论文部分内容阅读
城市道路树木普查对城市的环境建设起着至关重要的作用。随着技术的发展,人工对树木进行测量的传统方法已逐渐被机器测量所取代。本文利用车载激光雷达系统采集城市道路两旁树木的点云和图像,对树木进行各项参数的估计与分类研究,旨在服务自动化的城市道路树木普查。文章主要分为基于三维激光点云的单棵树提取及参数估计、基于深度学习的树木检测与分类及建立城市道路树木普查数据集三个内容。首先,使用基于欧式聚类和PCA特征提取的方法从大规模激光雷达点云数据中提取出单棵树木。然后,对单棵树点云进行各项树木参数的自动估计。本文涉及到的树木参数包括:高度、胸径、树冠直径、茎体积以及树干姿态。在估计树木的茎体积时,针对树干的不规则性,本文提出了一种基于表面法向量的自适应分段方法,自动调整不同粗细的树干在垂直分段时的分段间隔,其估计结果与0.05米的固定分段方法相比提高了0.02%的精确度。由于树木参数的真值很难获取,本文使用OnyxTree软件建立不同参数的树木模型,利用模型参数来评判算法的准确性。然后,利用Faster R-CNN网络对城市道路多视角图像中的树木进行树木检测和分类。在本文构建的数据集中,城市道路树木主要有香樟树和棕榈树两种,训练后的模型在该数据集上实现了85.05%的mAP。树木检测完成后,通过图像和点云的映射关系,融合图像和点云信息,进一步提高单棵树点云提取的准确率。最后,基于提出的单棵树提取、参数估计和树木检测的方法,本文建立了单棵树的点云和图像数据集。由于点云的质量会影响树木参数估计的准确度,本文将数据集中车载激光雷达获取的树木点云,与静态激光雷达全方位扫描树木后获取的点云进行对比,对车载点云的质量做出评价,并分析了其对参数估计可能带来的影响。并以一段城市道路为例,将树木的位置、种类、图像、点云以及各项参数指标进行关联展示,结果表明了本文提出的方法和构建的数据集对城市道路树木普查的应用前景。