一種林區(qū)無人機(jī)和地基點云的自動化配準(zhǔn)方法

劉 清，朱寧寧，余萬東，潘嬋玲，代文霞，唐 濤

（1. 廣西壯族自治區(qū)自然資源遙感院，廣西 南寧 530023；2. 武漢大學(xué) 測繪遙感信息工程國家重點實驗室，湖北 武漢 430079；3. 中國地質(zhì)大學(xué)（武漢） 地理與信息工程學(xué)院，湖北 武漢 430078；4. 武漢珞珈靈智科技有限公司，湖北 武漢 430079）

森林具有重要的生態(tài)和經(jīng)濟(jì)價值，森林資源狀況及其消長變化不僅影響地區(qū)乃至全球的環(huán)境變化，還影響社會經(jīng)濟(jì)的可持續(xù)發(fā)展[1-3]。因此，快速、準(zhǔn)確、高效地獲取森林資源信息具有重要意義。傳統(tǒng)的森林資源調(diào)查采用野外實地抽樣調(diào)查，工作量大、效率低、耗時費(fèi)力，無法滿足大規(guī)模、多時相的觀測要求[4]。激光雷達(dá)技術(shù)的出現(xiàn)，為森林資源調(diào)查帶來了新的機(jī)遇，為森林資源調(diào)查提供了快速、高效的觀測手段，在林業(yè)調(diào)查和研究中受到越來越多的重視[5-6]。

地基激光雷達(dá)（TLS）是指應(yīng)用于地面平臺的激光雷達(dá)，可獲取詳細(xì)的單木和樣地水平的三維結(jié)構(gòu)信息，常用于獲取單木和樣地的水平參數(shù)，如樹的位置、胸徑、樹干、單木生物量和蓄積量[7-10]等。然而，由于受掃描角以及樹木遮擋等因素的影響，TLS 獲取樹冠上層的能力不足，無法獲取完整的樹冠結(jié)構(gòu)，導(dǎo)致森林結(jié)構(gòu)參數(shù)估計不準(zhǔn)確，如TLS 通常會低估樹高[11]。近年來，無人機(jī)激光雷達(dá)技術(shù)以其成本低、空間分辨率高、數(shù)據(jù)采集機(jī)動靈活等特點在林業(yè)調(diào)查中引起了廣泛關(guān)注[12-14]。以無人機(jī)為搭載平臺的激光掃描技術(shù)，可獲取完整的樹冠頂層三維結(jié)構(gòu)信息；但由于受到樹冠的遮擋，難以獲取樹冠下層的植被信息，因此難以進(jìn)行與樹干以及低矮層植被相關(guān)的研究，如樹干、胸徑估計等。TLS 和無人機(jī)激光雷達(dá)提供了互補(bǔ)的視角，二者的配準(zhǔn)融合可獲取完整的森林三維結(jié)構(gòu)信息，同時滿足對樹冠頂層和低矮層植被的觀測需求，為林業(yè)調(diào)查和管理提供有力支撐。

點云配準(zhǔn)是將具有重疊觀測的不同坐標(biāo)系下的點云變換到同一坐標(biāo)系下，從而獲取觀測目標(biāo)的完整點云。三維點云之間的坐標(biāo)轉(zhuǎn)換關(guān)系由一個旋轉(zhuǎn)矩陣R3×3和一個平移向量 T3×1確定，其中 R3×3可由沿X、Y、Z 軸的3個旋轉(zhuǎn)角得到， T3×1為沿 X、Y、Z 軸的平移量。因此，確定兩套坐標(biāo)系之間的轉(zhuǎn)換參數(shù)至少需要3 對同名點對。隨著激光雷達(dá)技術(shù)研究和應(yīng)用的發(fā)展，許多學(xué)者對激光雷達(dá)點云的自動化配準(zhǔn)方法進(jìn)行了研究[15-16]。配準(zhǔn)方法通常包括3個步驟：①從不同源點云中提取特征基元；②尋找特征基元之間的對應(yīng)關(guān)系；③根據(jù)篩選出來的同名特征基元進(jìn)行轉(zhuǎn)換參數(shù)解算和坐標(biāo)轉(zhuǎn)換。目前，針對林區(qū)無人機(jī)激光點云和地基激光點云的自動化配準(zhǔn)方法研究較少，配準(zhǔn)精度較低[17-19]。無人機(jī)和地基的觀測視角不同，對同一棵樹采集到的點云存在一定的差異；此外，與城市場景不同，林區(qū)點云中可用于配準(zhǔn)的傳統(tǒng)幾何特征（點、線、面等特征）較少，這些都給林區(qū)無人機(jī)和地基點云的自動化配準(zhǔn)帶來了挑戰(zhàn)。在林區(qū)環(huán)境中，通常以樹的位置為配準(zhǔn)基元來實現(xiàn)點云的配準(zhǔn)。Haug?lin M[17]等利用一種基于胸徑和樹高的歸一化特征描述子對挪威東南部的針葉林的地基和機(jī)載點云（ALS）進(jìn)行了配準(zhǔn)，首先分別從TLS 中提取樹的位置和胸徑，從ALS中提取樹的位置和樹高；再利用單木之間的距離以及胸徑和樹高的歸一化特征進(jìn)行相似性評價；最后從給定搜索范圍的ALS 中尋找到與之對應(yīng)的TLS。為了對胸徑和樹高兩種不同量綱的特征進(jìn)行比較，分別計算了二者的歸一化特征，再利用歸一化特征以及單木之間的距離進(jìn)行相似性度量。然而，該方法的配準(zhǔn)精度較低，對于低密度的機(jī)載點云（0.7 點/m2），82%的數(shù)據(jù)配準(zhǔn)誤差在1 m 以內(nèi)；對于較高密度的機(jī)載點云（7.5 點/m2），87%的數(shù)據(jù)的配準(zhǔn)誤差在1 m 以內(nèi)。該方法還需人工調(diào)整不同的搜素范圍以確保有效的配準(zhǔn)。Polewski P[18]等以樹的位置為配準(zhǔn)基元，通過計算每棵樹與其他樹之間的水平和垂直距離特征來進(jìn)行相似性度量；再將地面攝影測量點云和ALS點云中檢測到的樹的位置以及它們之間的相似性關(guān)系映射到帶權(quán)二分圖中；最后通過尋找最佳匹配方法實現(xiàn)林區(qū)ALS和地面攝影測量點云的融合。該方法的水平配準(zhǔn)精度為0.66 m。Paris C[19]等首先通過ALS和TLS生成柵格化的冠層高度模型（CHM）；再利用二者CHM冠層水平結(jié)構(gòu)的相似性，采用歸一化互相關(guān)方法對二者的CHM圖像進(jìn)行了配準(zhǔn)。實驗結(jié)果表明，二者配準(zhǔn)后的CHM 圖像的相關(guān)系數(shù)在0.53~0.73 之間，融合ALS 和TLS 后估計的樹高和冠幅的均方根誤差分別為0.39 m和1.46 m。該方法只能獲取平面轉(zhuǎn)換參數(shù)，垂直方向的配準(zhǔn)問題仍未解決；且僅適用于較開闊的林區(qū)，對密集林區(qū)的匹配有待改進(jìn)。綜上所述，針對目前林區(qū)無人機(jī)和地基點云配準(zhǔn)方法精度低、自動化程度不足、實用性差等問題，本文提出了一種基于特征三角形匹配的自動化配準(zhǔn)方法。該方法簡單易于實現(xiàn)，可快速、有效地實現(xiàn)林區(qū)無人機(jī)和地基點云的自動化配準(zhǔn)。

1 研究數(shù)據(jù)獲取

1.1 研究區(qū)概況

本文選取的研究區(qū)為廣西壯族自治區(qū)貴港市覃塘林場 （109°28′E、23°7′N），來賓風(fēng)門坳林場 （109°47′E、23°45′N）和欽州市三十六曲林場 （108°34′E、22°1′N）。基于森林資源二類調(diào)查數(shù)據(jù)、林場管理歷史數(shù)據(jù)和高分辨率影像數(shù)據(jù)，在覃塘林場、風(fēng)門坳林場和三十六曲林場各選取了兩塊樣地，其中覃塘林場樣地面積為50 m×50 m，其他樣地面積均為30 m×30 m。6 塊樣地內(nèi)地形坡度平緩，主要樹種為馬尾松和杉木，林分密度從139 棵/hm2到1 200 棵/hm2，林下雜草和灌木較少。通過人工實測對樣地內(nèi)所有胸徑大于5 cm 的單木記錄其胸徑和樹高，統(tǒng)計信息如表1 所示，其中覃塘林場樣地為Plot 1、2，風(fēng)門坳林場樣地為Plot 3、4，三十六曲林場樣地為Plot 5、6。

表1 研究區(qū)樣地參數(shù)調(diào)查統(tǒng)計信息

1.2 研究數(shù)據(jù)

本文的地基點云數(shù)據(jù)采用Riegl VZ-400 地面三維激光掃描儀獲取，在樣地內(nèi)進(jìn)行單站掃描，站心設(shè)置在樣地中心。該系統(tǒng)最大掃描距離為600 m，水平和垂直視場角分別為360°和100°，掃描頻率為122 000點/s。無人機(jī)點云數(shù)據(jù)由大疆M600 搭載的Velodyne 激光掃描儀Puck VLP-16 獲取，無人機(jī)飛行高度約為70 m，飛行速度約為3 m/s，平均點密度約為225點/m2。本文的無人機(jī)和地基點云數(shù)據(jù)如圖1 所示，左側(cè)為覆蓋樣地的無人機(jī)點云，其中紅色矩形為樣地地基點云的分布，紅色十字為地基點云數(shù)據(jù)采集時站心的位置。覃塘林場樣地的無人機(jī)點云覆蓋范圍為200 m×200 m，地基點云的覆蓋范圍為50 m×50 m，其他樣地的無人機(jī)點云覆蓋范圍為140 m×140 m，地基點云的覆蓋范圍為30 m×30 m。

圖1 無人機(jī)和地基點云示意圖

2 配準(zhǔn)方法

2.1 樹的位置的提取

本文以樹的位置為配準(zhǔn)基元，分別從地基點云和無人機(jī)點云中提取樹的位置。針對地基點云，采用YANG B[9]等提出的方法，利用圓柱擬合的方法進(jìn)行樹干檢測，圓柱中心在地面的投影即為樹的位置。首先分離地面點與非地面點；再對非地面進(jìn)行水平切片處理，對每一層切片的點云進(jìn)行聚類；最后對聚類結(jié)果進(jìn)行圓柱擬合，篩選出樹干的點并得到樹的位置。對于無人機(jī)點云，以樹冠頂點為樹的位置，首先對樹冠點云進(jìn)行單木分割，再尋找單個樹冠內(nèi)的最高點作為樹的位置。本文采用Ferraz A[20]等提出的基于Mean Shift聚類的單木樹冠分割方法進(jìn)行單木提取，并提取樹的位置。Plot 1、Plot 3和Plot 6部分無人機(jī)和地基點云中樹的位置的檢測結(jié)果如圖2所示。

圖2 Plot 1、Plot 3和Plot 6無人機(jī)和地基點云中樹的位置的檢測結(jié)果

2.2 點云配準(zhǔn)

在提取無人機(jī)和地基點云中樹的位置的基礎(chǔ)上，采用特征三角形匹配的方法來實現(xiàn)無人機(jī)和地基點云的配準(zhǔn)。為了方便描述，將地基和無人機(jī)點云中檢測到的樹的位置的點集分別記為Ps和Pt，地基和無人機(jī)點云中檢測到的樹的位置的個數(shù)分別記為Ns和Nt，地基和無人機(jī)點云中檢測到的樹的位置所構(gòu)成的三角形分別記為Ts和Tt。

1）構(gòu)建特征三角形。對于檢測到的樹的位置構(gòu)成的點集，窮舉所有的3 棵樹的位置特征點構(gòu)成的特征三角形，即Ps和Pt點集中分別有Ns和Nt個特征角形的邊長和角度。

2）對三角形的3個頂點進(jìn)行排序。為了減小搜索空間，本文采用三角形的邊長對3 個頂點進(jìn)行排序。對于三角形的頂點，每個頂點賦予對邊的邊長特征，并按照邊長由小到大對三角形的3 個頂點進(jìn)行排序。假設(shè)源點云中特征三角形ΔABC 的3 個頂點和邊長分別為{(A，lBC);(B，lAC);(C，lAB)}，其中 lAB、lBC、lAC為3 個邊長，且 lAC＜lAB＜lBC。在按照三角形的邊長從小到大排序后，ΔABC 的3個頂點為{(B，lAC);(C，lAB);(A，lBC)}。類似的，目標(biāo)點云中特征三角形ΔA'B'C'的3個頂點和邊長分別為{(A'，lB'C');(B'，lA'C');(C'，lA'B')}，按照三角形的邊長排序后，ΔA'B'C'的3 個頂點分別為{(B'， lA'C');(C'， lA'B');(A'， lB'C')} 。

3）去除不可靠的三角形。在對三角形的3個頂點進(jìn)行排序后，去除等腰三角形、等邊三角形、近似共線以及邊長較短的三角形，剩下的三角形將用于后續(xù)的配準(zhǔn)。假設(shè) ΔABC={(B，lAC);(C，lAB);(A，lBC)，lAC＜lAB＜lBC}，滿足下列條件的三角形才會被用于后續(xù)的配準(zhǔn)。

式中，∠A 為三角形中最大的角；lAC為三角形中最短的邊長；rT為一個大于1的常數(shù)，篩選出兩條邊邊長之比大于rT的三角形，去除等腰三角形和等邊三角形對應(yīng)關(guān)系不確定的影響，本文中rT取值為1.05；θT為去除共線三角形的角度閾值，本文取170°；lT為邊長閾值，由于三角形邊長較短會導(dǎo)致轉(zhuǎn)換參數(shù)估計不準(zhǔn)確，本文取值為1 m。

4）三角形匹配。為了建立兩站之間的相對位置關(guān)系，至少需要找到3 對同名點，即一對同名三角形。與目標(biāo)點云之間的對應(yīng)關(guān)系，對于源點云中的每一個源點云中尋找與之相似的三角形Asi 。

式中， Δl1、Δl2、Δl3分別為 Ais和 Atj對應(yīng)的 3 條邊的邊長之差。

②最優(yōu)匹配明顯優(yōu)于次優(yōu)匹配，即

對所有同名三角形進(jìn)行聚類，選擇同名三角形數(shù)量最多的聚類為最優(yōu)聚類，并利用該類中的所有同名三角形對計算轉(zhuǎn)換參數(shù)，包括一個旋轉(zhuǎn)矩陣R3×3和一個平移向量T3×1；最后利用ICP算法對點云進(jìn)行精配準(zhǔn)。

3 配準(zhǔn)結(jié)果與分析

本文采用基于樹的位置的特征三角形匹配方法對研究區(qū)的無人機(jī)和地基點云進(jìn)行配準(zhǔn)，配準(zhǔn)結(jié)果如圖3、4所示，其中綠色為地基點云，紅色為無人機(jī)點云，可以看出，無人機(jī)和地基點云之間的契合程度較高，無人機(jī)點云彌補(bǔ)了樹冠上層的不足，地基點云彌補(bǔ)了樹干和低矮層植被的缺失。同時，為了檢驗本文配準(zhǔn)方法的精度，以手動配準(zhǔn)的數(shù)據(jù)為參考，對該方法進(jìn)行了定量評價。配準(zhǔn)精度反映了源點云分別在真值轉(zhuǎn)換參數(shù)Tg和估計的轉(zhuǎn)換參數(shù)Te變換后兩個點云之間的接近程度，即

圖3 樣地Plot 1無人機(jī)和地基點云的配準(zhǔn)結(jié)果

Plot 1~6 的配準(zhǔn)精度統(tǒng)計如表2 所示，可以看出，平均配準(zhǔn)精度為0.31 m，Plot 1~3的配準(zhǔn)精度優(yōu)于Plot 4~6，隨著林分密度的增加，配準(zhǔn)精度逐漸降低。其原因在于配準(zhǔn)效果與無人機(jī)以及地基點云中樹的位置檢測的準(zhǔn)確性有關(guān)，單木檢測精度會隨著林分密度的增加而降低，配準(zhǔn)精度則隨著樹的位置的檢測精度的降低而降低。此外，從樹干和樹頂獲取的樹的位置存在一定的偏差，也會影響配準(zhǔn)效果。

表2 本文配準(zhǔn)方法在6塊樣地的配準(zhǔn)精度統(tǒng)計/m

圖4 樣地Plot 1~6無人機(jī)和地基點云的配準(zhǔn)結(jié)果局部圖

4 結(jié) 語

激光雷達(dá)是一種主動遙感探測技術(shù)，可快速獲取物體的三維結(jié)構(gòu)信息，在林業(yè)調(diào)查中具有廣泛的應(yīng)用前景。無人機(jī)激光雷達(dá)和TLS 提供了互補(bǔ)的觀測視角，二者的配準(zhǔn)可獲取完整的森林三維結(jié)構(gòu)信息，克服單一視角觀測帶來的遮擋和數(shù)據(jù)不完整問題。本文提出了一種基于樹的位置特征的三角形匹配的林區(qū)無人機(jī)和地基點云自動化配準(zhǔn)方法，有效實現(xiàn)了林區(qū)無人機(jī)激光點云和地基點云的自動化配準(zhǔn)。下一步的研究內(nèi)容包括面向多種不同森林類型的林區(qū)機(jī)載和地基點云的配準(zhǔn)以及基于配準(zhǔn)后的點云的森林參數(shù)估計。