基于最小二乘的点云叶面拟合算法研究

利用地面激光扫描仪(TLS)获取户外树木的大量点云数据,从中截取树叶点云数据并以此来进行曲面拟合,构建树叶真实三维模型。主要针对空间散乱点云数据的曲面拟合方法进行研究。在最小二乘法、正交最小二乘法、移动最小二乘法等3种二维曲面拟合方法基础上,针对空间散乱点云数据,提出新的曲面拟合方法。通过比较这3种方法对点云数据曲面拟合后效果,得出结论:针对树叶散乱点云数据,移动最小二乘法能够有效的拟合出树叶的曲面。     

基于特征融合的林下环境点云分割

针对林下环境几何特征的复杂性,以及基于边检测、表面增长和聚类分割方法存在的效率低、分割不足及过度分割等问题,提出了一种基于特征融合的点云分割方法。采用地面激光扫描仪FARO在北京林业大学选择样本区域进行扫描,对扫描得到的数据进行采样点剔除及滤波,得到由1166302个点组成的林下环境点云数据,主要包括林木、地面、石块、人4类目标。综合利用点云法向量信息和激光反射强度信息可实现点云分割。其中,点云激光反射强度可直接从扫描得到的点云数据中获取;法向量可根据点云数据的三维坐标信息,通过对点云数据建立kd-tree数据结构,执行k-邻域搜索,并基于PlanePCA算法计算得到。将点云法向量和激光反射强度2方面的特征优势进行融合,计算中心点与邻域点的综合相异度,并判断其是否在阈值范围内,最终实现点云分割。比较基于特征融合、法向量和激光反射强度3种聚类分割方法得到的分割结果可知,基于特征融合的聚类分割方法能较好地保留数据特征,且分割完整度明显优于其他2种方法。      

基于激光点云数据的树木枝叶分割和三维重建

针对目前树木点云三维重建方法仅仅实现树木三维形态结构的重建,而忽视了树木表面纹理和细节的问题,本研究提出了一种超体素分割和基于kd-tree纹理映射的贪婪投影三角化算法相结合的树木点云重建方法。首先根据点云的颜色、法线和空间距离等特征,利用体素云连通性分割算法生成超体素块;然后基于不同超体素块之间的凹凸关系,利用局部凸包连接算法对点云进行聚类分割,从而实现枝干和树叶点云分割;最后利用贪婪投影三角化算法分别对枝干和树叶点云进行三维重建,并基于点云RGB信息,利用kd-tree算法对枝干和树叶模型添加真实的纹理色彩。结果表明,树木点云重建方法能实现枝干表面和树叶等细节模型的构建,还原真实的树木形状结构和纹理色彩;通过对不同抽稀层次下的点云进行测试,发现核桃楸树木模型主要枝干结构得到了很好的保留,这说明建模算法对点密度的变化具有鲁棒性。     

基于多尺度几何特征单木点云的语义分割

针对目前地面激光扫描树木点云精确分离枝干点和树叶点成分困难的问题,提出一种基于多尺度几何特征的单木点云语义分割的方法。首先将水曲柳和樟子松样地点云数据进行单木分割,再计算多尺度点云协方差矩阵特征值,之后选择特征分类器,并根据特征值重要性选择最优特征值,最后对树木的枝干叶点云进行分割。通过比较支持向量机(SVM)、极限梯度增强(XGBoost)和随机森林(RF)3种分类器的训练时间和精度,选择XGBoost作为最终的分类器,并根据特征值重要性选择出6种最优特征。结果表明,2块样地枝干点和叶点的分割精度都>0.88,并且F1值和IOU也都在0.8以上。提出的方法能够有效分割出水曲柳和樟子松树叶点云和枝干点云,有较高的识别精度,研究结果为后续单木三维模型构建及生物量估算提供了条件。     

模糊C-均值聚类对点云数据的分割

点云数据的分割是点云数据处理流程中的重要内容,同时也是点云数据三维重建的前提和基础.该研究在模糊C-均值聚类(FCM)算法的基础上,根据标靶点云和建筑物点云数据的不同特征进行实验,通过Matlab对地面雷达的标靶、建筑物点云数据进行分割,探讨模糊C-均值聚类算法对点云数据分割的可行性.实验结果显示,通过选择正确点云数据的特征属性,利用模糊C-均值算法对点云数据分割具有一定的可行性.     

基于点云边缘平滑和生物特征的鸡只体尺估测

目的 针对使用深度相机的鸡只体尺估测中,鸡只点云边缘抖动、羽毛冗余、特征点提取难的问题,本文提出一种结合点云边缘平滑和基于生物特征的特征点提取方法用于鸡只多部位体尺估测。方法 首先,通过直通滤波、统计滤波等方法对点云进行预处理,减少背景和噪点对目标的影响;其次,通过点云的空间变化约束边缘,采用连续多帧序列变化平滑边缘,减少边缘抖动对体尺测点提取的干扰;再次,对处理后的点云进行生物特征分析,结合基于邻域分析的边缘算法,融合RGB图像采用Canny边缘检测、霍夫变换等方法提取特征点;最后,依据特征点估测胸宽、半潜水长和胫长体尺。结果 试验结果表明,估测的胸宽平均误差为6.64%,胫长平均误差为5.93%,半潜水长平均误差为3.34%,平均每帧图像计算体尺耗时8.8 s。结论 本文算法可为鸡只体尺测量提供技术参考。     

基于无人机载激光雷达点云数据的人工侧柏林单木分割研究

可持续的森林经营管理模式有助于实现生态文明建设的高质量发展，人工林单木分割结果的获取是森林经营管理的关键。目前无人机载激光雷达技术为单木位置的精准定位和树冠的精确划分提供了应用空间。利用冠层高度模型(CHM)检测和提取单木数量和树冠、树高等信息，评估和分析空间分辨率和点云密度对单木分割和树冠提取结果的影响和精度，该方法可准确分割人工侧柏林和提取树冠信息，总体上单木分割精确率均>75%,树冠轮廓提取精确率均>65%,实测数据与提取数据的回归决定系数均>0.6。适当的空间分辨率有助于提高单木分割精度，当分辨率为0.3 m时单木分割和树冠提取结果均为最优。同时研究发现随着点云密度的降低，单木数量的识别精度值随之下降。当点云密度为100%时，F为89%,当点云密度为10%时，其F降低至73%。基于CHM模型可以较好实现人工林的单木精确分割，对林木出现的树冠重叠、覆盖、偏移等现象均有一定的辨别能力；同时分析了空间分辨率和点云密度对单木分割和树冠提取结果的影响并评估了精确性，识别了单木分割时关键参数的最优选择。     

基于机载LiDAR的高郁闭度华北落叶松林单木识别

【目的】高郁闭度华北落叶松林Larix principis-rupprechtii林木树冠交叉重叠,传统的基于高分辨影像的单木识别方法识别精度不高。利用机载LiDAR三维点云数据可提高高郁闭度华北落叶松林的单木识别精度。【方法】在点云数据预处理基础上,提出基于点云空间特征的高斯核函数改进的均值漂移单木位置识别方法 (MSP),比较并分析MSP法与基于点云空间特征的区域生长点云分割方法 (RGP)、基于冠层高度模型的局部最大值单木位置识别方法 (LMC)和基于冠层模型的多尺度分割单木位置识别方法 (MSC)的单木识别效果。【结果】4种方法单木位置识别精度从大到小依次为MSP(89.30%)、LMC (85.60%)、RGP (77.50%)和MSC (70.00%),MSP的漏分误差和错分误差最小,分别为8.7%和8.0%,平均单木冠幅提取精度为90.18%。【结论】提出的MSP法对高郁闭度华北落叶松林单木位置识别具有较好的适用性,利用机载LiDAR可为提取华北落叶松林森林结构参数提供新的途径。图3表3参28     

基于PROSAC算法的TLS林分树干提取研究

树干是树木的重要组成部分,对于林业调查研究具有重要意义。为了能从海量点云数据中快速精准提取林分树干,基于地面激光雷达单站点云数据,通过SOR滤波与体素化滤波对点云进行去噪和下采样处理,然后利用MLS移动最小二乘算法对数据进行平滑与孔洞修复,最后针对八叉树体元数据采用结合点法线的PROSAC算法建模提取林分树干。研究表明:PROSAC算法能适应条件复杂的林地,提取林分树干精度高、速度快、抗噪性强,可以提取多姿态树干点云,有极大的应用价值。本算法能快速精准地提取直径较大的树干点,且连续性较好,在保证算法效率与数据精度的基础上,能够获取连续性较好与姿态各异的林分树干点云。     

基于极限学习机的单木枝叶点云分类

[目的]在林业测量中,利用树木的三维激光点云数据提取其结构信息以及模型拟合三维重建较为普遍,而林木枝叶三维点云分割则是林木参数提取以及三维重建的前提。[方法]利用扫描的单木三维点云数据,提取了单木点云的空间特征、反射强度、RGB色彩特征等多维特征,为提高分类的效率,通过随机森林算法按照其特征重要程度排序,除去冗杂的特征,保留RGB色彩、反射强度、法向分布特征作为分割依据。采用极限学习机(Extreme Learning Machine,ELM)对训练样本进行学习,并对原始数据进行枝叶点云的分类识别试验,分类正确率达到98.99%。[结果]在同等试验条件下,分别采用BP(Back Propatation)神经网络、LVQ(Learning Vector Quantization)神经网络、决策树(Decision Tree)、朴素贝叶斯(Naïve Bayes Classifier,NBC)、支持向量机(Support Vector Machine,SVM)进行分类,分类,其正确率分别为94.30%、91.26%、96.95%、85.67%、98.16%。[结论]试验结果表明极限学习机的分类效果较好。     

基于MVS序列图像的油菜三维模型

为实现油菜作物模型的可视化研究,给油菜作物的数字化管理提供数据基础,以感染虫害的苗期油菜为研究对象,采用MVS序列图像技术,搭建MVS技术的序列图像采集平台。根据SFM和PMVS算法获得虫害油菜的稀疏点云数据和稠密点云数据,同时,探索序列图像数量对于特征点匹配的影响。对MVS序列图像技术获得的虫害油菜三维点云数据,采用滤波、精简、Alpha-Shape曲面重建等处理,得到虫害油菜的三维形态曲面模型。结果显示,使用图像数目多和8邻域匹配两者相结合的方法可以又快又好地匹配图像特征点;在获得合适的Alpha值情况下,Alpha-Shape算法可以真实形象地表现出虫害油菜的生长状态。     

基于改进区域生长法的羊体点云分割及体尺参数测量

针对传统羊体尺测量中测量耗时、应激大的问题,采用主成分分析、随机采样一致性算法和改进的区域生长法,基于三维点云对羊体尺参数测量进行研究。结果表明:1)使用主成分分析和随机采样一致性算法能计算羊体点云的法向量和曲率;2)改进的区域生长法能准确地分割出羊体区域,并且避免了外点的干扰;3)在羊体点云数据上选取体尺测点,计算羊体长、体高、臀高、胸深体尺参数,并与实测值比较,4种体尺参数的最大相对误差为2.36%,测量精度较高。试验证明改进的区域生长法能准确地对羊体点云进行分割,依据选取的体尺测点,能够实现羊体尺参数的无接触测量。     

基于逆向工程的汽车车身前翼子板重建技术

逆向工程技术是一项具有广泛应用前景的高新技术,可以迅速、精确、方便地获得实物模型的三维数据及模型,为产品设计提供了先进的产品开发、设计及制造的途径。以车身前翼子板为例,利用非接触式三维扫描仪获得车身的点云文件,利用geomagic-studio软件对点云进行曲率和点距取样,得到计算机能够处理的点云数据,将点云文件进行降噪等处理,生成曲面,对曲面进行光顺等一系列的处理,获得B级曲面。     

森林区域机载LiDAR点云数据的改进八叉树滤波算法研究

目的利用机载LiDAR点云数据能准确获取地物点三维坐标的特点,本文对森林区域LiDAR数据进行滤波分析,旨在提高点云滤波精度。方法基于改进的八叉树模型,将复杂地形分解为大量山坡地形,通过改变节点尺寸,既保留了点云的原始信息,又增强了点云数据分割的准确性。针对森林区域地形起伏不定的实际情况,在滤波算法中引入坡度判断,在一定程度上改善了山坡低矮植被易被错分为地面点的情况。结果对于3组不同地形下的点云数据,滤波总错误率分别为4.57%、4.75%和5.83%。这一结果对森林区域不同地形下的点云滤波具有一定的实用性。结论本文提出的改进八叉树滤波算法可以充分利用数据结构特征实现快速、高精度的滤波,从而节约时间成本和运行成本,也为后续森林参数的提取奠定基础。      

点云数据三维树木模型建立及三维绿量的估算

利用三维激光扫描仪所采集的点云数据模拟三维树木模型及利用模型进行三维绿量的估算。探讨了如何采集点云数据以及模型在三维绿量估算中的应用,主要包括点云数据的去噪处理、点云数据的匹配、树木三维模型的建立。结果表明,利用该方法建立树木的三维模型及进行三维绿量的估算取得了较理想的结果,能够满足三维绿量的计算精度。     

基于三维激光点云的树木胸径自动提取方法

胸径是评价林木生长状况的重要参数之一。针对接触式人工测量自动化程度低和基于点云的现有算法提取树木胸径精度不高的问题,提出一种基于点云数据的自动准确获取树木胸径的新方法。该方法以树木点云数据为基础,运用蚁群算法和B样条曲线拟合技术,实现树木胸径的自动准确提取。对实验区树木测量计算,结果表明,利用该方法提取树木胸径的均方根误差为±0.19 cm,平均绝对误差为0.15 cm,相对于基于点云的传统算法提取精度分别提高了50%和60.7%。该方法基于高精度点云数据,实现了树木胸径的无损自动提取,在精准林业领域具有推广价值。     

基于机载LiDAR数据的玉米叶面积指数反演

以机载LiDAR离散点云数据为数据源,基于植被冠层孔隙率与叶面积指数的关系,提出一种反演大田玉米叶面积指数的方法。对反演LAI和实测LAI进行对比分析,结果表明:基于Axelsson改进的不规则三角格网加密方法可以将地面点和非地面点分开,结合高分辨率影像能够提取出玉米冠层点云;基于孔隙率反演LAI,尼尔逊参数的选择对结果影响很大,利用扫描天顶角模拟尼尔逊参数,LAI反演结果接近于真实情况。利用机载LiDAR点云数据能精确地反演大田玉米LAI,该研究方法适用于中等高度的农作物,可以扩展到甜菜、甘蔗等其他中等高度农作物。