基于几何特征的TLS林分点云分类研究

发布时间：2020-10-15 06:24

　　 地面激光雷达(Terrestrial Laser Scanning,TLS)可以获得高精度与高层次的几何数据,其已经广泛应用于林分参数提取、树干提取、单木分割与建模及生物量估计等研究。将地面激光雷达点云快速标记为地面、树干与枝叶三个类别可为上述研究奠定基础,所以研究林分点云分类具有重要意义。本研究分别提出了基于特征选择的定近邻特征与动态近邻特征的逐点分类技术,同时提出了基于多尺度分割的点云分类算法。定近邻特征通过逐点计算160个近邻点特征获得;考虑到局部点云特征熵较小的点集三维结构相对稳定,本研究在设定的近邻搜索数量区间内逐点搜索近邻计算特征熵动态确定最优近邻数量计算特征;在较小的体素空间中点云多属于同一类别,小尺度可将空间中分布较近的点云分割开,大尺度可以将连通域较大的分割到同一体素中,本研究引入了多尺度分割计算点特征,这样可有效提高特征计算效率。本研究的点云分类任务全部基于特征选择展开,所以在进行林分点云分类之前,本研究使用了基于xgboost分类器的特征选择技术从19个经验特征中选择了 6个能够保证分类器表现的特征。将特征选择获得的6个特征应用于基于定近邻特征、动态近邻特征与多尺度特征的林分点云分类中分类器的测试准确率分别为95.51%、95.19%与95.94%,试验表明本研究的点云分类方法可以应用地面激光雷达林分点云分类任务。
【学位单位】：东北林业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：S758.53;TN958.98
【部分图文】：

本研宄数据用地面激光雷达（见表２－１）扫描蒙古栎人工林样地获取，样地尺寸为??２０ｍ＊２０ｍ，扫描时间为２０１６年６月１日，扫描树型完整，点间距最小为２?ｍｍ。数据采??集过程中共架设５个扫描站（见图２－ｌａ），站间平均间距２０?ｍ，其中＼扫描站设为３６０°??全景扫描，其余４站为定向扫描。该蒙古栎人工林（见图２－ｌｂ）地势平坦、树种单一且??垂直结构较好、林分单木间隔为３?ｍ左右，枝叶间存在遮挡，灌木较少，林分平均密度??为２５００株／ｈｍ２，平均树高与胸径分别为９．９８?ｍ与１３．５５?ｃｍ。??人Ｌ＊??（ａ）?（ｂ）??图２－１?（ａ）扫描站布设；（ｂ）蒙古栎人工林??Ｆｉｇ．２－１?（ａ）?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｓｃａｎｎｉｎｇ?ｓｔａｔｉｏｎ；?（ｂ）?Ｐｌａｎｔａｔｉｏｎ?ｏｆ?Ｍｏｎｇｏｌｉａｎ?ｏａｋ??表２－１三维激光扫描仪技术参数??８??

号后处理单元组成，在工作过程中激光扫描仪通过处理单元对发射脉冲与接收扫描目标??的反射脉冲处理分析获取扫描对象的空间位置、运动状态、反射强度等信息实现目标探??测。在本研宄中，５站数据坐标系均由相对独立的笛卡尔坐标系定义（见图２－２），坐标??原点０为扫描仪中心所在的空间位置，ＸＹ轴互相垂直，其所确定的平面为水平平面，??Ｚ轴指向由右手法则确定。使用激光雷达进行数据采集时，若空间中存在一点Ｐ，其在??上述坐标系中的空间距离为０Ｐ，那么Ｐ点的空间坐标即为０Ｐ向量在ＸＹＺ轴三个方向??上的分量。??个２??ｙ?Ｐ（ｘ，ｙ，ｚ）??／??／??／??／??／??／??／??乙?＾??Ａ?ｙ??Ｚｘ??图２－２数据坐标系??Ｆｉｇ．２－２?Ｄａｔａ?Ｃｏｏｒｄｉｎａｔｅ?Ｓｙｓｔｅｍ??点是激光雷达数据的基本单位，其可以用一个多维向量表示，这个向量中可包含反??射脉冲的空间位置、点颜色与反射强度等信息。在本研宄中我们主要关注回波的空间位??９??

图４－１决策树模型??Ｆｉｇ．４－１?Ｄｅｃｉｓｉｏｎ?ｔｒｅｅ?ｍｏｄｅｌ??随机森林的由多个决策树构成，决策树（见图４－１）是一个二分查找树其由多个节点??１６??
【参考文献】

相关期刊论文 前1条

1 李丹;庞勇;岳彩荣;赵旦;徐光彩;;基于TLS数据的单木胸径和树高提取研究[J];北京林业大学学报;2012年04期

相关硕士学位论文 前3条

1 黄晓峰;自动泊车系统最优轨迹决策及控制算法研究[D];吉林大学;2018年

2 陈九昊;基于高精度数字地面模型的航行安全评估系统研究[D];中国民用航空飞行学院;2018年

3 张雷;自动驾驶汽车视觉导航理论研究[D];长安大学;2005年

本文编号：2841820