一种基于FasterR-CNN的红树林单木分割方法技术

本发明专利技术提供了一种基于Faster R

【技术实现步骤摘要】
一种基于Faster R
‑
CNN的红树林单木分割方法


[0001]本专利技术涉及单木分割
，具体涉及一种基于Faster R
‑
CNN的红树林单木分割方法。

技术介绍

[0002]红树林是生长在热带和亚热带海岸的唯一木本植物，能够提供多种生态系统服务，如：水质维护、维持生物多样性、防风暴、避免海岸线侵蚀、隔离营养成分、固碳、提供旅游资源、连接陆地和水生环境等，红树林突出的生态服务功能使其受到社会各界的广泛重视。红树林个体的研究对于提取红树林结构参数，用于描述红树林的生长、物候和死亡至关重要。
[0003]过去通过红树林个体的研究获取相关结构参数多是通过野外实地观测得到，即首先选定一些采样样方，然后通过手动测量样方内的单木结构参数。虽然手动测量结果精度较高，但是这种测量方式费时费力、效率低下且不宜进行大区域推广。无人机机载激光扫描技术的出现成功解决了这一难题，在红树林空间分布检测、林分类型识别、结构参数估测以及变化监测方面展现出了巨大的应用潜能。无人机机载激光扫描技术以其精确记录三维激光点的能力，为树木的三维表型特征提供了很有前景的数据支撑。其自上而下的扫描方法可以清楚地记录树木的冠层和树干，更适合地面森林调查工作。近年来，面向无人机机载激光雷达数据，学者们已经提出了许多有关单木分割的方法。目前单木提取的算法大致可以分为两种思路：基于冠层高度模型(Canopy Height Model，CHM)的探测方法和基于点云的探测方法，主流算法有：区域生长法、分水岭法等。但由于红树林生长环境的复杂性，利用无人机机载激光雷达数据实现红树林的单木分割研究鲜有。
[0004]近年来，利用无人机机载激光雷达数据实现单木分割虽然具有优势，但仍然存在以下几点问题：(1)当前研究算法不够成熟、不具有普适性。一些算法在针叶林能取得良好效果，但是对于红树林这样密度较大、冠层矮小、彼此之间互相遮盖的阔叶林效率较低且提取精度极低。(2)利用点云进行红树林单木探测时，往往采取“先上层木后下层木”的顺序，即先探测上层木，然后在此基础上探测下层木，如果上层木探测错误，那么错误便会累积，影响下层木的探测精度。在红树林复杂的生长环境中，并不能保证上层木探测的准确性，有时会误把茂密树杈识别成单棵树。(3)基于CHM和基于点云的方法都需要人工设计寻找CHM和点云中的种子点(树冠顶点)，依据种子点进行后续的单木提取。利用人工设计提取种子点规则和各种参数依赖经验值，对于红树林复杂的森林环境缺少鲁棒性。

技术实现思路

[0005]针对上述现有技术存在的不足，本专利技术提供一种基于Faster R
‑
CNN的针对于红树林的面向激光点云的单木分割方法，旨在实现红树林区域更高的单木分割精度。
[0006]本专利技术的技术方案为：
[0007]基于Faster R
‑
CNN的红树林单木分割方法，该方法包括以下步骤：
[0008]步骤1：采集红树林的无人机机载LiDAR点云数据；
[0009]步骤2：对采集的红树林的无人机机载LiDAR点云数据进行预处理；
[0010]步骤3：利用Pit
‑
free算法对预处理后的红树林的无人机机载LiDAR点云数据生成冠层高度模型CHM；
[0011]步骤4：将二阶段目标检测方法Faster R
‑
CNN应用到步骤3产生的CHM中，构建基于CHM特征图的单木提取网络进行红树林的单木特征自动提取。
[0012]进一步地，根据所述的基于Faster R
‑
CNN的红树林单木分割方法，所述步骤2包括如下步骤：
[0013]步骤2.1：对读取的红树林的无人机机载LiDAR点云数据进行去除噪声处理；
[0014]步骤2.2：将去除噪声后的红树林无人机机载LiDAR点云数据划分为地面点和非地面点两类点云数据；
[0015]步骤2.3：对地面点的红树林无人机机载LiDAR点云数据中每个单点位置的高程进行空间插值，实现对所有的红树林的地面点的无人机机载LiDAR点云数据的高程归一化。
[0016]进一步地，根据所述的基于Faster R
‑
CNN的红树林单木分割方法，所述对读取的红树林的无人机机载LiDAR点云数据进行去除噪声处理的方法为：对红树林的无人机机载LiDAR点云数据中的每个点搜索其周围相同个数的邻域点；计算该点到搜索到的其周围邻域点的距离平均值D
mean
、中值m及标准差σ；根据D
max
＝m+K*σ计算该点到搜索到的其周围邻域点的距离最大值D
max
；若该点到搜索到的其周围邻域点的距离平均值D
mean
大于该点到搜索到的其周围邻域点的距离最大值D
max
，则认为该点为噪声点，将其去除。
[0017]进一步地，根据所述的基于Faster R
‑
CNN的红树林单木分割方法，利用克里金算法对地面点的红树林无人机机载LiDAR点云数据中每个单点位置的高程进行空间插值。
[0018]进一步地，根据所述的基于Faster R
‑
CNN的红树林单木分割方法，所述步骤4进一步包括以下步骤：
[0019]步骤4.1：在二阶段目标检测方法Faster R
‑
CNN中采用VGGNet模型作为特征提取的主干网络从步骤3产生的CHM中提取特征，获得CHM特征图；
[0020]步骤4.2：将生成的CHM特征图映射到原始的CHM中得到不同尺寸的锚点框，对每一个可能存在树的位置建立锚点框，利用CHM特征图与锚点框得到锚点框的特征，进而完成锚点框的分类与回归，得到初始候选框；
[0021]步骤4.3：初始候选框经过非极大值抑制、感兴趣区池化以及分类与位置回归操作实现目标框的确定，从而实现对红树林CHM的单木目标的确定。
[0022]与现有技术相比，本专利技术具有以下有益效果：
[0023](1)本专利技术采用深度学习方法，借助大数据样本进行学习，相比传统流行的单木分割算法，单木分割准确度更高，可有效减少错检漏检的单木数量，为提高基于无人机机载激光雷达数据的红树林单木分割精度提供可能性。
[0024](2)在红树林的各个位置建立候选区，并且候选区能够逐步逼近探测单木，可以解决下层木探测结果依赖上层木的问题。综合考虑候选区内所有点云，而不是使用局部特征，可获得更好的探测结果。
[0025](3)实现特征参数的自动化设计，可以解决当前单木提取特征性能低，点云的空间信息不能充分利用的问题。
附图说明
[0026]为了更清楚地说明本专利技术实施例中的具体方式，下面将对实施例中涉及的相关附图做简单说明，下面的附图仅仅是本专利技术的优选实施例，对于本领域普通技术人员来说，在没有创造性改变的前提下，可以根据这些附图获得其它的附图。
[0027]图1为本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Faster R
‑
CNN的红树林单木分割方法，其特征在于，该方法包括以下步骤：步骤1：采集红树林的无人机机载LiDAR点云数据；步骤2：对采集的红树林的无人机机载LiDAR点云数据进行预处理；步骤3：利用Pit
‑
free算法对预处理后的红树林的无人机机载LiDAR点云数据生成冠层高度模型CHM；步骤4：将二阶段目标检测方法Faster R
‑
CNN应用到步骤3产生的CHM中，构建基于CHM特征图的单木提取网络进行红树林的单木特征自动提取。2.根据权利要求1所述的基于Faster R
‑
CNN的红树林单木分割方法，其特征在于，所述步骤2包括如下步骤：步骤2.1：对读取的红树林的无人机机载LiDAR点云数据进行去除噪声处理；步骤2.2：将去除噪声后的红树林无人机机载LiDAR点云数据划分为地面点和非地面点两类点云数据；步骤2.3：对地面点的红树林无人机机载LiDAR点云数据中每个单点位置的高程进行空间插值，实现对所有的红树林的地面点的无人机机载LiDAR点云数据的高程归一化。3.根据权利要求2所述的基于Faster R
‑
CNN的红树林单木分割方法，其特征在于，所述对读取的红树林的无人机机载LiDAR点云数据进行去除噪声处理的方法为：对红树林的无人机机载LiDAR点云数据中的每个点搜索其周围相同个数的邻域点；计算该点到...

【专利技术属性】
技术研发人员：尤号田，刘遥，宋昊昕，邓维熙，覃志刚，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：