【论文阅读】Estimating Tree Structural Parameters via AutomaticTree Segmentation From LiDAR PointCloudData

（利用激光雷达点云数据自动树分割估计树的结构参数）

摘要：

        本文提出了一种基于光探测与测距(LiDAR)点云数据的树木自动分割方法。即使在崎岖不平的地面上也能准确地进行树木分割，并在1000多个样本上进行了验证。例如，从数据集2中检测到374棵树中的371棵，错误是由于点密度低的树木位于远离激光雷达的区域。准确地执行分割，包括分支，导致检索高级参数，如叶面积。为了从分割后的树木中获取与叶面积相关的参数，提出了一种利用地面激光雷达方法对三维点云中的叶、枝点进行分类的方法。对输入点云进行体素化等预处理后，计算快速点特征直方图(FPFH)特征。然后，使用训练数据集对分类器进行叶和枝的训练，利用测试数据计算测试精度。此外，还采用了一种基于FPFH特征和k-means算法的无监督分类方法。结果表明，该方法的分类查全率和查准率分别为98.14%和96.03%。

关键词：实例分割，光探测和测距(激光雷达)，点云，树木分割。

1 引言

——阐述复杂环境        

在树木分割方面已经做了很多努力，主要是利用机载激光雷达数据。由于机载激光雷达的数据可以记录树冠的顶部，因此树冠法很受欢迎。 然而，当使用地面激光雷达或移动激光雷达在地面获取激光雷达数据时，激光雷达发射的激光束无法到达树顶;因此，点云数据往往缺乏树顶数据。因此，如前所述，相应的树检测方法不能很好地工作。

其他研究开发了一种算法来适应涉及许多非树对象的更复杂的环境[15]，[16]。然而，当目标点云数据中包含非树对象时，使用上述方法会将许多对象误检测为树。例如，电线杆被检测为树，导致误报。例如，一种方法首先检测候选树，然后从城市环境中的候选树中减少非树。每个检测到的目标都被投影到二维图像上，并被分类为树或非树。然后对城市中的树木进行检测。虽然这些方法是有效的，包括对于非树对象的场景，但如果在点云中没有观察到树干，则无法进行检测。此外，它们应该在崎岖不平的地面上进行测试，并获得更多的数据。

本研究利用立体摄像机记录树干，利用立体视觉重建三维信息。然后，利用“You Only Look Once”(YOLO) v2网络检测树干，估算树干直径和树种。然而，立体相机只能扫描靠近相机的树木，并且在户外非常不稳定。因此，需要测试一种即使在不扫描树干或树干周围存在林下植被的情况下也能用于树点云的树木分割方法，并需要更多的树木样本进行验证，以确认该方法的可行性。经过分割后，可以自动估计出树干直径、树高等树木结构参数。

——阐述输入

根据目标树、激光雷达系统类型、测量条件和参数的不同，即使是相同的树，目标树的点模式也会有所不同。这意味着在这种情况下，预训练的分类器很难应用于新的数据集，并且应该在每个实验条件下准备训练数据集。因此，如果分类器不需要使用训练数据进行训练，也就是说，可以使用不需要为训练数据集做准备的无监督方法来执行分类。如果定义一个很好的描述点的三维几何形状的特征来表示相邻点之间的关系，就可以进行枝叶的分类。在对三维点云中的叶子点和分支点进行分类后，如果能够对每个分支进行分割，就可以进行更详细的分析。在之前的研究中，提出了一种从无叶苹果树中提取分支结构的方法。为了进行如此详细的分析，需要高精度的激光雷达点云树木分割方法和鲁棒的叶枝分离算法。因此，本研究提出了一种基于LiDAR点云的精确树木分割方法，并验证了该方法的可行性。

2 材料和方法

2.1 材料

使用了五个研究地点进行激光雷达测量，以验证树木分割方法。日本【28-30】

2.2 枝叶分割数据集

第一个使用的数据集是levos数据集[31]，[32]。该数据集来自喀麦隆东部的树木。

【Using terrestrial laser scanning data to estimate large tropical trees biomass and calibrate allometric models: A comparison with traditional destructive approach】

使用的第二个数据集是美国郁金香树(Liriodendron tulipifera)的激光雷达数据。

【LeWoS: A universal leaf-wood classification method to facilitate the 3D modelling of large tropical trees using terrestrial LiDAR】

2.3 树检测

树木分割：

第一步是提取地面。将输入点云分为地点和非地点。地面提取完成后，根据地面信息对各点高度进行归一化处理，如图所示。

第二步是聚类。选取高度在1.0 ~ 2.0 m之间的区域，根据欧几里得距离对点进行聚类，向上扩展区域。在此过程中，将距离小于1 m的点分配到同一聚类中。通过重复这个过程，创建了与树干相对应的集群。在这一过程中，树干区域出现向上生长，将每棵树分割开来。

第三步后处理。经过前面提到的树分割过程后，对某一区域应用分水岭算法。如果树干周围有过多的林下植被或噪音，则树干的集合可能被识别为单个集群，导致无法检测到树木。因此，对分水岭算法进行此后处理的条件如下:

（1）选择上一步的每一棵分段树，计算树冠直径的长度。

（2）如果长度大于阈值，例如30 m，则执行分水岭算法。只有当冠径对应的长度比较大时才进行这种后处理。在后处理中，首先将三维点云投影到二维空间中，如深度图像。然后，基于局部最小值对输入图像进行分割。采用分水岭算法进行树冠分割。

2.4 树干直径的估算

分割完成后，对分割后的树进行树干直径估计。实验使用数据集1-3。在估计中，收集树干高度在0.8 ~ 1.6 m之间的点(即点的平均高度约为1.2 m)，并将这些点投影到二维空间中进行椭圆拟合。随机选取237棵树进行树干直径估算。没有选择点数较少的样本。

2.5 激光雷达点云中叶点和枝点的分类

作为预处理步骤，将树的LiDAR点云降采样到1 cm的分辨率。预处理后，计算每个点的快速点特征直方图(FPFH)。

被称为FPFH的3d特征以其在物体检测和分类方面的有效性而闻名。它可以定义为感兴趣点的位置和邻近点的位置，并用于描述局部几何。

将33维的fpfh输入到分类器中以返回点的类。样本数等于下采样后的点数。将数据按8:2的比例分为训练数据集和测试数据集。为了分类，进行了判别分析。其他分类器如支持向量机也进行了测试，但判别分析的性能更好。本研究工作流程如图所示。 

2.6 用分支点分离每个分支 

然后，从树的点云数据中分割每个分支。在这一步中，3d LiDAR点云中的叶子和树枝已经被分离，如前一节所述。分支分割方法如图(a)所示。输入点云体素化后，如图(a)所示，使方法由Lee等[36]和Kerschnitzki等[37]提出，如图(b)所示。然后，细化后计算垂直方向上每一层的体素数。将最大数量的40%设置为阈值，并从上到下扫描每个级别的体素数。当体素数低于阈值时，终止此程序，并使用上述部分进行分析。然后，将相邻体素数大于3的体素视为一个分支点，如图(c)所示。最后，删除上一步确定的分支点，如果存在相邻体素，则通过扩展每个区域(区域增长算法)来分离每个分支。在图(d)中，分支和分支的终点分别用红色和青色表示。

3 结果 

3.1 树分割结果。每棵树都用不同的颜色来说明，如图所示。(a)面板(b)显示了冠层下分割结果的特写视图。