活立木樹干點云數據特征提取

葉雯　云挺

（1信息化建設與管理辦公室，南京工程學院，江蘇　南京　211167）

（2信息科學技術學院，南京林業大學，江蘇　南京　210037）

活立木樹干點云數據特征提取

葉雯1云挺2

（1信息化建設與管理辦公室，南京工程學院，江蘇南京211167）

（2信息科學技術學院，南京林業大學，江蘇南京210037）

活立木樹干點云數據非常龐雜散亂，其三維重建的關鍵是局部拓撲結構及特征提取的快速實現。利用對K近鄰一般搜索算法進行精簡獲得的拓撲信息，結合運用特征提取的相關算法，采取逐步逼近的方法提取樹干特征點，為實現活立木點云數據模型化作了初步探討。

點云數據活立木特征提取

1　引言

林業樹木的監測和精細識別一直是個難題，隨著計算機技術、數字圖像處理技術和信息技術的發展以及智能機的研發應用，為解決這一難題找到了突破口。利用掃描得到的點云數據進行三維重建，進而獲取林木生物學特征參數及三維模型的技術在林木生產、果樹栽培、園林綠化等多方面引起了人們廣泛的關注。

Xu等人［1］提出了基于非稠密的點云數據獲取樹木主骨架，再結合圖形學模擬算法構建逼真度高的分枝和方向感強的葉片。Thies［2］和Binney［3］針對激光點云數據采用鏈表結構的空間連續重疊的圓柱體來擬合樹木主枝干，對樹木胸徑、樹高、尖削度和傾斜度等參數進行了估計，得到枝干連接位置、角度、半徑和長度等信息并和真實數據進行比較；Wezyk等［4］提出采用體素法與管道擬合法相結合處理點云數據，根據樹干截面點云數據的凸殼（convex hull）來計算胸徑等指標。Tansey等［5］采用最小二乘的形狀匹配法以及霍夫變換法對點云數據進行分析，發現在林分密度較大林地內的活立木材積和樹高測量并不成功。R.Mech and P.Prusinkiewicz用某種數學模型模擬樹木的生長或形態特性，通過少量的參數產生復雜的樹結構，他們認為不同種類的樹木可能需要使用不同的數學模型［6］。

倪小軍等［7］基于已有的算法，提出了一種新的特征保留的點云自適應精簡算法，該算法首先最大程度地保留了模型特征，其次對于特征不明顯的點進行了有效的自適應精簡，解決了某些算法中模型由于精簡帶來空洞或者簡化率太差的問題，而且避免了基于曲率精簡算法中時間消耗長的不足；他們甚至認為該算法能夠適應不同表面形狀的點云模型。

本文的研究對象是速生的楊樹活立木中軸部分，包括主干和中軸部分的枝條葉片，簡稱樹干。楊樹活立木枝葉分生散亂隨意，主干幾何形狀也極不規整，由激光掃描儀得到的樹干實測數據非常龐雜散亂。點云數據三維重建的難點是對海量測量數據進行精簡，精簡的關鍵是快速獲得其局部特征的拓撲結構并實現特征提取，而其算法的效率尤為重要。因此為了提高海量測量數據處理算法的效率，分別運用鄰域彎曲度和曲率估計值提取點云數據的特征點，為實現活立木點云數據模型化進行了初步探討。

2　點云數據的特征提取

本文初始數據來源于Cyclone激光掃描儀掃描人工楊樹單木得到的實測數據。本文首先根據點云數據集合C的范圍，對整個點云集合進行劃分，得到多個幾何大小相同的子立方柵格，再利用記錄的子立方柵格內點云的信息對每個點云進行K近鄰搜索，從而獲取到整個活立木樹干點云數據的局部拓撲信息［8］。通過得到的局部拓撲信息，對整個點云模型進行特征提取，這樣既完整保存實物模型的整體輪廓，而且能夠最大限度地保證模型局部區域特征［9］。

本文首先對數據點pi的K個鄰居點集合P進行協方差分析［10］，得到其鄰域協方差矩陣：

式中Zi為半正定的三階對稱矩陣，其中是集合P的重心：

2.1局部區域彎曲度計算

點的鄰域彎曲度，它能夠近似表示該點附近的彎曲程度和特征明顯度，它不需要進行復雜的曲率計算。處于特征明顯地段的點的鄰域彎曲度大，相反處于特征不明顯，不尖銳的地方的點的鄰域彎曲度小。

其中<，>為向量之間的點積符號，‖‖為求向量模長符號［7］。

根據公式（11）的計算結果，選取彎曲度大的點作為特征點，即可以實現點云模型的特征提取。

具體的特征保留的點云自適應精簡算法步驟如下：

（1）根據K近鄰，求出每個點的鄰域彎曲度值k（pi），并根據每個點的k（pi）值，依次將點分別歸類到4個點集，然后根據所在區間將其分別標記為S1、S2、S3、S4。

（3）遍歷點云進行精簡。

（4）對處理后的點云，僅僅讀取“保留”狀態的點，刪除所有“刪除”狀態的點。

2.2局部區域曲率估計

曲面的曲率信息是曲面特征識別的重要依據，曲率大小反映模型表面的凸凹程度。在點云數據模型中，曲率信息被廣泛用于數據分割和簡化等處理中。

根據法向ni估計曲率Hi：

通過公式（3）計算得到的曲率作為點云模型的法向，將整個模型中的尖銳部分，即曲率比較大的點提取出來，即可以實現點云模型的特征提取。

3　實驗結果

本文的實驗平臺是Microsoft visual studio 2005，在結合OpenGL的基礎上，又嵌入了OpenCV技術。運算過程中，利用其中的庫函數和函數類來求解矩陣，快捷地得到了矩陣Zi的三個特征值λ1，λ2，λ3及其對應的單位特征向量e1，e2，e3，用于求解鄰域彎曲度及曲率，其中假定λ1為三個特征值中最小值。這樣根據彎曲度計算結果和曲率估計值即可分別實現點云模型的特征提取。其中，求取彎曲度以及估計曲率的鄰域協方差矩陣Zi的部分偽代碼如下：

立木點云數據的截斷片段以及整體柵格見圖1。

圖1　截斷片段以及整體柵格

圖2為原始點云，圖3為用文獻［7］提供的算法通過計算彎曲度獲得的特征提取效果圖。

圖2　楊樹三維點云數據片段888_correct原圖

圖3　楊樹三維點云數據片段888_correct基于彎曲度的特征提取

4　結束語

本文研究對象楊樹活立木點云數據非常龐雜散亂?；盍⒛救S重建的難點是對龐雜散亂的點云數據進行精簡，精簡的關鍵是快速獲取其局部特征的拓撲結構并實現特征提取，而其算法的效率尤為重要。因此為了提高模型化算法的效率，本文在保證一定精準度的前提下，對K近鄰一般搜索算法進行了有效精簡，快速地獲取了點云數據的拓撲結構，大大節省了運算時間，從而提高了點云數據處理的算法效率。本文利用快速獲得的拓撲信息，結合運用點云數據特征提取的相關算法，分別獲得鄰域彎曲度和曲率估計值后，重點使用逐步逼近的方法對點云數據的特征點提取過程作了有效簡化，為實現活立木點云數據模型化進行了初步探討。

［1］XU H，GOSSETT N，CHEN B.Knowledge and heuristic based modeling of laser-scanned trees［J］.ACM Transactions on Graphics，2007，26（04）：303-308.

［2］THIES M，PFEIFER N，WINTERHALDER D，et al. Three-dimensional reconstruction of stems for assessment of taper sweep and lean based on laser scanning of standing trees ［J］.Scandinavian Journal of Forest Research，2004，19（6）：571-581.

［4］WEZYK P，KOZIOL K，GLISTA M，et al.Terrestrial laser scanning versus traditional forest inventory.First results from the Polish forests［C］//Proceedings of the ISPRS Workshop ‘Laser Scanning，2007：12-14.

［5］TANSEY K，SELMES N，ANSTEE A，et al.Estimating tree and stand variables in a Corsican Pine woodland from terrestrial laser scanner data［J］.International Journal of Remote Sensing，2009，30（19）：5195-5209.

［7］倪小軍，姜曉峰，葛亮.特征保留的點云數據自適應精簡算法［J］.計算機應用與軟件，2011，28（8）：38-39.

［8］葉雯，云挺，業寧.基于點云數據的立木樹干局部曲面擬合及拓撲結構［J］.山東大學學報（工學版），2013，43（2）：42-47.

［9］王麗輝，袁保宗.三維散亂點云模型的特征點檢測［J］.信號處理，2011，27（6）：932-938.

［10］HOPPE H，DEROSE T，DUCHAMPT T，et al.Surface Reconstruction from Unorganized Points［C］// SIGGRAPH'92 conference proceedings.Addison-Wesley：ACM SIGGRAPH，1992：71-78.

Point Cloud Data Feature Extraction for the Standing Timber Trunk

YE Wen，YUN Ting
（1 Information construction and management office，Nanjing Institute of Technology，Nanjing，JiangSu 211167 China）
（2 School of Information Science&Technology，Nanjing Forestry University，Nanjing，JiangSu 210037 China）

The point cloud data of Standing timber trunk is numerous and jumbled.It is the key point for 3D Reconstruction to obtain local topology structure fastly and achieve feature extraction.For data modeling，this paper applies topology information obtained by K-Nearest Neighbours Searching，combined with the use of feature extraction algorithms，take gradually approaching the trunk feature points extraction，for the realization of stumpage point cloud data model turned into the preliminary discussion.

point cloud data，standing timber，feature extraction

TP3-05

A

1008-1739（2015）11-61-3

定稿日期：2015-05-12

國家重點基礎研究發展計劃(973計劃)資助項目(2011CB707904);國家自然科學基金資助項目(30671639);江蘇省自然科學基金資助項目(BK2009393);南京林業大學高學歷人才基金資助項目(163070052)