基于MLS点云数据的行道树单木分割方法

摘要

本发明提出一种基于MLS点云数据的行道树单木分割方法，包括行道树点云获取步骤、行道树点云聚类步骤、粘连行道树检测步骤、粘连行道树粗分割和细分割步骤，完成单木分割。本发明采用聚类算法将行道树点云分割为行道树簇，接着对行道树簇进行粘连行道树检测，然后对包含多株粘连行道树的行道树簇进行由粗到细的多层次分割，得到行道树单木点云；具有较高的行道树点云识别能力和行道树单木分割精度，适用于包含多种地物的复杂城区环境。

说明书

技术领域

本发明涉及行道树单木分割技术领域，尤其是基于MLS点云数据的行道树单木分割，具体地说是一种对行道树点云数据先识别后分割的行道树单木分割方法。

背景技术

行道树作为城市生态系统和城市景观的重要组成部分，具有重要的生态和社会服务功能。对行道树开展更加深入的研究是城市管理部门和数字城市建设迫切需要进行的工作。移动激光扫描(mobile laser scanning，MLS)系统作为城市近景三维空间信息采集的一个重要手段，具有快速获取道路两侧行道树三维信息的能力。

行道树单木分割指从MLS点云数据中识别分割出单株行道树，它是行道树后续研究的首要步骤，现有方法主要分为两类：

边分割边识别。根据行道树和其他地物目标的形貌特征，采用图像/点云分割方法逐步过滤非行道树点云。这类方法主要利用先验知识制定较为粗糙的分割/识别特征和规则，对行道树的识别能力较弱，从而降低行道树单木分割的精度。

先识别后分割。首先采用监督学习算法生成的行道树检测器从MLS点云数据中识别出行道树点云，然后采用聚类等算法将行道树点云分割为单株行道树。这类方法具有较高的行道树识别精度，但识别后的行道树单木分割算法，尤其是粘连行道树的分割算法有待进一步研究。

发明内容

本发明的目的是针对行道树粘连的分割问题，提出一种先识别后分割的行道树单木分割方法，采用聚类算法将行道树点云分割为行道树簇，然后对行道树簇进行粘连行道树检测，最后对包含多株粘连行道树的行道树簇进行由粗到细的多层次分割，得到行道树单木点云。

本发明的技术方案是：

本发明提供一种基于MLS点云数据的行道树单木分割方法，该方法包括以下步骤：S1、行道树点云获取步骤：通过移动激光扫描的街道MLS点云数据获取行道树点云数据；

S2、行道树点云聚类步骤：采用聚类算法对行道树点云聚类，将其分割为行道树簇；

S3、粘连行道树检测步骤：对每个行道树簇进行树干点云提取和树干点云聚类，检测行道树簇是否包含多株粘连行道树，对于包含多株粘连行道树的粘连行道树簇，执行S4，对于不包含的，完成单木分割；

S4、粘连行道树粗分割步骤：将粘连行道树簇粗分割为单株行道树；

S5、粘连行道树细分割步骤：对S4粗分割获得的单株行道树进行细分割，完成单木分割。

进一步地，所述的S1具体为：采用行道树检测器从街道的MLS点云数据中识别出行道树点云。

进一步地，所述的聚类算法采用基于密度的噪声应用聚类算法DBSCAN。

进一步地，所述的S2具体为：

以行道树点云的(x，y，z)坐标为输入，采用聚类算法对行道树点云聚类，将其分割为行道树簇；其中，邻域半径ε

进一步地，所述的S3具体为：

S3.1、对每个行道树簇进行树干提取，获取当前行道树簇内的点云高程最小值z

S3.2、以树干点云的(x，y)坐标为输入，采用聚类算法对树干点云聚类，将其分割为树干簇；其中，邻域半径ε

S3.3、统计分割出的树干簇数量，若数量为1，则该行道树簇仅包含单株行道树，完成单木分割；若大于1，则该行道树簇包含多株粘连行道树，为粘连行道树簇，需要进一步分割为单株行道树，执行S4。

进一步地，所述的S3.1中高程差阈值为0.4m。

进一步地，所述的S4具体为：对每个粘连行道树簇，进行如下处理：

S4.1、垂直切片：计算每个树干簇点云三维坐标的均值，以相邻树干簇的前述均值连线为法向量，对相邻树干簇之间的空间进行厚度为d的垂直切片，d＝0.01m；

S4.2、垂直分割：统计切片包含的行道树点数，以点数最少的切片的中间平面作为分割平面，将粘连行道树垂直分割为单株行道树，分配行道树标签。

进一步地，所述的S5具体为：

S5.1、以单株行道树点云的(x，y，z)坐标为输入，采用聚类算法对单株行道树点云聚类，将其分割为子簇；其中，邻域半径ε

S5.2、将点数最多的子簇作为该株行道树的主体部分，保留S4.2分配的行道树标签，其余子簇取消标签。

S5.3、以粘连行道树簇中所有分配行道树标签的点云为训练集，采用k近邻分类器为未标记的点云分配标签；

S5.4、将粘连行道树簇内所有点的标签与S4.2分配的标签进行比较，如果相同，完成单木分割，否则，返回S5.1执行迭代比较；在前述迭代过程中，将粘连行道树簇内所有点的标签与S5.3上一次分配的标签进行比较，如果相同，完成单木分割，迭代结束。

进一步地，所述的近邻点数k＝11。

本发明的有益效果：

本发明的一种基于MLS点云数据的行道树单木分割方法，采用聚类算法将行道树点云分割为行道树簇，接着对行道树簇进行粘连行道树检测，然后对包含多株粘连行道树的行道树簇进行由粗到细的多层次分割，得到行道树单木点云；具有较高的行道树点云识别能力和行道树单木分割精度，适用于包含多种地物的复杂城区环境。

本发明中，对于多株粘连行道树进行分割时，先利用树干定位进行粗分割，然后结合DBSCAN和k近邻分类器对树枝末梢进行精细分割，有效提高分割精度。

本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。

附图说明

通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。

图1示出了本发明行道树单木分割流程图。

图2示出了本发明中粘连行道树粗分割示意图。

图3示出了本发明实施例中街道MLS点云数据示意图。

图4示出了本发明实施例中行道树点云检测和聚类结果示意图。

图5示出了本发明实施例中粘连行道树粗分割结果示意图。

图6示出了本发明实施例中粘连行道树细分割结果示意图。

具体实施方式

下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。

如图1所示，一种基于MLS点云数据的行道树单木分割方法，该方法包括以下步骤：

S1、行道树点云获取步骤：通过移动激光扫描的街道MLS点云数据获取行道树点云数据，具体为：采用行道树检测器从街道的MLS点云数据中识别出行道树点云。

其中：所述行道树检测器得检测方法采用基于车载2D LiDAR点云数据的行道树靶标识别方法，专利号ZL201810015134.9；或者Weinmann M,Weinmann M,Mallet C,et al.Aclassification-segmentation framework for the detection of individual treesin dense MMS point cloud data acquired in urban areas[J].Remote Sensing,2017,9(03):277中的行道树点云检测方法。

S2、行道树点云聚类步骤：采用聚类算法对行道树点云聚类，将其分割为行道树簇；聚类算法采用基于密度的噪声应用聚类算法DBSCAN；所述的S2具体为：

以行道树点云的(x，y，z)坐标为输入，采用聚类算法对行道树点云聚类，将其分割为行道树簇；其中，邻域半径ε

S3、粘连行道树检测步骤：对每个行道树簇进行树干点云提取和树干点云聚类，检测行道树簇是否包含多株粘连行道树，对于包含多株粘连行道树的粘连行道树簇，执行S4，对于不包含的，完成单木分割；具体为：

S3.1、对每个行道树簇进行树干提取，获取当前行道树簇内的点云高程最小值z

S3.2、以树干点云的(x，y)坐标为输入，采用聚类算法对树干点云聚类，将其分割为树干簇；其中，邻域半径ε

S3.3、统计分割出的树干簇数量，若数量为1，则该行道树簇仅包含单株行道树，完成单木分割；若大于1，则该行道树簇包含多株粘连行道树，为粘连行道树簇，需要进一步分割为单株行道树，执行S4。

S4、粘连行道树粗分割：将粘连行道树簇粗分割为单株行道树；对每个粘连行道树簇，进行如下处理：

S4.1、垂直切片：计算每个树干簇点云三维坐标的均值，以相邻树干簇的前述均值连线为法向量，对相邻树干簇之间的空间进行厚度为d的垂直切片，d＝0.01m；

S4.2、垂直分割：统计切片包含的行道树点数，以点数最少的切片的中间平面作为分割平面，将粘连行道树垂直分割为单株行道树，分配行道树标签。

S5、粘连行道树细分割：对S4粗分割获得的单株行道树进行细分割，具体为：

S5.1、以单株行道树点云的(x，y，z)坐标为输入，采用聚类算法对单株行道树点云聚类，将其分割为子簇；其中，邻域半径ε

S5.2、将点数最多的子簇作为该株行道树的主体部分，保留S4.2分配的行道树标签，其余子簇取消标签。

S5.3、以粘连行道树簇中所有分配行道树标签的点云为训练集，采用k近邻分类器为未标记的点云分配标签，近邻点数k＝11；

S5.4、将粘连行道树簇内所有点的标签与S4.2分配的标签进行比较，如果相同，完成单木分割，否则，返回S5.1执行迭代比较；在前述迭代过程中，将粘连行道树簇内所有点的标签与S5.3上一次分配的标签进行比较，如果相同，完成单木分割，迭代结束。

具体实施时：

实验采用ZEB-HORIZON移动手持式扫描仪采集北纬32°04'55.1"，东经118°48'58.8"一段道路的点云数据，如图3所示，为便于观看利用z坐标为点云着色。这段道路的主要树种有东京樱花(Cerasus yedoensis)、银杏(Ginkgo biloba)、朴树(Celtissinensis)、樟(Cinnamomum camphora)等，高度范围4.6-8.2m、冠幅范围2.1-7.4m。此外，还包括建筑、车道、人行道、长凳、路灯、自行车、标志牌、行人、小轿车、灌木、草皮、花坛等地物。

如图3所示，为街道MLS点云数据；执行S2行道树点云聚类和S3粘连行道树检测，得到如图4所示，为行道树点云检测和聚类结果，存在若干个粘连行道树簇；执行S4粘连行道树粗分割和S5粘连行道树细分割，如图5所示，为粘连行道树粗分割结果，相邻行道树的树枝末梢处存在少量错误分割；如图6所示，为粘连行道树细分割结果，相邻行道树的树枝末梢被准确分割。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。