[发明专利]基于形状特征的点云场景树木树冠及木质点分离方法

说明书

本发明公开的基于形状特征的点云场景树木树冠及木质点分离方法，包括以下步骤：计算每点的特征值和特征向量，计算每个点的几何特征，构造分类所需的16维特征，提取每点多个尺度的几何特征；使用支持向量机将点云场景分为四类，提取其中的散状点，对散状点进行分割，提取场景中的树冠点云数据；构造单个树冠的最小包围盒，对最小包围盒向xOy平面映射，提取候选点；依据候选点的高度和候选点间的邻近关系，对候选木质点的分解；去非木质点和噪声点完成场景中树冠与木质点的分离。本发明解决了现有树木分割方法缺少对大型点云场景中多棵树冠和木质点分离和无法对多棵树木进行树干分离的缺陷。

技术领域

本发明属于计算机视觉与计算机图形学相结合的交叉学科技术领域，具体涉及一种基于形状特征的点云场景树木树冠及木质点分离方法。

背景技术

点云场景中树木的木叶分离问题，一直以来都是三维点云处理中一个重要的研究环节。树木是城市场景中的重要组成部分，由于其生长姿态的多样性以及树冠与木质点的邻近性，使得分离城市场景中的树冠与木质点仍有很大的困难。

目前，已有的木质结构与树冠分离算法大多是针对单棵树，完成树木的木材以及树叶的分离。但是对于场景应用而言，单棵树木的树冠与木材的分离，并不能满足当前的应用需求。且相较于二维的图像处理，点云由于其自身三维坐标的特点，能够很好的保留树木的结构特性，且不受光照阴影等环境的影响，具有很高的研究价值。

目前，点云树冠与木质结构分离的算法主要有基于模型拟合的分割方法和基于几何特征的分割方法：

1、基于模型拟合的分割方法

基于模型拟合的分割方法的主要思想是通过对比点的局部几何形状信息来完成树冠与木质点的分离。

随机采样一致(RANSAC)算法是一种典型的基于几何特征的分割方法，是Fischler与Bolles于1981年提出的基于对模型的假设与选择的方法。Su等人对树木点云数据进行水平切分的基础上，利用K-means和RANSAC算法，将树木点云分为木质点、树叶点以及混合点(包括木质点以及树叶点)。然后利用RANSAC算法对木质点以及混合点进行柱面分割，完成树木点云木材成分进行精确提取。Xu等人在利用高程直方图移除地面点的基础上，通过圆拟合的方法对树干的投影点进行圆拟合；最后，利用动态规划算法求解树干生长的最优路径，完成树干的提取。此类方法适用于简单场景的单木分割，但由于复杂场景中存在许多非树木特征，产生的模型和拟合效果差，导致分割效果不准确。

2、基于几何特征的分割方法

基于局部特征的分割方法的主要思想是通过对点与点之间的局部特征相似度，完成对树木的分割操作。

James在1967年提出的无监督k-means聚类算法，通过对给定样本之间的距离大小，将数据划分为不同的点簇完成分割。Tan等人分别利用K-means算法，基于点的强度和密度完成单棵树树叶和木质点的分离。并提出了一种基于连通聚类算法根将剩余叶点分离出来。最后将每次提取的叶点合并，完成最终叶点和木质点的分离。

大型场景中的树木点云数据相对于对单棵树木进行扫描得到的点云数据而言，数据量大，且包含较多的噪声。同时，场景中包含的其它物体容易对树木树冠与木质点的分离造成干扰，因此已有的方法不适用于点云场景中的多棵树木的树冠及木质点分离。

发明内容

本发明的目的在于提供一种基于形状特征的点云场景树木树冠及木质点分离方法，解决了现有方法无法在复杂街道场景中分离多棵树木树冠与木质点的问题。

本发明所采用的技术方案是：基于形状特征的点云场景树木树冠及木质点分离方法，包括以下步骤：

步骤1、利用主元分析法计算每点的特征值和特征向量，根据所求得的特征值与特征向量，计算每个点的几何特征相关信息，构造分类所需的16维特征，提取每点多个尺度的几何特征以提高分类准确性；