基于深度学习与机载激光点云的单株树冠分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112819830A(43)申请公布日2021.05.18(21)申请号202110092586.9(22)申请日2021.01.24(71)申请人南京林业大学地址210037江苏省南京市龙蟠路159号(72)发明人云挺陈鑫鑫张运玲曹林(74)专利代理机构南京科阔知识产权代理事务所(普通合伙)32400代理人王清义(51)Int.Cl.G06T7/10(2017.01)G06T5/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书17页附图9页(54)发明名称基于深度学习与机载激光点云的单株树冠分割方法(57)摘要本发明公开一种基于深度学习与机载激光点云的单株树冠分割方法，包括获取研究场地的点云数据；将去噪后的点云数据分为地上点和地面点；提取地上点中单株树木点云，将不同树木划分在不同的体素内；构造训练样本数据集；对PointNet深度神经网络开展训练；将待测场地的地上点通过体素化的方法细分为多个体素，将体素内点云数据转换为PointNet所需格式后，输入到训练好的PointNet模型内，识别出树的每个体素中的点云；将每个体素DSM的梯度信息结合惯性动量梯度的方法定位树冠的边界点，根据边界点勾勒出分割的树冠。本发明在体素尺度上识别树木，并结合高度相关的梯度信息来完成单株树冠的划定，单株树冠分割精确较高。CN112819830ACN112819830A权利要求书1/3页1.一种基于深度学习与机载激光点云的单株树冠分割方法，其特征在于：包括以下步骤：(1)获取研究场地的激光雷达点云数据；(2)去除点云数据的噪声点，将去噪后的点云数据分为地上点和地面点；(3)手工提取地上点中单株树木的点云，然后以体素为界，将不同的树木划分在不同的体素内；(4)将每个体素的单株树木点云数据格式转换为PointNet所需的格式后，构造训练样本数据集；(5)将步骤(4)中的训练样本数据集采用数据增广的方法生成了新的训练样本数据集；(6)采用新的训练样本数据集对PointNet深度神经网络开展训练，得到训练好的PointNet模型；(7)采集待测场地的激光雷达点云数据，去除点云数据的噪声点，将去噪后的点云数据分为地上点和地面点，对地上点通过体素化的方法细分为多个体素，将每个体素内的点云数据转换为PointNet所需的格式后，一起输入到训练好的PointNet模型内，自动识别出树的每个体素中的点云；(8)将识别为树的每个体素中的点云映射到DSM上，计算得到每个体素DSM的梯度信息，将每个体素DSM的梯度信息结合惯性动量梯度的方法定位相邻树冠的边界点，再根据边界点勾勒出要分割的树冠表面，实现单株树冠的分割。2.根据权利要求1所述的基于深度学习与机载激光点云的单株树冠分割方法，其特征在于：所述的激光雷达点云数据通过无人机上的VelodyneHDL‑32E传感器采集获取。3.根据权利要求1所述的基于深度学习与机载激光点云的单株树冠分割方法，其特征在于：所述的步骤(2)和步骤(7)中去除点云数据的噪声点，将去噪后的点云数据分为地上点和地面点，具体为：采用高斯滤波的方法去除点云数据的噪声点，采用布模拟滤波方法将去噪后的点云分为地上点和地面点。4.根据权利要求1所述的基于深度学习与机载激光点云的单株树冠分割方法，其特征在于：所述PointNet所需的格式为HDF5格式。5.根据权利要求1所述的基于深度学习与机载激光点云的单株树冠分割方法，其特征在于：所述的步骤(3)具体包括：(3.1)手工提取地上点中单株树木的点云，然后以体素为界，将不同的树木划分在不同的体素内；(3.2)手工提取地上点中建筑物的点云，然后对属于建筑物的地上点通过体素化的方法细分为多个体素；(3.3)手工提取地上点中除了树木和建筑物的其他物体的点云，然后对属于其他物体的地上点通过体素化的方法细分为多个体素。6.根据权利要求5所述的基于深度学习与机载激光点云的单株树冠分割方法，其特征在于：所述的步骤(4)具体为：将步骤(3)中的每个体素中的点云数据格式均转换为PointNet所需的格式后，构造训2CN112819830A权利要求书2/3页练样本数据集。7.根据权利要求6所述的基于深度学习与机载激光点云的单株树冠分割方法，其特征在于：所述的PointNet深度神经网络在训练过程中，体素的损失函数为：其中为指示器，如果当前计算类别ζ和训练样本类别l相同，则否则其中类别共有三类，具体为树木、建筑物和其他物体；N＝(类别数‑1)＝2；l＝{0,1,2}；代表第j个体素内的点云pj经过深度学习网络线性权重ω变化得到的概率，Tsoftmax代表对应的