一种基于机载激光点云的城市树木提取方法及装置

技术领域

本发明属于计算机技术领域，具体涉及一种基于机载激光点云的城市树木提取方法及装置。

背景技术

森林是地球上可再生资源及陆地生态系统的主体，对人类的生存和发展有着不可替代的作用，树木作为森林的重要组成成分，树木的生长情况和结构信息时研究森林状况和变化的重要基础，传统的森林树木调查数据采集难度大、周期长且成本高，因此目前通常使用激光雷达来进行森林范围划定。

激光雷达主要是通过测定传感器发出的激光在传感器与目标物体之间传播的距离，呈现目标物精确的三维结构信息，机载激光雷达通过搭载在飞行器上，对物体进行自上而下的扫描，可快速获取大面积区域的森林资源信息，节省大量的人力和时间，记载激光雷达树木提取方法主要分为机器学习方法、深度学习方法和基于规则的点云分类方法，其中，机器学习方法需要设计大量合适的特征，并且精度受到分类器性能的影响，深度学习方法的样本需求量巨大，且在点云插值生成栅格图像的过程中，会丢失部分信息，基于规则的点云分类方法通过提取每个点的特征和相应的阈值进行分类，其对特征设计的合理性要求较高，且在城市场景下较高的建筑物易被错误分割成树木。

因此，如何在减少对特征或样本依赖的情况下准确地从点云数据中提取出树木部分，是本领域技术人员有待解决的技术问题。

发明内容

本发明的目的是为了解决现有技术对特征或样本依赖程度较高，且提取精度容易受影响的技术问题。

为实现上述技术目的，一方面，本发明提供了一种基于机载激光点云的城市树木提取方法，该方法包括：

获取原始点云数据，并对所述原始点云数据进行归一化处理得到第一集合；

获取所述第一集合中所有点的粗糙度特征值和发散度特征值；

基于所述第一集合中所有点的粗糙度特征值和发散度特征值确定树木点云。

进一步地，所述原始点云数据进行归一化处理得到第一集合具体包括

从所述原始点云数据分离出非地面点；

将每一个非地面点的高程值和数字高程模型中栅格高程值的差值作为对应非地面点的归一化高度值；

将所述归一化高度值不小于第一预设阈值的所有非地面点组合为所述第一集合。

进一步地，在获取所述第一集合中所有点的粗糙度特征值和发散度特征值之前，还包括对所述第一集合构建kd树。

进一步地，获取所述第一集合中所有点的粗糙度特征值，具体包括：

将所述kd树中第i点的第一预设数量临近点中与所述第i点之间空间距离小于预设距离的临近点组合为第二集合；

将所述第二集合中所有点进行平面拟合并得到最小二乘平面；

确定所述第二集合中每个点与所述最小二乘平面之间的距离；

累加所述第二集合中每个点对应的所述距离的平方；

将最终得到的累加和作为所述第i点的粗糙度特征值。

确定出所述第一集合中所有点的粗糙度特征值。

进一步地，获取所述第一集合中所有点的发散度特征值，具体包括：

基于所述第二集合确定出对应第i点的协方差矩阵；

将所述协方差矩阵进行奇异值分解并得到三个特征值；

根据所述三个特征值中最大特征值和最小特征值确定对应第i点的发散度特征值；

确定出所述第一集合中所有点的发散度特征值。

进一步地，所述基于所述第一集合中所有点的粗糙度特征值和发散度特征值确定树木点云，具体包括：

将所述第一集合中粗糙度特征值大于预设粗糙度阈值且发散度特征值大于预设发散度阈值的点进行标记；

将所有标记点进行提取作为所述树木点云。

进一步地，在将所述第一集合中粗糙度特征值大于预设粗糙度阈值且发散度特征值大于预设发散度阈值的点进行标记之后，所述方法还包括：

确定出所述第一集合对应的kd树中第i点的第二预设数量临近点中的标记点数量；

判断所述标记点数量是否不小于所述第二预设数量临近点的数量的一半；

若是，则将对应第i点重置进行标记，若否，则将对应第i点重置不进行标记；

将所述第一集合中所有点遍历进行重置后确定所述标记点。

另一方面，本发明还提供了一种基于机载激光点云的城市树木提取装置，所述装置包括：

归一化模块，用于获取原始点云数据，并对所述原始点云数据进行归一化处理得到第一集合；

获取模块，用于获取所述第一集合中所有点的粗糙度特征值和发散度特征值；

确定模块，用于基于所述第一集合中所有点的粗糙度特征值和发散度特征值确定树木点云。

本发明提供的一种基于机载激光点云的城市树木提取方法及装置，与现有技术相比，本方法包括：获取原始点云数据，并对所述原始点云数据进行归一化处理得到第一集合；获取所述第一集合中所有点的粗糙度特征值和发散度特征值；基于所述第一集合中所有点的粗糙度特征值和发散度特征值确定树木点云，实现了在减少对特征或样本依赖的情况下准确地从点云数据中提取出树木部分，且提高了提取精度，以及降低了人力成本和时间成本。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1所示为本说明书实施例提供的基于机载激光点云的城市树木提取方法的流程示意图；

图2所示为本说明书实施例中第一集合中所有点重置前树木点云示意图；

图3所示为本说明书实施例中第一集合中所有点重置后树木点云示意图；

图4所示为本说明书实施例提供的基于机载激光点云的城市树木提取装置的结构示意图；

图5所示为本说明书实施例提供的基于机载激光点云的城市树木提取服务器的硬件结构框图。

具体实施方式

为了使本领域普通技术人员更好地理解本说明书中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

如图1所示为本说明实施例提供的基于机载激光点云的城市树木提取方法的流程示意图，虽然本说明提供了如下实施例或附图中所示的方法操作步骤或装置结构，但基于常规或无需创造性劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元，在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。

本说明实施例中提供的基于机载激光点云的城市树木提取方法可以应用在客户端和服务器等终端设备中，如图1所示，所述方法具体包括如下步骤：

步骤S101、获取原始点云数据，并对所述原始点云数据进行归一化处理得到第一集合。

在本申请实施例中，所述原始点云数据进行归一化处理得到第一集合具体包括

从所述原始点云数据分离出非地面点；

将每一个非地面点的高程值和数字高程模型中栅格高程值的差值作为对应非地面点的归一化高度值；

将所述归一化高度值不小于第一预设阈值的所有非地面点组合为所述第一集合。

具体的，首先获取待提取区域的原始点云数据，然后通过CSF(Cloth SimulationFilter，点云地面点滤波算法)滤波算法将原始点云数据分离出地面点与非地面点，然后将滤波得到的非地面点进行插值生成数字高程模型，接着将非地面点中每一个点的高程值与该点对应的数字高程模型中栅格高程值相减，其差值作为该点的归一化高度值，这样能得到每个点距离地面的相对高度，能够消除地形影响，得到归一化的样地点云，也即第一集合。

需要说明的是，上述将原始点云数据分离出地面点和非地面点的算法仅为本申请示例性使用，本领域技术人员可根据实际情况灵活选择任意一种能将原始点云数据分离出地面点和非地面点的方法，这并不影响本申请的保护范围。

步骤S102、获取所述第一集合中所有点的粗糙度特征值和发散度特征值。

具体的，建筑物和树木的高度相似，因此高度特征不适用于城市场景下提取树木，建筑物顶部的表面较为光滑，而树冠顶部起伏不平表面粗糙，因此通过提取每个点云邻域范围内表征点云分布粗糙程度，并设定合适阈值即能将建筑物点和树木点区分开，获取粗糙度特征值和发散度特征值也即是为了将第一集合中建筑物点和树木点区分开。

在本申请实施例中，获取所述第一集合中所有点的粗糙度特征值，具体包括：

将所述kd树中第i点的第一预设数量临近点中与所述第i点之间空间距离小于预设距离的临近点组合为第二集合；

将所述kd树中第i点的第一预设数量临近点中与所述第i点之间空间距离小于预设距离的临近点组合为第二集合；

将所述第二集合中所有点进行平面拟合并得到最小二乘平面；

确定所述第二集合中每个点与所述最小二乘平面之间的距离；

累加所述第二集合中每个点对应的所述距离的平方；

将最终得到的累加和作为所述第i点的粗糙度特征值。

确定出所述第一集合中所有点的粗糙度特征值。

具体的，也就是遍历第一集合中的所有点，在依次确定每个点的粗糙度特征值时，先确定出第i点的第一预设数量临近点，该第一预设数量可以为15，也可以为本领域技术人员根据实际工作场景灵活设置，其目的是为了通过提取每个点云邻域范围内表征点云分布粗糙程度的特征，并设定合适的阈值可以将建筑物点和树木点区分开，确定出第一预设数量临近点后，将临近点钟与第i点之间空间距离小于预设距离的临近点组合为第二集合，以方便计算第i点的粗糙度特征值，具体为先将第二集合中所有点进行平面拟合从而得到最小二乘平面，平面拟合的方式可以是最小二乘法，然后确定第二集合中每个点与该最小二乘平面之间的距离，并将每个点对应的距离进行平方，接着将所有点的距离平方进行累加，最后的累加和即为第i点的粗糙度特征值，根据该步骤可以确定出第一集合中所有点的粗糙度特征值。

在本申请实施例中，获取所述第一集合中所有点的发散度特征值，具体包括：

基于所述第二集合确定出对应第i点的协方差矩阵；

将所述协方差矩阵进行奇异值分解并得到三个特征值；

根据所述三个特征值中最大特征值和最小特征值确定对应第i点的发散度特征值；

确定出所述第一集合中所有点的发散度特征值。

具体的，首先对第一集合构建kd树(k-dimensional树)，kd树是在k维欧几里得空间组织点的数据结构，kd树是空间二分树的一种特殊情况。

遍历第一集合中每个点pi，搜索kd树中第i点的第一预设数量临近点中与第i点之间空间距离小于预设距离的临近点，并将其组合为第二集合，其中第一预设数量可设为15，预设距离可设为3，然后使用最小二乘法将第二集合中所有点进行平面拟合，计算第二集合中每个点与该最小二乘平面距离的平方和作为第i点的粗糙度特征值。

然后计算该第i点的第二集合的协方差矩阵cov，公式如下：

其中，n为第二集合中所有点的数量，N为第二集合中所有点组合成矩阵，

然后对协方差矩阵cov进行奇异值分解得到三个特征值，其分别是第一特征值λ

步骤S103、基于所述第一集合中所有点的粗糙度特征值和发散度特征值确定树木点云。

具体的，将所述第一集合中粗糙度特征值大于预设粗糙度阈值且发散度特征值大于预设发散度阈值的点进行标记，将所有标记点进行提取作为所述树木点云，需要说明的是，通过阈值直接标记可看做初步分类，而为了更加精确提取出树木，在本申请实施例中，在将所述第一集合中粗糙度特征值大于预设粗糙度阈值且发散度特征值大于预设发散度阈值的点进行标记之后，所述方法还包括：

确定出所述第一集合对应的kd树中第i点的第二预设数量临近点中的标记点数量；

判断所述标记点数量是否不小于所述第二预设数量临近点的数量的一半；

若是，则将对应第i点重置进行标记，若否，则将对应第i点重置不进行标记；

将所述第一集合中所有点遍历进行重置后确定所述标记点。

具体的，上述也即是，在通过粗糙度阈值和发散度阈值确定出标记点后，重新遍历第一集合中每个点，搜索kd树中第i点的第二预设数量临近点中的标记点数量，要是该标记点数量超过第二预设数量的一半，则将该第i点重置进行标记，若是不超过，则将对应第i点重置不进行标记，粗糙度阈值可设为0.03，发散度阈值可设为0.03。本步骤是由于建筑物四周以及屋顶的凸起部分与周围高度差较大，易误分为树木点，所以根据建筑物和树木的分布情况，建筑物点周围分布非其他建筑物点更多，通过判断参考树点邻域内的建筑物点与树木点的相对数量进行再分类可以减少误差。

以某森林公园的一块样地为试验区域，该区域地理位置坐标为东经104°25′41.00″～104°26′4.92″，北纬30°57′59.71″～30°58′16.49″，以“运-5”型飞机为机载飞行平台，搭载激光雷达LMS-Q680i、航空数码CCD相机、GNSS和惯性导航系统。点云密度为1.5pts/m2。

通过上述方法获取到第一集合中所有点重置前树木点云示意图如图2所示，第一集合中所有点重置后树木点云示意图如图3所示。

通过上述方法，利用机载激光雷达获取的城市场景点云数据，根据建筑物和树木的形态特征和分布情况，经过地面点滤波、点云归一化、特征提取、再分类，建立基于原始机载激光点云的城市场景下树木提取方法。

综上所述，本发明可以摆脱对多源数据的依赖，仅通过激光雷达点云数据从城市场景下精确提取出树木，同时算法效率较高、鲁棒性较强，适用于城市场景中树木点云的提取。

基于上述的基于机载激光点云的城市树木提取方法，本说明一个或多个实施例还提供一种基于机载激光点云的城市树木提取的平台、终端，该平台或终端可以包括使用本说明书实施例所述方法的装置、软件、模块、插件、服务器、客户端等并结合必要的实施硬件的装置，基于同一创新构思，本说明书实施例提供的一个或多个实施例中的系统如下面的实施例所述，由于系统解决问题的实施方案与方法类似，因此本说明书实施例具体的系统的实施可以参考前述方法的实施，重复之处不再赘述，以下所使用的术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，软硬件结合的实现也是可能并被构想的。

具体地，图4是本说明书提供的基于机载激光点云的城市树木提取装置一个实施例的模块结构示意图，如图4所示，本说明书中提供的基于机载激光点云的城市树木提取装置包括：

归一化模块401，用于获取原始点云数据，并对所述原始点云数据进行归一化处理得到第一集合；

获取模块402，用于获取所述第一集合中所有点的粗糙度特征值和发散度特征值；

确定模块403，用于基于所述第一集合中所有点的粗糙度特征值和发散度特征值确定树木点云。

需要说明的是，上述的装置根据对应方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照上述对应的方法实施例的描述，在此不作一一赘述。

本申请实施例还提供了一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器被配置为用于执行如上述实施例提供的方法。

本申请实施例提供的电子设备，通过存储器存储处理器的可执行指令，当处理器执行该可执行指令时，能够获取原始点云数据，并对所述原始点云数据进行归一化处理得到第一集合；获取所述第一集合中所有点的粗糙度特征值和发散度特征值；基于所述第一集合中所有点的粗糙度特征值和发散度特征值确定树木点云，实现了在减少对特征或样本依赖的情况下准确地从点云数据中提取出树木部分，且提高了提取精度，以及降低了人力成本和时间成本。

本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图5是本说明书一个实施例中基于机载激光点云的城市树木提取服务器的硬件结构框图，该计算机终端可以是上述实施例中的基于机载激光点云的城市树木提取服务器或基于机载激光点云的城市树木提取装置。可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。

非易失性存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的基于机载激光点云的城市树木提取方法对应的程序指令/模块，处理器100通过运行存储在非易失性存储器200内的软件程序以及模块，从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，非易失性存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果，如：

获取原始点云数据，并对所述原始点云数据进行归一化处理得到第一集合；

获取所述第一集合中所有点的粗糙度特征值和发散度特征值；

基于所述第一集合中所有点的粗糙度特征值和发散度特征值确定树木点云。

所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如ram、rom等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置如，cd或dvd。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。

本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书实施例的可选实施方案范围之内。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或插件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

这些计算机程序指令也可装载到计算机或其他可编程资源数据更新设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参考方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。