基于全波形TLS点云的植被遮挡目标探测及可见性分析方法的研究

发布时间：2020-03-29 18:56

【摘要】：相对机载激光扫描仪器而言,地面激光扫描仪(Terrestrial Laser Scanners,简称TLS)能够获取地面复杂场景的三维精细点云数据,具有高密度、高精度和高效率的特点。作为一种全波形TLS,RieglVZ-1000使用多回波点云技术,能够感知激光束在同一方向上获取的不同距离的目标,即多回波点云信息,对研究遮挡区域即植被区域具有针对性,在改善遮挡目标探测的准确性上展现了巨大潜力。近年来,卷积神经网络在计算机视觉领域得到广泛应用,成功用于解决各类三维图形图像的分类和提取。目前,关于三维目标形状表示的方法,主要局限于单回波识别,不能应用于基于多回波的植被遮挡探测,原因在于缺乏良好的三维几何表示方法表示隐蔽目标因被遮挡而展现的不规则形状。为了解决当前问题,本文在探测植被遮挡的全波形TLS点云模型中主要做出了三项研究工作:首先,本文针对三维TLS点云数据,基于体素分层,实现了点云场景中树木自动提取且F1值高达0.93,证明该算法可有效提取多回波TLS点云的树木。其次,由于需要对隐藏在植被后面的隐蔽目标进行感知与探测,因此需要检测出中间回波代表的植被遮挡区域以及可能有隐蔽目标存在的末次回波。本文利用全波形TLS点云中单次回波、一次回波、中间回波和末次回波的不同三维坐标特性和回波强度特性,做成数据样本,然后基于PointNet的三维点云网络框架进行样本训练并进行超参数调制,取得了良好的网络训练和识别效果。随之,本文采用深度Kd网络实现了末次回波中植被遮挡区域的隐蔽目标探测。实验测试采用两组由Riegl VZ-1000扫描的TLS点云场景并和PointCNN对比。其中,本文采用的网络PointNet测试的F1值最高达0.92,最低达0.81。而PointCNN的F1值最高仅为0.64,实验结果证明了本文采用的方法具有可行性和优越性。最后,本文对树木及其隐蔽目标点云的遮挡特性从位置、密度和回波强度等角度进行了分析。引入了遮挡目标和隐蔽目标的三维差分位置坐标,并计算了其特征值和特征向量,分析了植被NDI指数和冠层密度的关系,实现了隐蔽目标感知的可见性分析。
【图文】：

实例图,实例,点云,植被

知与检测其遮挡目标的一种新型测距传感器。它通过向目标发射激光脉冲并接收逡逑其反射回来的回波信号，在三维空间上形成一系列点的集合，每个点都具有三维逡逑坐标和强度，以此获取目标的几何位置和反射率［３］。如图１．１所示，对于植被遮逡逑挡场景，用ＴＬＳ获取点云数据，可以对被树丛遮挡的隐蔽Ｂ标进行感知与探测。逡逑（ａ）逦（ｂ）逡逑图１．１邋ＴＬＳ点云中树木等植被遮挡实例：（ａ）隐蔽目标位置，（ｂ）剖面实例逡逑ＴＬＳ点云数据以其高密度、高精度和高效率［４］等优势，成为了一种精确获取逡逑空间数据的快速手段。首先，ＴＬＳ采用单色光且发射波束极窄，隐蔽性好，对地逡逑物和背景具有极强的抑制能力；其次，激光对隐身目标具有极高的灵敏度，抗干逡逑扰能力突出；同时，激光扫描系统波长短，与微波扫描系统相比其体积和质量都逡逑比较小；另外，它有极高的分辨率，，用其做精确制导，具有很高的精度。逡逑１逡逑

方向图,回波,光束传播,点云数据

图１．２多回波在点云数据中的表示，斜线为光束传播方向逡逑内容逡逑以全波形ＴＬＳ点云的多回波数据为实验对象，利用基于体素的形，对树木植被进行自动提取。结合多回波点云三维坐标信息和强度，基于ＰｏｉｎｔＮｅｔ模型训练神经网络，实现多回波自动分类，从而自回波代表的树木遮挡区域。随之，基于深度Ｋｄ网络在末次回波中探标。联合小光斑回波和点云特征描述，实现遮挡目标和被遮挡目标析和可见性感知实验。最后，通过对比试验和实际场景评价本文方验证研究成果的先进性和正确性。逡逑于体素的全波形ＴＬＳ点云树木自动提取方法逡逑
【学位授予单位】：厦门大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P225.2

【相似文献】