地基激光雷达森林近地面点云精细分类与倒木提取 |
您所在的位置：网站首页 › 地基激光雷达名词解释简答 › 地基激光雷达森林近地面点云精细分类与倒木提取 |
|
1、引 言 倒木(Fallen Wood)是森林生态系统的重要组成部分，对维持森林生态系统物种多样性以及林木更新有着不可忽略的作用(Carmona 等，2002)。森林倒木的研究主要针对林木的死亡、倒木碳储量、倒木动态分解、倒木天然更新等陆续开展(Cornaby和Waide，1973；Pyle和Brown，1999；Rubino和McCarthy，2003；辛魏巍，2012)。森林倒木与地表枯落物水含量较低，是森林火灾的重要可燃物，Rowell等(2016)提出在环境复杂的森林中，倒木、低矮灌木和枯落物混杂的林下地表更容易引发火灾。Sandberg等(2006)将倒木作为重要因子输入FCCS(Fuel Characteristic Classification System)模型评估林火等级。森林垂直结构是森林生态系统的重要参数，倒木结构的提取对提高森林生物量估测精度、开展森林演替、碳循环、初级生产力的研究具有重要意义(Yang 等，2002；娜丽，2015)。 激光雷达LiDAR(Light Detection And Ranging)技术是近20年来迅速发展的主动遥感技术。与被动光学遥感工作机制不同，LiDAR能够有效探测森林植被的空间结构和地形，在森林参数的定量测量和反演上取得了成功的应用，特别是对森林垂直结构的探测能力，具有传统光学遥感数据难以比拟的优势。地基激光雷达TLS(Terrestrial Laser Scanning)具有探测森林内部三维场景的能力，可以提供一种快速、无破坏、全自动的方式来获取森林调查因子，如树干位置、胸径、树高、树冠尺寸等(Király和Brolly，2007；Kankare 等，2013；Zheng 等，2013)。TLS也能够获取精细的林冠下层垂直结构(Liu 等，2017；Moskal和Zheng，2011)。近期TLS的相关研究集中在立木的三维建模与参数提取，刘鲁霞等(2014)在胸径处水平切割点云得到2D平面，并利用Hough变换拟合单木胸径。Wang等(2016)基于随机抽样一致RANSAC(Random Sample Consensus)将分层投影到平面的树干点云圆弧拟合，并按照原始点云高度重塑立木圆柱3D形态。Olofsson等(2014)分析了点云不同高度层的比例以确定树干位置，然后用RANSAC进行圆柱拟合。这些研究的共同特点是使用距离地面点1 m以上的点云，消除了大部分地面植被。Liang等(2012)使用基于局部协方差矩阵特征的分类获得枝干点云。Ma等(2016)使用协方差特征分类得到叶片点云并实现了LAI的反演。Weinmann(2014)使用协方差特征值构造熵函数，确定最佳k临近点云个数作为自适应邻域，根据每个邻域协方差构造点云特征实现三维场景点云分类。以上研究使用协方差特征实现了不同场景的点云分类，但是尚未实现森林复杂场景近地面点云分类。 利用LiDAR对倒木点云分类和参数拟合的研究主要基于ALS(Ariborne Laser Scanning)数据展开(Lindberg 等，2013；Nyström等，2014；Polewski 等，2015)，而利用TLS识别倒木的研究较少。现有TLS研究主要是将森林场景分为枝干点、地面点和植被点，拟合立木参数等。Lalonde等(2016)使用车载激光雷达实现了森林场景叶片点、枝干点、地面点和电力线点的分类，并对枝干点云进行了圆柱拟合。此外，TLS高密度点云和ALS点云(每平方米数个至数十个)识别倒木的方法有很大的不同，ALS数据一般只能利用倒木的线性特征识别(Polewski 等，2015)，而TLS数据则有可能直接从3D空间进行圆柱识别。由于大量倒木紧贴地面导致获取其参数时效率较低，使用地基激光雷达能够通过扫描得到倒木的三维结构拟合出整体圆柱结构，更加准确高效的获取倒木参数。 利用TLS进行倒木研究的难点在于：(1) TLS数据中立木和灌木遮挡倒木，导致倒木采样不完整；(2) 倒木贴近地面，其自身形变导致圆柱形态弱化，一株倒木可能呈现非线性的圆柱特征；(3) 扫描位置固定引起的目标物的不完整采样以及点密度的变化导致分类和圆柱拟合难度增加；(4) 倒木倒向的不确定性导致倒木参数获取难度增加。针对以上倒木研究的难点，本研究的目标是针对地表植被复杂、树木和灌木遮挡严重的森林场景，进行基于TLS的复杂森林近地表点云精细分类和倒木提取。 2、研究区概况及数据 (2.1) 研究区实验区位于内蒙古自治区根河市大兴安岭森林生态系统国家野外科学观测站内，地理位置50°49′N—50°51′N，121°30′E—121°31′E，地处大兴安岭西北坡，海拔800—900 m，属寒温带半湿润气候区，冬季极端天气和采伐导致林地出现大量倒木(娜丽，2015)。 (2.2) 研究数据本研究的TLS数据于2016年8月用Trimble TX8采集，采用窄的红外激光束快速扫描，扫描时间3 min，30 m处点间隔11.3 mm。同时使用全站仪测量样地中胸径5 cm以上的倒木端点坐标(图1)和地基激光雷达7个靶标坐标，使用RealWorks和Trimble Business Center软件实现多站拼接和倒木坐标的相对配准。倒木底端测量位置为倒木根部树干起始处，顶端测量至顶端胸径小于5 cm的位置，树冠有枝叶的倒木测量到枝叶下端位置。本文研究对象为A、B、C的3个边长20 m的正方形样地。样地中杂草灌木对倒木有一定遮挡，A样地倒木由于腐朽程度较低树干上杂枝比较多，B、C样地倒木上杂枝较少，根据场景的复杂程度进行了不同站数的扫描，A、C两个样地扫描4站，B样地扫描1站，能够有效表达场景中倒木分布(表1)。 图 1 样地倒木情况 Figure 1 Fallen wood of the plots 表 1(Table 1) 表 1 样地概况表 Table 1 Summary of Research Plots 样地 名称 倒木数量 (直径>5 cm) 地表植被 复杂度 坡度 扫描 站数 点云总数/万 A 14 高对分类后的倒木点云进行去噪，然后进行RANSAC圆柱拟合，根据其轴线方向将分割结果划分为倒木圆柱和立木圆柱；根据圆柱两两之间的夹角和距离阈值进行倒木圆柱的合并。 (3.1) 点云变量提取LiDAR点云分类一般基于点云几何邻域特征展开。本研究使用点云团块特征通过自适应k临近kNN(k Nearest Neighbor)的方法查找点云邻域，根据团块内点云的协方差特征值构成3D和2D特征。自适应k临近是通过逐步增加临近点云个数得到的特征值，构造熵函数从而确定每个点云自适应邻域的点云个数。2D特征是自适应邻域内x，y平面方向的特征。 3.1.1. 自适应邻域k值森林场景的复杂结构和地基激光雷达多站扫描导致扫描的点云密度变化很大，使用固定半径或者固定点云个数的kNN都会存在弊端。当搜索点云个数固定(图3(a))，点云密度较高( ${q_1}$ )或者较低时( ${q_2}$ )，目标点云将受到不同距离点云的影响，导致点云特征的代表性降低。当k临近搜索半径固定时(图3(b))，点云密度较高( ${q_3}$ )导致目标点云特征计算数据冗余；点云密度较低( ${q_4}$ )时，团块内点云不足以提取目标点云特征因子。因此，本文根据每个点云的邻域环境确定合适的临近点云个数并计算协方差特征值，具体过程如下。 图 3 点云临近搜索示意图 Figure 3 Point cloud search based on kNN设定 $q = (x, y, {\textit{z}}) \in {{\rm{R}}^3}$ 是3D点云空间中的一个点云， ${V_{\rm{R}}}(q')$ 代表距离目标点云 $q'$ 最近的k个点云团块， $q = (x, y, {\textit{z}})$ 是 ${V_{\rm{R}}}(q')$ 团块中的临近点云， $q'$ 是目标点云，k是临近点云个数，式(1)—(3)计算团块 ${V_{\rm{R}}}(q')$ 内点云协方差特征值 $({{\textit{λ}} _1}, {{\textit{λ}} _2}, {{\textit{λ}}_3})$ 。 团块中的临近点云三维坐标构成矩阵A， ${{A}} = {\left[ {\begin{array}{*{20}{c}} {{{{x}}_1}}&{{{{y}}_1}}&{{{{z}}_1}} \\ {{{{x}}_2}}&{{{{y}}_2}}&{{{{z}}_2}} \\ \vdots & \vdots & \vdots \\ {{{{x}}_n}}&{{{{y}}_n}}&{{{{z}}_n}} \end{array}} \right]_{n \times 3}}$ (1)团块中心点云坐标构成n×3矩阵B, ${{B}} = {\left[ {\begin{array}{*{20}{c}} {{{x}}'}&{{{y}}'}&{{{z}}'} \\ {{{x}}'}&{{{y}}'}&{{{z}}'} \\ \vdots & \vdots & \vdots \\ {{{x}}'}&{{{y}}'}&{{{z}}'} \end{array}} \right]_{n \times 3}}$ (2)团块协方差矩阵 ${{{C}}_{\operatorname{cov} }} = \frac{1}{n}{({{A}} - {{B}})^{\rm{T}}}({{A}} - {{B}})$ (3)协方差矩阵的特征值按照 ${{\textit{λ}}_1} \geqslant {{\textit{λ}}_2} \geqslant {{\textit{λ}} _3}$ 排序，这3个特征值表现了团块 ${V_{\rm{R}}}(q')$ 中点云的分布模式(发散状、面状、线状分布)。如果 ${{\textit{λ}}_1} \approx {{\textit{λ}} _2} \approx {{\textit{λ}}_3}$ ，可以认为当前团块 ${V_{\rm{R}}}(q')$ 有发散特征，一般认为是枝叶或草丛灌木目标。如果 ${{\textit{λ}}_1} \gg {{\textit{λ}}_2} \approx {{\textit{λ}}_3}$ ，则认为团块 ${V_{\rm{R}}}(q')$ 具有线状特征，在森林中认为是枝干结构；如果 ${{\textit{λ}} _1} \approx {{\textit{λ}} _2} \gg {{\textit{λ}} _3}$ ，则认为团块 ${V_{\rm{R}}}(q')$ 具有面状特征，通常认为是地面或人工目标表面。为了放大发散状、面状和线状特征，在这里引入发散指数 ${S_{\textit{λ}}}$ 、面状指数 ${P_{\textit{λ}} }$ 和线状指数 ${L_{\textit{λ}} }$ ，其定义见式(4)—(6)。 ${S_{\textit{λ}}} = \frac{{{{\textit{λ}} _3}}}{{{{\textit{λ}} _1}}}$ (4) ${P_{\textit{λ}}} = \frac{{{{\textit{λ}}_2} - {{\textit{λ}}_3}}}{{{{\textit{λ}} _1}}}$ (5) ${L_{\textit{λ}}} = \frac{{{{\textit{λ}}_1} - {{\textit{λ}}_2}}}{{{{\textit{λ}} _1}}}$ (6)${S_{\textit{λ}} }$ 、 ${P_{\textit{λ}}}$ 、 ${L_{\textit{λ}} }$ 共3个指数的和为1，利用3个指数建立信息熵模型(7)。 ${E_{\dim }} = {L_{\textit{λ}}}\ln ({L_{\textit{λ}}}) + {P_{\textit{λ}}}\ln ({P_{\textit{λ}}}) + {S_{\textit{λ}}}\ln ({S_{\textit{λ}}})$ (7)k值为目标点云最合适的临近点云个数，取值范围根据具体数据的点云密度确定[ ${k_{\min }}$ =30， ${k_{\max }}$ =150]。 ${S_{\textit{λ}} }$ 、 ${P_{\textit{λ}}}$ 、 ${L_{\textit{λ}}}$ 共3个特征的信息熵 ${E_{\dim }}$ 随着k值以步长5逐步增加会得到 ${E_{\dim }}$ 最大值，如果k增加到150还没有得到 ${E_{\dim }}$ 的最大值，则将150作为临近团块点云个数，根据最大熵得到每个点云自适应的k值作为计算点云3D特征的k临近团块。 3.1.2. 3D特征提取本文筛选Weinmann等(2015)提取的特征参与点云分类。3D因子体现的是点云分布结构特征，通过点云临近空间 ${V_{\rm{R}}}(q')$ 中点云分布的规律得到，利用团块特征值 ${{\textit{λ}}_1}, {{\textit{λ}}_2}, {{\textit{λ}}_3}$ 计算下面的特征因子，每个特征对不同分布形式的点云分类有一定贡献。 (1)点云法向量：表面法向量是几何体表面的重要属性，在点云分类领域有大量应用。本文使用曲面重建技术，使用最小二乘法按照自适应邻域内的点云数据集拟合曲面，然后从曲面模型中计算表面法线。因此将估计表面法线的问题转换为计算协方差矩阵的特征矢量和特征值，法向量是最小特征值 ${\lambda _3}$ 对应的特征向量。 (2)表面变化3D特征：基于 ${{\textit{λ}} _1}, {{\textit{λ}}_2}, {{\textit{λ}}_3}$ 计算以下特征来突出点云的形态分布，具体变量见表2。 表 2(Table 2) 表 2 点云3D特征 Table 2 3D Variables of Point Cloud 3D特征计算公式 3D Variables 3D特征 ${{S_{\textit{λ}}} = \dfrac{{{{\textit{λ}}_3}}}{{{{\textit{λ}}_1}}}}$ Scattering 发散状指数 ${P_{\textit{λ}}} = \dfrac{{{{\textit{λ}}_2} - {{\textit{λ}}_3}}}{{{{\textit{λ}}_1}}}$ Planarity 面状指数 ${L_{\textit{λ}}} = \dfrac{{{{\textit{λ}}_1} - {{\textit{λ}}_2}}}{{{{\textit{λ}}_1}}}$ Linearity 线性指数 ${O_{\textit{λ}}} = \sqrt[3]{{{{\textit{λ}}_1}{{\textit{λ}}_2}{{\textit{λ}}_3}}}$ Omnivariance 各向同性 ${A_{\textit{λ}}} = \dfrac{{{{\textit{λ}}_1} - {{\textit{λ}}_3}}}{{{{\textit{λ}}_2}}}$ Anisotropy 各向异性 ${E_{\textit{λ}}} = - \sum\limits_{i = 1}^3 {{{\textit{λ}}_i}\ln ({{\textit{λ}}_i})} $ Eigenentropy 特征熵 $\sum {{\textit{λ}}= } {{\textit{λ}}_1} + {{\textit{λ}}_2} + {{\textit{λ}}_3}$ Sum of eigenvalues 特征值和 ${C_{\textit{λ}}} = \dfrac{{{{\textit{λ}}_3}}}{{{{\textit{λ}}_1} + {{\textit{λ}}_2} + {{\textit{λ}}_3}}}$ Change of curvature 曲率变化 $Max(dist(q - q'))$ Radius_kNN 临近团块半径 $Ones - Norma{l_{\textit{z}}}$ Verticality 垂直度 $Max({\textit{z}}) - Min({\textit{z}})$ 团块delta_△Z 团块z差 $std({\textit{z}})$ Std_Z_KNN 团块z值方差 $Eig(q(x, y, z))$ Eigenvalue 自适应团块特征值 表 2 点云3D特征 Table 2 3D Variables of Point Cloud 3.1.3. 2D特征提取(1)归一化高度(Normalized Z)。为了去除地形对点云分类的影响，需要计算高程归一化后的点云z值。由于本研究区地势平坦，地面高程差别很小，TLS数据点密度很大，所以采用局部最小值法提取地面高程，对植被点云数据进行归一化处理。 (2)平面2D特征。2D特征是点云临近团块的平面特征，Mallet加入2D特征后在一定程度上提高了城市点云的分类精度(Mallet 等，2011)。平面特征是基于自适应临近点云的x，y值计算表3中的平面特征，不考虑点云z值以及z方向的特征值。 表 3(Table 3) 表 3 点云2D特征 Table 3 2D Variables of Point Cloud 2D特征公式 2D Variables 2D特征 $H - {H_{\rm{ground}}}$ Normalized_Z 归一化Z ${\rm{Max}}(dist(q(x, y) - q'(x, y))$ Radius_KNN_2D 团块平面距离 $Eig(q(x, y))$ EVs_2D 团块平面特征值 ${\rm{sum}}(Eig(q(x, y)))$ sum_EVs_2D 团块x，y特征值和 $EVS\_2D(y)/EVS\_2D(x)$ EV_ratio 2D特征值比 表 3 点云2D特征 Table 3 2D Variables of Point Cloud (3.2) 分类与精度验证本研究使用随机森林算法(Breiman，2001；雍凯，2008)进行特征筛选和点云分类。在随机森林分类前，使用随机森林算法中递归特征排除方法删除对模型精度贡献较小的变量(Granitto 等，2006)。基于验证数据建立混淆矩阵评价点云分类精度，计算总体分类精度、用户精度、生产者精度和Kappa系数评价分类结果(赵英时，2013)。 由于RFE筛选得到的变量代表性较强，且不同样地中同类别点云的形态特征相似，因此认为本研究中的样地样本具有一定的适用性和推广性。使用样地A的训练样本得到的训练模型对B、C样地进行点云分类，分类结果与B、C样地的样本点构造混淆矩阵，评价推广样本的分类精度。 (3.3) RANSAC圆柱拟合与精度验证 3.3.1. 点云去噪倒木点云提取后会产生部分稀疏的离群点，离群点会导致点云特征计算错误，而且会对倒木不规则圆柱拟合产生较大影响，因此在RANSAC圆柱拟合前使用每个点到其临近点的距离去除离群点。本文使用PCL Statistical Outlier Removal滤波器(PCL, http://pointclouds.org/documentation/tutorials/statistical_outlier.php[2017-09-14])，噪声点临近搜索点云个数设为100，标准差倍数设为1，这意味着如果一个点的距离超出平均距离标准差一倍以上，则被标记为噪声点，并将其移除。 3.3.2. RANSAC圆柱拟合RANSAC可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数(Fischler和Bolles，1981)。RANSAC算法具有迭代次数少、抗粗差能力强的特点。本研究通过多次调整确定了RANSAC参数的范围，限制了每个局内点到模型的距离阈值Distance Threshold小于15 cm，设置表面法线的影响权重Normal Distance Weight为0.2，并且限制圆柱体模型的半径 $ \rm{Radius\,\, Limits}$ 小于50 cm，根据样地中倒木重叠情况和场景复杂情况的不同在分割时需要微调。估计出圆柱模型系数以及对应的内点后，单独存储每个倒木点云文件，圆柱拟合公式如下 $\begin{gathered} {(x - {x_0})^2} + {(y - {y_0})^2} + {({\textit{z}} - {{\textit{z}}_0})^2} - {r^2} = \\ \frac{{{{[l(x - {x_0}) + m(y - {y_0}) + n({\textit{z}} - {{\textit{z}}_0})]}^2}}}{{{l^2} + {m^2} + {n^2}}} \\ \end{gathered} $ (8)式中， $({x_0}, {y_0}, {{\textit{z}}_0})$ 为圆柱轴线l上的一点， $(l, m, n)$ 为圆柱轴线方向向量，r为圆柱的半径，7个参数可以确定圆柱方程。部分倒木的圆柱特征明显，迭代一次就已经获得圆柱参数，但是剩余点云依然符合RANSAC拟合特征，因此会出现一棵倒木拟合成多个圆柱这种过多迭代的情况。针对这种情况，每次迭代完成后从原始点云中删除拟合圆柱的索引，统计当前剩余点云数量是否大于原始点云的1‰，如果剩余点云小于1‰或者无圆柱特征则迭代结束。迭代次数在迭代过程中进行动态调整，最大限度减少迭代次数并保证获取最佳圆柱参数。 3.3.3. 圆柱合并由于RANSAC圆柱拟合的迭代特性，会有同一个倒木点云分割成多个圆柱的情况出现，因此需要将过分割的倒木圆柱筛选后合并为一棵倒木，根据拟合的圆柱参数计算圆柱轴线的夹角： ${{\theta}} = \arccos\frac{{{{\vec {{d}}}_0} \cdot {{\vec {{d}}}_1}}}{{\left| {{{\vec {{d}}}_0}} \right| \cdot \left| {{{\vec {{d}}}_1}} \right|}} \leqslant 12^\circ $ (9)式中， ${{{\vec {{d}}}}_0}$ 和 ${{{\vec {{d}}}}_1}$ 是两个圆柱轴线方向， $\theta $ 是两个圆柱轴线夹角，将夹角小于12°且两个圆柱距离小于0.1 m的点云合并为一个倒木圆柱。合并后的倒木圆柱重新使用RANSAC拟合圆柱参数。 3.3.4. 倒木数量精度验证将倒木数量精度作为RANSAC分割与圆柱合并策略的评价指标。合并后将倒木的数量与实测倒木棵数和分布做比较，验证RANSAC和合并方法能否有效实现单棵倒木的提取。 4、结果与分析本文针对A、B、C共3个森林样地，提取距地面0—1.3 m处的点云作为实验数据。以0.1 m的剖面进行训练样本的选择，每个样地选择3%—5%的地面点、叶片点、立木点和倒木点作为训练样本。由于人工选择点云时都按照团块进行选择，每个团块中点云特征几乎相同，容易造成样本的冗余，因此从以上选出的样本中随机筛选1/5作为随机森林样本点，因此实际参与分类的点云大约0.6%—1%。将每个样地的样本进行10等分，7份用于训练，3份用于验证。 (4.1) 变量筛选使用RFE方法将24个变量进行重要度排序，去除对模型估测精度贡献较小的变量。图4(a)、(b)、(c)分别为A、B、C共3个样地的RFE变量选择结果和Random Forest变量重要性图，A、B、C共3个样地分类精度最高时的变量数分别为12、18、12个，B样地18个变量的分类精度与12个变量的分类精度非常接近，最终确定12个变量参与分类。根据3个样地的变量重要性选择normalized_Z、normal_z、normal_y、normal_x、sum_EVs_2D、sum_EVs、radius_kNN、std_Z_kNN、omnivariance、EVs3D_2、planarity、verticality 12个变量参与随机森林分类。在本实验中，重要度最高的变量是归一化高度，这是由于复杂森林场景中高程对于分类非常重要，能较好反应出场景中的垂直高度信息。3D形态特征和2D特征值对场景分类有一定贡献。 图 4 变量筛选 Figure 4 Variable selection (4.2) 分类结果与精度本研究采用混淆矩阵评价分类精度，分类精度见表4—表6，训练样本和分类结果分别见图5。A、B、C样地分类总体精度分别为93.17%、94.52%、95.16%，Kappa系数分别为0.8771、0.9145、0.9242。3个样地倒木点云的用户精度分别为87.80%、98.35%、93.87%。3个样地中枝叶点云的用户精度都比较低，说明枝叶点云错分比较严重。就生产者精度而言，A样地最低的是枝叶点云，只有66.79%，B、C样地生产者精度最低的是倒木点云，说明A样地的枝叶点云和B、C两个样地的倒木点云有漏分现象。 表 4(Table 4) 表 4 A样地自适应临近点云分类精度表 Table 4 Self-adjust kNN point cloud classification accuracy of plot A 点云类别 地面 枝叶 倒木 立木 总计 用户精度/% 地面 3220 108 18 0 3346 96.23 枝叶 45 372 33 29 479 77.66 倒木 3 57 648 30 738 87.80 立木 0 20 15 643 678 94.84 总计 3268 557 714 702 5241 生产者精度/% 98.53 66.79 90.76 91.60 93.17 表 4 A样地自适应临近点云分类精度表 Table 4 Self-adjust kNN point cloud classification accuracy of plot A 表 5(Table 5) 表 5 B样地自适应临近点云分类精度表 Table 5 Self-adjust kNN point cloud classification accuracy of plot B 点云类别 地面 枝叶 倒木 立木 总计 用户精度/% 地面 244 21 1 0 266 91.73 枝叶 17 748 33 4 802 93.27 倒木 0 2 119 0 121 98.35 立木 1 2 1 302 306 98.69 总计 262 773 154 306 1495 生产者精度/% 93.13 96.77 77.27 98.69 94.5 表 5 B样地自适应临近点云分类精度表 Table 5 Self-adjust kNN point cloud classification accuracy of plot B 表 6(Table 6) 表 6 C样地自适应临近点云分类精度表 Table 6 Self-adjust kNN point cloud classification accuracy of plot C 点云类别 地面 枝叶 倒木 立木 总计 用户精度/% 地面 5265 208 5 0 5478 96.11 枝叶 150 4349 84 67 4650 93.53 倒木 0 19 628 22 669 93.87 立木 0 26 9 1347 1382 97.47 总计 5415 4602 726 1436 12179 生产者精度/% 97.23 94.50 86.50 93.80 95.16 表 6 C样地自适应临近点云分类精度表 Table 6 Self-adjust kNN point cloud classification accuracy of plot C 图 5 训练样本及分类结果 Figure 5 Training samples and classification results (4.3) 变量推广精度验证通过以上精度验证发现训练样本在各自样地的应用效果较好。随机森林筛选出的重要变量相似度比较高，地基激光雷达的点云密度受到扫描距离和拼接站数的影响，导致点云密度差异较大，但是形态特征和垂直特征有一定相似度，比如A样地中的倒木特征在B样地中依然存在一定的圆柱特征，只是圆柱参数不同，因此利用样地A的分类模型对B、C两个样地进行点云分类，得到的分类精度(表7、表8)。B样地点云的分类总精度为62.38%，Kappa系数0.494，倒木点云精度为79.31%；C样地点云的分类总精度为59.80%，Kappa系数0.443，倒木点云用户精度为48.06%。B样地较为简单，倒木较少而且可分率较高，因此能够有效地完成训练样本的推广，C样地倒木点云较多，因此倒木点云分类精度比较低。经过大量样本的训练基本可以做到分类模型的推广。 表 7(Table 7) 表 7 A样地训练模型实现B样地分类精度表 Table 7 Classification accuracy of plot B based on RF model of plot A B-A 地面 枝叶 倒木 立木 总计 用户精度/% 地面 3668 692 47 4 4411 83.16 枝叶 3145 5647 3227 975 12994 43.46 倒木 109 309 1986 100 2504 79.31 立木 6 102 721 4350 5179 83.99 总计 6928 6750 5981 5429 25088 生产者精度/% 52.94 83.66 33.21 80.13 62.38 表 7 A样地训练模型实现B样地分类精度表 Table 7 Classification accuracy of plot B based on RF model of plot A 表 8(Table 8) 表 8 A样地训练样本实现C样地分类精度表 Table 8 Classification accuracy of plot C based on RF model of plot A C-A 地面 枝叶 倒木 立木 总计 用户精度/% 地面 68783 17034 3695 160 89672 76.71 枝叶 2049 24966 37761 11418 76194 32.77 倒木 17 2141 5773 4081 12012 48.06 立木 0 1385 1196 20860 23441 88.99 总计 70849 45526 48425 36519 201319 生产者精度/% 97.08 54.84 11.92 57.12 59.80 表 8 A样地训练样本实现C样地分类精度表 Table 8 Classification accuracy of plot C based on RF model of plot A (4.4) RANSAC圆柱拟合与合并A、B、C共3个样地倒木点云去噪后(图6(b))进行RANSAC分割并拟合圆柱参数。由于倒木长时间的腐朽变质和泥土堆积，倒木树干形状和圆柱特征变得非常模糊，尤其是倒木两端，因此倒木端点的确定非常困难，有的甚至平缓过渡到地面，圆柱线性特征不是特别明显，有可能将一棵倒木分割成多个圆柱。 图 6 倒木点云提取与去噪结果 Figure 6 Results of fallen wood detection and noise removing由于点云分类的不确定性，立木根部错分为倒木的点云具有一定的圆柱特征，而且这些点云分布比较集中，去噪算法无法去除，这些点云极易通过RANSAC拟合成圆柱，因此根据拟合圆柱的轴线方向将与z轴夹角小于8°的判断为立木圆柱；RANSAC迭代拟合的特性可能将一棵倒木分割为多个圆柱，将圆柱夹角小于12°且点云之间距离小于0.1 m的圆柱合并为一个圆柱，合并后的倒木参数使用最先分割出的圆柱的参数。 根据上文分割得到的圆柱参数进行倒木圆柱的筛选与合并，计算样地A中18个RANSAC分割得到的圆柱轴线与z轴的夹角、圆柱两两之间的轴线夹角和点云最小距离。与z轴夹角 (1) 圆柱1和9、11，4和17，9和15、17，14和16，16和17之间的夹角 (5.2) 与传统kNN点云搜索的比较 本文使用了自适应kNN点云团块协方差特征，由于每个点云周围的点云分布情况不同，因此搜索的临近点云个数也不同。对固定k临近个数(k=50)搜索得到的点云团块计算出的3D和2D特征进行分类，A、B、C共3个样地的分类总体精度分别为92.65%、89.09%、92.99%，Kappa系数分别为0.8684、0.8909、0.8904，倒木的点云分类精度为86.08%、88.24%、89.88%；使用自适应临近点云进行分类，得到3个样地总精度分别为93.17%、94.52%、95.16%，Kappa系数分别为0.8771、0.9145、0.9242，3个样地倒木点云分类精度分别为87.80%、98.35%、93.87%(表11)。这些结果表明，自适应kNN得到的点云特征相较于传统kNN分类精度有明显的提高，使用固定k临近的点云特征分类结果也可以有效实现森林复杂场景点云分类，但是相较自适应临近搜索精度有所降低。 表 11(Table 11) 表 11 A样地自适应k临近与固定k临近(k=50)分类精度比较 Table 11 Comparison of classification accuracy between self-adjust kNN and traditional kNN for plot A 样地 固定个数kNN(k=50) 自适应kNN 总体 精度/% Kappa 倒木 点云/% 总体 精度/% Kappa 倒木 点云/% A 92.65 0.8684 86.08 93.17 0.8771 87.80 B 89.09 0.8909 88.24 94.52 0.9145 98.35 C 92.99 0.8904 89.88 95.16 0.9242 93.87 表 11 A样地自适应k临近与固定k临近(k=50)分类精度比较 Table 11 Comparison of classification accuracy between self-adjust kNN and traditional kNN for plot A (5.3) 与其他倒木提取算法的比较Lalonde等(2016)基于车载激光雷达将森林场景分为了叶片点、枝干点、电力线和地面点，枝干点云包括少量倒木。将分类得到的枝干点云进行了圆柱拟合，没有单独提取倒木点云进行拟合，也没有实现圆柱合并后倒木数量及参数进一步的精确计算。Wang等(2016)将立木2—4 m按照间隔20 cm分层后进行RANSAC圆柱拟合，并根据每段圆柱的轴线拟合出树木位置。该方法探测立木棵数精度达到100%，立木在拟合圆柱时叶片遮挡非常少，RANSAC能够有效实现立木的圆柱拟合。 目前还没有针对倒木点云进行RANSAC圆柱拟合并提出复杂倒木场景圆柱筛选与合并规则的研究，而本文对森林场景近地面点云实现了精细分类，作为倒木参数精确提取的基础，根据样地的不同情况进行RANSAC拟合，拟合结果基于倒木的形态特征进行合并，在复杂的环境中实现了倒木的探测，棵数精度达到100%。 6、结 论本文使用地基激光雷达对复杂森林近地面点云进行精细分类，实现了复杂森林近地表范围地面点、杂草点、倒木点和树干点的分类，分析了分类特征的可扩展性，进而通过圆柱拟合和筛选合并得到了精确的倒木数量。结论如下： (1)点云分类：与传统固定个数的kNN方法相比，自适应kNN得到的3D和2D特征能够有效进行森林复杂场景分类，对森林点云精细分类效果明显。但是自适应邻域计算效率比较低，对于更大范围场景的分类还需要提高算法效率。 (2)模型推广：本文使用A样地的随机森林分类模型对B、C两个样地进行分类有一定效果，样本特征有一定的可扩展性和相似性，但是分类精度较低，而且分类精度差异较大，因此仍需大量具有代表性的样本，进一步挖掘这些样本的分类特征，以待实现森林复杂近地表点云的自动分类。 (3)倒木参数提取：复杂样地中RANSAC能够有效地将分类后的倒木点云进行圆柱拟合，由于点云分类精度有限和倒木复杂的结构特征，需要使用先验知识对分割后的圆柱进一步筛选与合并才能完成倒木的精确提取。本文主要使用圆柱的轴线方向和圆柱的距离进行筛选、合并圆柱，得到精确的倒木棵数，这种筛选和合并策略有一定的适用性，但是针对不同情况的倒木场景需要调整策略来保证倒木的精确合并。 |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |