[发明专利]一种基于点云数据的树木自动分割方法

说明书

技术领域

本发明涉及点云数据处理方法和智慧交通领域，具体的说是一种基于三维点云数据对树木进行自动分割的方法。

背景技术

随着经济和城市化的快速发展，交通拥堵等状态也在不断恶化，交通标志牌的检测及识别得到越来越多的关注。树木遮挡是智能交通系统中主要的阻碍因素，因此单树分割具有重要意义。树木完成精确分割，可以进一步获得树的结构属性，如树木高度、树冠直径、树冠高度，底面积，胸径，木材体积以及物种类型，对林业也起到了重要的作用。

激光探测与测量(Light Detection and Ranging,LiDAR)是一种主动遥感技术，该技术通过传感器发出的激光脉冲来测定传感器与目标物之间的距离、探测目标的位置、速度等特征，具有与被动光学遥感不同的成像机理。为了满足“精准交通”的更精确、更自动化、更细致的要求，利用先进的遥感技术针对单株树木进行分割以减少对交通牌的遮挡已经成为智慧城市信息化管理的必然趋势。

发明内容

本发明的目的在于提供一种基于点云数据的树木自动分割方法，其可在无需人工干预的，快速准确对点云数据中树木进行提取测量。

为实现上述目的，本发明采用以下技术方案：

一种基于点云数据的树木自动分割方法，包括以下步骤：

S1、预处理：包括噪声点去除、数据抽稀、空间数据索引的建立以及地面滤波的预处理工作；

S2、空间网格化投影：将步骤S1中得到的点云数据根据离散点的空间密度分布自适应的将空间域划分为若干正方形格网，将三维数据垂直投影到二维平面；

S3、滤除不合格网格：剔除步骤S2中带有少量信息的网格；

S4、基于启发式搜索的树干位置识别：对步骤S3得到的网格进行搜索，得到树干所在位置的网格；

S5、划分单树树冠：利用步骤S4中得到的树干位置作为初始种子，通过改进的分水岭方法划分个体树冠。

还包括步骤S6、验证与矫正：对步骤S5中得到的分割结果进行验证。

所述步骤S1包括以下分步骤：

S11、建立KD-tree空间数据索引；

S12、利用RANSAC自动检测和剔除地面点，设置被检测的目标函数模型为平面，同时设置距离参数阈值来决定RANSAC目标函数中的判断为内点的准则，再利用生成的KD-tree索引有效地提取出城区中的平坦地面。

所述步骤S2包括以下分步骤：

S21、计算空间格网区域激光扫描点云的数量N，再根据点云数据的最小包围矩阵，矩阵范围为(x_range,y_range)，计算出该区域的面积S，其中x_range和y_range的范围分别是点云数据里的(x_min，x_max)和(y_min，y_max)。由此可以计算出激光点云数据的密度D：

D＝N/S；

S22、根据计算出的数据密度D，以及空间网格所要求的平均点云数目得到单位网格的面积Sgrid，最后获得网格大小GridSize以及空间网格所在的行列数目(Row，Col)；

S23、建立一个行乘以列大小的数组或容器，用于存储每个网格的属性信息；

S24、遍历激光扫描点云最小包围矩阵内的所有点，判断每个点所在的格网位置，对于落在格网边界上的点，规定每个格网包括落在其左边界和下边界的点，不包括其右边界和上边界的点。

上述步骤S24中，所述激光点P(x，y)落在格网ImageInfo[r][c]的判别公式为：

r＝(x-x_min)/GridSize

c＝(y-y_min)/GridSize

所述步骤S3包括以下分步骤：

S31、对于步骤S2得到的网格，如果网格中的最大高度小于设定的某一阈值，则删除该网格中的所有点；

S32、对于步骤S2得到的网格，通过计算网格中的总点数除以网格面积得到网格密度值，如果小于某一阈值，则删除该网格中的所有点。

上述步骤S31中的所述网格的高度阈值根据实际树木高度进行设定，所述步骤S32中的所述网格的密度阈值根据激光点云的密度进行设定。

所述步骤S4包括以下分步骤：

S41、随机的选择初始网格位置，将其设置为当前网格；

S42、对当前网格的邻域进行搜索，如果某个邻域网格的密度高于当前网格，那么当前网格将往更高密度的邻域网格移动。一次搜索过程将进行到所有的邻域网格密度都小于当前网格时停止，此时当前网格被标记为树干位置网格；

S43、重复步骤S41、S42直到该爬山搜索直到抵达设定的迭代次数。