[发明专利]基于车载2D LiDAR点云数据的行道树靶标识别方法

说明书

本发明公开了一种基于车载2D LiDAR点云数据的行道树靶标识别方法，包括使用车载2D LiDAR系统获取街道数据，保存为点云文件，对点云文件进行树冠及非树冠类别标注；构建变尺度格网，从变尺度格网中提取三维球域；计算三维球域内的点云特征向量，得到点云特征向量集；SVM算法从点云特征向量集中学习树冠点云分类器；根据树冠点云分类器对点云帧进行在线识别，得到喷雾处方图。本发明采用数据冗余度小、易于在线处理的车载2D LiDAR获取城市街道数据，为对靶施药提供精确喷雾依据。建立保留数据精度、提高邻域检索效率、满足在线处理需求的点云序列空间索引结构，实现行道树靶标的准确识别。

技术领域

本发明涉及靶标识别领域，更具体地，涉及一种基于车载2D LiDAR点云数据的行道树靶标识别方法。

背景技术

行道树是城市生态系统和城市景观的重要组成部分，面对当前日益严峻的环境污染问题，行道树对改善城市生态环境、净化空气、调节气候以及涵养水源方面有着重要意义。受温室效应、人为干扰等因素的影响，行道树病虫害日益增多，致使行道树枯萎或死亡，不仅严重影响行道树绿化与美化效果，而且直接影响城市生态环境与居民生活，成为园林绿化精细化管理的制约因素。

由于行道树存在间距较大、树冠大小不同或缺株现象，连续喷雾施药方式使得大量药液流失到地面或飘移挥发到空气中，严重污染城市环境，影响居民生活工作。目前，对靶施药技术已在果园、苗圃病虫害防治中取得成功应用，与连续喷雾施药方式相比，可节省20％～75％的药液，并有效提高药液在树木目标上的沉积率，降低农药残留。由于城市街道包含建筑物、路灯、电线杆、标志牌等多种地物目标，极大地增加了靶标识别难度，向对靶施药技术提出了更高的要求。

车载3D LiDAR(light detection and ranging)系统是行道树遥感测量的有效手段，采用的行道树识别方法可按点云数据组织结构分为格网法、体素法及点云法三类。格网法始于机载LiDAR冠层高度模型(canopy height model，CHM)，将空间区域划分为二维规则格网，根据LiDAR数据点的平面坐标建立激光点与格网的对应关系，应用图像分割、轮廓提取、形态学运算等图像处理手段进行行道树定位和分割。体素法可视为格网法在三维空间的扩展，将空间划分为体素，通过对体素进行空间聚类或区域生长提取完整行道树。点云法直接对原始或归一化的LiDAR数据进行操作，为提高点云检索效率，常采用四叉树、八叉树、KD树(k-dimension tree)等结构组织点云。格网、体素等均匀空间索引结构能有效降低点云数据量及数据冗余度，提高邻域检索效率，但难以处理点云密度不均的情况，同时格网/体素尺寸选择与分割精度较难平衡。四叉树、八叉树、KD树等空间索引结构能较好适应数据非均匀分布，保留数据精度，便于点云批量显示、存储，但不适用于数据在线处理的情况。

发明内容

本发明的目的是提供一种基于车载2D LiDAR点云数据的行道树靶标识别方法，采用数据冗余度小、易于在线处理的车载2D LiDAR获取城市街道数据，识别行道树靶标，为对靶施药提供精确喷雾依据。

为了实现上述目的，本发明提供一种基于车载2D LiDAR点云数据的行道树靶标识别方法，包括以下步骤：

步骤一：使用车载2D LiDAR系统获取街道数据，保存为点云文件，对点云文件进行树冠及非树冠类别标注；

步骤二：构建变尺度格网，从变尺度格网中提取三维球域；

步骤三：计算三维球域内的点云特征向量，得到点云特征向量集；

步骤四：SVM算法从点云特征向量集中学习树冠点云分类器；

步骤五：根据树冠点云分类器对点云帧进行在线识别，得到喷雾处方图。

上述的步骤一具体为：

步骤101：获取包含树冠及非树冠点云的街道数据，保存为点云文件；