树高验证融合点云估测森林结构参数的适用性。得出实验结果如下:1)提出的点云融合方法可以有效融合机载和手持激光雷达点云,配准误差为0.054 m;2)3种单木分割算法中,标记控制分水岭算法分割精度最高,总体精度为0.88,高于距离判别聚类算法和层堆叠算法;3)利用标记控制分水岭算法分割的单木提取树高,基于融合点云数据的R2值为0.983 7,RMSE为0.759 6 m,相较于单一点云数据,精度明显提高。研究结果可为多源激光雷达在林业领域的应用以及马尾松林地森林资源管理提供技术支持。

基于树冠最高点和地面树干中心的森林影像点云配准方法

为了弥补无人机和地面不同观测视角导致的森林信息缺失以及不同平台摄影测量影像点云难以高效配准的问题,该研究基于无人机和地面摄影测量构建森林三维影像点云数据,以提取的无人机树冠最高点和地面树干中心为关键特征点,参考由粗到精的配准思路,借助特征点在3D和2D的映射关系以及改进的模拟退火算法和迭代最近点算法,提出了一种适合于无人机和地面不同观测平台的森林影像点云配准框架。测试结果表明,相较于银杏树和楸树而言,杨树对关键点匹配影响较大(杨树1.13 m>楸树0.75 m>银杏树0.52 m),不同树种对粗配准影响较小(杨树0.13 m>银杏树0.08 m>楸树0.07 m);所提方法在不同树种组成的6块典型样地上表现出色,平均精配准误差分为0.06 m,有效实现了无人机和地面平台影像点云的精细化配准。研究结果可为森林资源调查、森林三维重建以及影像点云的推广应用提供有力的支撑。

基于激光点云的树木特征信息提取研究进展

树木的特征信息是进行农林业生产研究的重要参数,快速化提取信息对于农林业研究具有重要意义。因此,基于激光点云技术,综述国内外在树木信息提取的研究进展,重点从二维激光雷达、车载激光雷达、地基激光雷达三个方面总结研究现状。指出二维激光雷达通用性较差,户外采集困难;车载激光雷达数据精度较低,算法依赖严重;地基激光雷达数据运算量大等问题。提出快速处理算法的研究、数据集中复杂特征的剔除与修复、精准探测集成系统的研发与产品化等展望。为后续的基于点云技术的树木特征信息提取研究提供参考。

融合BRIEF与ICP点云配准的零部件姿态估计方法

物体姿态估计在增强现实、自动驾驶和机器人操作等领域具有重要意义。在机器人抓取与辅助装配过程中实时并准确地估计目标姿态极其重要,为提高装配过程中零部件的抓取与监控的实时性与精度,研究了基于多视图特征库估计目标姿态的方法,设计融合BRIEF(Binary Robust Independent Elementary Features)特征匹配与ICP(Iterative Closest Point)点云配准的零部件姿态估计方法对零部件姿态角进行估计测量。以法兰、扳手、电钻等零件工具进行实验,实验结果表明融合BRIEF特征匹配与ICP点云配准的姿态估计方法运行耗时约200ms,而姿态估计的最大误差角度为4.5°,能有效保证零部件姿态估计方法的实时性与精度,可应用于机器人抓取作业、辅助装配监控等。

基于机载LiDAR数据的单木分割研究

基于机载LiDAR数据进行单木分割,分别讨论了基于冠层高度模型的单木提取方法(FCHM)以及基于归一化点云的单木提取算法(FNPC)。FCHM的分离单木的总正确率的均方根值为0.93,F_Score的均方根值为0.62,FNPC算法分别为0.90和0.56,FCHM算法的精度优于FNPC算法。通过从不同的林相、林型、林分密度的分析得出,在林分密度小于400棵/hm^(2)的单层针叶林中提取效果最好。