(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210835301.0 (22)申请日 2022.07.15 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 李世华　田志林　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 闫树平 (51)Int.Cl. G01S 7/48(2006.01) G06V 10/26(2022.01) G06V 10/762(2022.01) (54)发明名称 一种基于分割几何特征的树林点云枝叶分 离方法 (57)摘要 本发明属于地面激光雷达点云数据处理技 术领域， 具体涉及一种基于分割几何特征的树林 点云枝叶分离方法。 本发明基于地面激光雷达获 取的树林点 云数据， 经历DBSCAN粗 分割和RANSAC 细分割， 建立用于区分树林点云枝叶组分的树林 点云枝叶分离方法。 本发明能够在较少人工干预 的情况下快速分离树林点云的枝叶成分， 且保持 较高的分离精度。 该方法简单、 运行高效， 能快 速、 准确地对大面积树林点云进行枝 叶分离， 为 树林点云枝叶分离提供了一种新的思路， 并可进 一步应用于叶面积指数反演、 木质体积估算、 树 木真实感三维建模等领域。 权利要求书1页 说明书5页 附图3页 CN 115390040 A 2022.11.25 CN 115390040 A 1.一种基于分割几何特 征的树林点云枝叶分离方法， 其特 征在于， 包括以下步骤： 步骤1、 粗分割： 对树林点云进行分割并提取细枝类簇点云、 直 立树干类簇点云； 1‑1、 对树林点云水平分层， 每 个点所属层号 Li由以下公式确定： 式中， dz为分层间距， 取20～30cm； floor表示向下取整， Zi表示点i的坐标Z值， Zmin表示 所有点的最小坐标Z值， Li∈(0,1,2,3, …)； 1‑2、 采用DBSCAN算法将步骤1 ‑1分层后的每层点云分别进行聚类； DBSCAN算法包含两 个参数： 一个是Eps， 用于指定聚类间的最小相邻距离； 另一个是MinPts用于确定一个点是 否为参与聚类的核心点， Eps取5～10 cm， MinPts固定为1； 1‑3、 对步骤1 ‑2聚类生成的所有类簇分别依次进行如 下判断， 以提取其中的细枝类簇、 直立树干段类簇； 1‑3‑1、 尺寸滤波： 如果 当前类簇的外接立方体高度Vh<0.75*dz， 则判定为破碎叶片类簇 并将其滤除； 1‑3‑2、 投影分类： 如果当前类簇未被1 ‑3‑1滤除， 则将当前类簇点云投影到平面格网， 格网为边长5～10c m正方形构成的矩阵网格， 当某个网格有 数据点落入时， 对 该网格赋值1， 否则赋值0； 遍历网格， 如果不存在3*3邻域中的网格的值均为1的情况， 则判定该类簇为细 枝类簇或直 立树干段类簇并对其进行提取； 步骤2、 对步骤1 ‑2聚类生成的所有类簇中未被识别为破碎叶片类簇、 细枝类簇或直立 树干段类簇的其 余类簇分别进行如下操作， 以提取其中的枝干成分； 2‑1、 采用RANSAC算法对当前类簇进行圆柱分割， 得到圆柱内点Inner和对应 的圆柱模 型C； 用到的参数包括法线估算邻域半径r， 最大迭代次数n， 模型表面距离阈值d， 其中r取 0.5～2cm， n取10 0～1000， d取1～ 2cm； 2‑2、 统计当前类簇中位于圆柱模型C内部的点数k， 如果k<(0.5～0.6)*Inner， 则内点 Inner为枝干点； 2‑3、 当步骤2 ‑2识别内点Inner为枝干点后， 提取Inner并将其从当前类簇中分离出去， 然后再从步骤2 ‑1开始对该类簇 重复分割， 直到2 ‑2识别内点 Inner不为枝干点。权　利　要　求　书 1/1 页 2 CN 115390040 A 2一种基于分割几何特征的树林点 云枝叶分离方 法 技术领域 [0001]本发明属于地面激光雷达点云数据处理技术领域， 具体涉及一种基于分割几何特 征的树林点云枝叶分离方法。 背景技术 [0002]近几十年来， 光学遥感技术的发展和运用为传统的森林调查提供了便利， 能够获 取大范围森林生长参数和生态、 环境信息， 然而光学遥感技术受其自身技术特点的 限制， 难 以获取树林三维结构参数。 激光雷达(light  detection  and ranging， lidar)能够主动发 射激光束， 获取准确、 高分辨率的森林点云数据， 是定量林业研究中重要的数据来源， 被认 为是一种前景广阔的技术。 激光雷达按其所搭载的平台不同， 可大致分为航空激光雷达 (Aerial Laser Scanning， ALS)和地面激光雷达(Terrestri al Laser Scanning， TLS)， 它 们在应用尺度、 分辨率、 精度、 观 察角度、 数据采集能力上差异巨大。 TLS能在单木、 样地尺度 能获取高分辨率、 细节详细的树木立体结构数据， 被用于叶面积指数反演、 木质体积估算、 树木真实感三维建模等。 [0003]以上应用离不开对枝干点云和树叶点云的精确 分割。 对于单棵树， 手工分离能保 证精度且不算耗时， 而对于样地和森林， 手工 分离将费时耗力。 为了能够自动、 高效、 精确的 分离枝叶点云， 近些年国内外出现了很多关于点云枝叶分离的研究。 TLS提供了回波强度数 据和三维坐标数据， 二者均可用于点云分类。 回波强度由于受到距离、 入射角等因素影响且 部分仪器采用的波段对枝叶的反射差异 不明显， 因此利用回波强度进 行枝叶分离不具普适 性。 坐标数据是TLS的基本数据， 其能反映枝叶的几何外形， 因此可以利用枝叶的形态差异 进行点云枝叶分离。 根据形态差异所处的空间尺度， 将当前方法用到的分类特征分为局部 几何特征和分割几何特 征。 [0004]局部几何特征由每个点的k邻域或半径邻域计算得到， 枝干和叶片在局部区域的 形态差异构成分类基础。 云挺等(2018)获取每个激光点的法向量、 结构张量特征、 形状特 征， 结合高斯分类器实现了对橡胶林段的枝叶分离操作。 马利霞(2015)利用 局部几何特征 选取不同类别的训练样本， 基于期望最大化算法为每个类构建高斯混合模型， 以此作为分 类器对森林点云逐点分类， 将森林点云分为地面、 树枝和树干、 树叶和灌丛三类。 汪献义等 (2019)使用xgboost树型分类器， 基于6个 分离性好的经验 特征构建动态近邻特征和多尺度 特征， 取得了比定 近邻特征更好的枝叶分离精度。 [0005]分割几何特征指枝干呈线性或圆柱形、 叶片平坦、 叶片离散分布、 枝干连续分布 等， 可以利用这些特征对树木点云进行分割和识别。 Tao等(2015)基于枝干点云的水平切面 呈圆形或者椭圆形， 而叶簇切面可以抽象为线段的特性分离树木的光合组分和非光合组 分。 Wang(2018)等人提出一种叫做动态分段合并的方法， 利用密度和法向差异分割点云， 基 于枝干呈线性特征， 实现对树木枝干点云的识别。 Ferr ara(2018)等人将单木点云体素化， 并使用基于密度的空间聚类算法(DBSCAN)以区域增长的方式实现枝干与树叶点云的分离。 Su(2019)等人提出一种分类与分割相结合的方法来提取单木枝干点云， 该方法首先对树木说　明　书 1/5 页 3 CN 115390040 A 3