基于城市点云数据的绿视率计算方法技术

本发明专利技术提出基于城市点云数据的绿视率计算方法，包括以下步骤；步骤S0：把点云数据分割为地面点云和非地面点云；步骤S1：提取非地面点云每个实体的每层中心位置，判断点云空间关系，进而对点云进行实体分割；步骤S2：对步骤S1的实体分割结果进行分类，提取绿色植物的点云；步骤S3：利用超体素几何特征的分类优化方法，以超体素作为分类基元，以几何特征作为分类特征，对植物中的枝干和其它地物进行进一步的去除；步骤S4：通过分类优化后的绿色植物点云数据来模拟人的视觉感知，得出每个观测点的绿视率；本发明专利技术利用点云三维空间特性，可计算任意视角任意角度的绿视率，更客观、灵活表达城市绿色空间的视觉感受，为城市绿化评估提供方法。方法。方法。

【技术实现步骤摘要】
基于城市点云数据的绿视率计算方法


[0001]本专利技术涉及测绘
，尤其是基于城市点云数据的绿视率计算方法。

技术介绍

[0002]城市绿地具有生态、文化、社会和审美等多重功能，逐渐受到城市规划者与管理者的关注，园林绿地规划设计方案的生态评估成为必然趋势。三维绿量和绿视率将是评估城市绿化空间的潜在指标，三维绿量侧重于衡量绿地生态功能，绿视率则侧重于衡量城市居住环境感知绿地空间的绿化环境。绿视率被定义为人的视野中绿色所占的百分比，是一种模拟人的视觉来量化人的心理感受的三维绿化指标。确定人眼视野范围是计算绿视率的必要条件。经研究证明，假设头部固定为一个方向，人眼视野范围水平方向为80
°‑
160
°
，在垂直方向上为130
°
，水平与垂直方向均以60
°
为清晰视野范围(肖希等，2018)。
[0003]现有的绿视率计算方法主要有基于问卷调查的目视解译评估绿视率的方法、基于图像的RGB图谱信息计算绿视率的方法、基于语义分割神经网络识别绿色植物计算绿视率的方法。1977年，Downs等人通过调查、访谈、审计等研究方法，对居民关于不同城市绿化街道层次的态度、看法等进行统计研究，以此来评估街道的绿化感受，但这样的问卷调查不仅存在着主观感受，而且由于部分居民未处于实地而导致了判断偏差；随后，有学者将评估者迁移至“真实的”位置，并让他们评估所在位置的心理感受，这是一种进行主观评价的较为直接的方法，然而，这种方法虽然有着一定的准确性，但对不同的评价者总是主观的，而且招募和护送评估员至观测地点也是十分耗费时间，甚至难以执行的。Yang等人(2009)通过计算绿视率，利用彩色图片评价城市街道周边绿色植被的可见性来代表行人对街道周边绿化的感觉。他们利用相机在选定的研究区域内每个街道的交叉口分别于四个方向(东、南、西、北)拍摄一张照片。对拍摄的照片进行绿色植被区域的提取，从而进一步利用公式计算出绿视率。近年来，研究人员开始使用街景视图来代替实地收集图像。Li等人(2015)使用谷歌街景视图(GSV)获取街景图像来取代实地图像，在研究中采用了水平方向使用六个方向(0
°
(北)、60
°
、120
°
、180
°
、240
°
、300
°
、360
°
)以及垂直方向采用三个方向(
‑
45
°
、0
°
、45
°
)的方式来获取一个视点位置的十八个方向的图像，从而保证可以完全覆盖观测者的球面视野，然后利用图像的光谱信息提取出图像的绿色植被区域，最后利用公式计算出绿视率。Yu等人(2018)基于百度街景视图提出了BGVI(Baidu Green View Index)，并利用BGVI对泰安地区的街道绿化进行了评价分析。尽管该方法可以快速获取图像，使工作量大量减少、工作效率大大提高，但是由于街景图像拍摄时间并不一致，且还有许多区域无法获取到其街景图像，导致计算出的绿视率针对性较差，还有随机性太大，存在一定的不确定性。张炜等人(2019)指出拍摄的照片依赖于照片的拍摄角度以及拍摄时镜头焦距，拍摄时会存在一定的主观性，从而对拍摄结果产生一定的影响，而全景影像摄影技术可以捕捉相机环绕360
°
的景象，相比于普通照片，全景拍摄更能客观反映人在空间位置的真实感受，通过全景相机获取球面全景照片，利用基于语义分割神经网络对照片中的植被区域自动识别，最后对全景绿视率进行计算。
[0004]移动三维激光扫描技术(MLS)是一种集成了多种传感器的测量系统，其凭借能自动、快速、精确、连续地获取三维结构信息的优势，在三维城市建模、城市林木提取以及城市绿化量测算等方面得到了广泛应用。MLS能够在短时间内自动获取区域内道路两侧的三维结构信息，经过处理后，可以得到道路的任何位置任何角度内的三维信息，可以精确模拟出居民在道路上任何视点任意视角上所看到的景象，这对于计算绿视率有着重要意义。另一方面，随着地理信息的快速发展，二维模型已经无法满足城市规划要求，三维模型已应用于城市规划各个阶段，相比于图像，基于点云计算绿视率更符合城市规划要求。
[0005]利用城市点云估算绿视率，需要把植物点云提取出来，涉及点云数据的分割与分类。

技术实现思路

[0006]本专利技术提出基于城市点云数据的绿视率计算方法，利用点云三维空间特性，可计算任意视角任意角度的绿视率，更客观、灵活表达城市绿色空间的视觉感受，为城市绿化评估提供方法。
[0007]本专利技术采用以下技术方案。
[0008]基于城市点云数据的绿视率计算方法，包括以下步骤；
[0009]步骤S0：通过变尺度拟合地面三角网提取地面点的算法，把侧视激光点云数据分割为地面点云和非地面点云；
[0010]步骤S1：对非地面点云采用基于DBSCAN的分层点云分割算法，以其每个对象在垂直方向上每层点云中心的平面位置分布一致性，使用DBSCAN聚类方法提取每个实体的每层中心位置，然后基于每个实体垂直方向的连续性判断点云空间关系，进而对点云进行实体分割；
[0011]步骤S2：利用PointNet++深度学习网络对步骤S1的实体分割结果进行分类，提取绿色植物的点云；
[0012]步骤S3：基于植物冠层点云、枝干点云以及人工建筑点云的几何特征差异性，利用超体素几何特征的分类优化方法，以超体素作为分类基元，以几何特征作为分类特征，对植物中的枝干和其它地物进行进一步的去除，优化提取绿色植物点云的精度；
[0013]步骤S4：按人眼在观测点处的视角，通过分类优化后的绿色植物点云数据来模拟人的视觉感知，根据人眼视觉范围，从水平和垂直方向将可视域分割成子视角，根据子视角中距离观察点最近的点的地物类型为绿色植物的子视角数与子视角总数的比值，得出每个观测点的绿视率。
[0014]所述步骤S0中利用变尺度拟合地面三角网，从而对点云进行地面滤波需要多次迭代滤波，当地面点与非地面点明显分割时，结束迭代。
[0015]所述步骤S2中利用PointNet++深度学习网络实现对实体进行分类的具体步骤如下：
[0016]步骤S21：对公开的参考点云数据集Sydney、Semantic3d、Paris
‑
Lille
‑
3D进行预处理；
[0017]步骤S22：根据步骤S21的预处理结果制作训练集、测试集；从参考点云数据集中获得对象总个数，如果出现建筑物对象数多于植物对象数的情况，为了保证数据的平衡性，训
练时选择随机去除部分建筑对象和其它对象，并将所有对象按7：3的比例随机分配至训练集、测试集中；
[0018]步骤S23：进行PointNet++模型训练，具体为：首先设置超参数，超参数包括学习率、批次样本大小、权重衰退系数、丢弃法比率。权重衰退系数设为0.0005，丢弃法比率设为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于城市点云数据的绿视率计算方法，其特征在于：包括以下步骤；步骤S0：通过变尺度拟合地面三角网提取地面点的算法，把侧视激光点云数据分割为地面点云和非地面点云；步骤S1：对非地面点云采用基于DBSCAN的分层点云分割算法，以其每个对象在垂直方向上每层点云中心的平面位置分布一致性，使用DBSCAN聚类方法提取每个实体的每层中心位置，然后基于每个实体垂直方向的连续性判断点云空间关系，进而对点云进行实体分割；步骤S2：利用PointNet++深度学习网络对步骤S1的实体分割结果进行分类，提取绿色植物的点云；步骤S3：基于植物冠层点云、枝干点云以及人工建筑点云的几何特征差异性，利用超体素几何特征的分类优化方法，以超体素作为分类基元，以几何特征作为分类特征，对植物中的枝干和其它地物进行进一步的去除，优化提取绿色植物点云的精度；步骤S4：按人眼在观测点处的视角，通过分类优化后的绿色植物点云数据来模拟人的视觉感知，根据人眼视觉范围，从水平和垂直方向将可视域分割成子视角，根据子视角中距离观察点最近的点的地物类型为绿色植物的子视角数与子视角总数的比值，得出每个观测点的绿视率。2.根据权利要求1所述的基于城市点云数据的绿视率计算方法，其特征在于：所述步骤S0中利用变尺度拟合地面三角网，从而对点云进行地面滤波需要多次迭代滤波，当地面点与非地面点明显分割时，结束迭代。3.根据权利要求1所述的基于城市点云数据的绿视率计算方法，其特征在于：所述步骤S2中利用PointNet++深度学习网络实现对实体进行分类的具体步骤如下：步骤S21：对公开的参考点云数据集Sydney、Semantic3d、Paris
‑
Lille
‑
3D进行预处理；步骤S22：根据步骤S21的预处理结果制作训练集、测试集；从参考点云数据集中获得对象总个数，如果出现建筑物对象数多于植物对象数的情况，为了保证数据的平衡性，训练时选择随机去除部分建筑对象和其它对象，并将所有对象按7：3的比例随机分配至训练集、测试集中；步骤S23：进行PointNet++模型训练，具体为：首先设置超参数，超参数包括学习率、批次样本大小、权重衰退系数、丢弃法比率。权重衰退系数设为0.0005，丢弃法比率设为0.5；学习率和批次样本大小的设置通过调整参数值，通过多次的训练，以分类结果的准确率、精确率、召回率和F1
‑
score作为评价标准结果，寻找最优的模型参数；步骤S24：根据最优的模型参数，导入基于DBSCAN分层分割好的点云数据进行推理学习，完成对植物、建筑物和其它地物的分类，从而提取绿色植物点云。4.根据权利要求3所述的基于城市点云数据的绿视率计算方法，其特征在于：所述步骤S21中，Paris
‑
Lille
‑
3D数据集和Semantic3d数据集预处理的具体步骤如下：步骤S211：将数据集的所有点云按标签分成建筑物、植物、其它地物三类；步骤S212：利用基于DBSCAN的分层点云分割算法对每个标签所对应的点云进行分割，进而基于分割结果给点云中每个点赋予对象标识和类别标签。5.根据权利要求1所述的基于城市点云数据的绿视率计算方法，其特征在于：所述步骤S3的具体实现步骤如下：步骤S31：点云体素化：即按照预设的体素边长将点云区域分成多个矩形体区域，将每
个区域内的所有点作为一个整体的体素；步骤S32：构建超体素：即利用体素的强度信息、空间特征以及局部几何特征点快速特征直方图构成特征向量的聚类规则，从多个种子点出发，基于体素的邻接性同时向外生长，直到所有体素均分割为超体素，停止生长；步骤S33：根据点集协方差矩阵的特征值以及特征向量的几何特征差异，提取出线状分布、面状分布以及离散分布的点云数据，从而去除绿色植物点云中部分枝干点云。6.根据权利要求5所述的基于城市点云数据的绿视率计算方法，其特征在于：所述步骤S33中，点云几何特征差异的提取过程为：计算出某一区域点集协方差矩阵的线状分布、面状分布以及离散分布的特征值为(λ0、λ1、λ2)，当λ1/λ0较小时，该区域可评估为包括树木枝干或电线杆的线性分布地物，当λ2/λ1较小时，该区域可评估为包括建筑物表面或地面的面状分布地物；当需提取出特征明显的绿色植物冠层以及灌木...

【专利技术属性】
技术研发人员：唐丽玉，何建国，彭巍，黄洪宇，陈崇成，
申请(专利权)人：福州大学，
类型：发明
国别省市：