一种基于重建点云的区域植被三维绿量估算方法技术

本发明专利技术提供一种基于重建点云的区域植被三维绿量估算方法，属于三维绿量估算技术领域。该方法分析了现有城市三维绿量测算模型中存在的问题，结合三维重建点云自身固有特性和模型通用性的需求进行设计。该方法基于无人机遥感影像进行三维重建，得到三维重建点云数据，重点基于八叉树

【技术实现步骤摘要】
一种基于重建点云的区域植被三维绿量估算方法


[0001]本专利技术属于三维绿量估算
，具体涉及一种基于重建点云的区域植被三维绿量估算方法。

技术介绍

[0002]三维绿量(Living Vegetation Volume，LVV)作为一种新兴的生态量化指标，它能反映待测区内的绿化效果随空间分布的变化，并且能更直接地与生物量等其他生态指标产生密切联系，因此被广泛运用于城市生态环境评估与城市规划之中。与此同时，三维点云数据被广泛运用于遥感与测绘领域，但较少直接应用在城市区域的植被三维绿量估算中。随着无人机遥感技术以及三维重建技术日趋成熟，运用无人机遥感图像开展实景三维重建技术正在快速兴起，这一交叉研究领域为城市区域三维绿量估算提供了一种响应更快、成本更低、地物信息更丰富的数据采集手段，通过三维重建生成的点云数据，其表面纹理更加细致，相比其他形式的点云数据在记录植被冠层特征方面更具有优势。然而，通过调研，相关研究存在如下问题：
[0003](1)现有的三维绿量量化模型方法，如Fang Huang等人的研究(Fang Huang*,Shuyi ng Peng,Shengyi Chen,Hongxia Cao,Ning Ma.VO
‑
LVV—A novel urban regional living vegetation volume quantitative estimation model based on the voxel measurement method an d an octree data structure[J].Remote Sensing,2022,14(4):855.)，主要基于单一树种生长参数的测算，应对不同类型的树种需要多组不同的模型参数，难以做到测算模型的通用性；
[0004](2)现有的三维绿量量化模型方法主要基于单株建模，无法应用于区域范围内树种繁多、林层结构复杂等状况，不适合城市区域大范围应用；
[0005](3)现有的基于无人机遥感影像的三维重建耗时过长，效率较低，并且由于植被等地物的纹理信息复杂，以及无人机遥感的摄影视角受限，共同造成了三维重建过程中植被重建效果较差，缺少林下信息，造成直接基于三维点云数据进行城市区域三维绿量测算较为困难。
[0006]因此，如何基于三维重建点云数据进行便捷、快速、通用的城市区域三维绿量定量分析，就成为待解决的问题。

技术实现思路

[0007]针对
技术介绍
所存在的问题，本专利技术的目的在于提供一种基于重建点云的区域植被三维绿量估算方法。该方法通过采集无人机遥感数据，利用高性能计算技术实现区域植被场景的快速三维重建，得到三维重建点云数据；并依据该三维重建点云数据，运用PointNet++网络模型完成区域植被点云的提取，最后根据三维重建技术得到反映空间绿植分布的稠密点云模型，以及建立适用于三维绿量的八叉树和体元(Voxel)量化模型，最终完成对三维绿量的定量估算。
[0008]为实现上述目的，本专利技术的技术方案如下：
[0009]一种基于重建点云的区域植被三维绿量估算方法，包括以下步骤：
[0010]步骤1.选定一处分布有典型植被的城市区域作为待测区域，使用无人机倾斜摄影测量作业系统对该处测区进行倾斜摄影测量，得到倾斜影像数据；
[0011]步骤2.基于开源三维重建算法，对步骤1得到的倾斜影像数据集分别进行稀疏重建和稠密重建，得到被测区的场景三维重建点云数据；
[0012]步骤3.对步骤2得到的场景三维重建点云数据，使用点云语义分割神经网络模型提取出植被点云数据；
[0013]步骤4.对步骤3得到的植被点云数据，构建区域三维绿量量化模型，具体为：先建立八叉树搜索结构下的体元模型，再使用扫描线填充算法，修正区域植被的体元结构，从而得到区域三维绿量量化模型；
[0014]步骤5.将步骤3提取的植被点云数据输入至步骤4得到的区域三维绿量量化模型，从而对三维绿量进行估算。
[0015]进一步地，步骤1中的典型植被是指具有规则几何形状的冠层，能够使用“冠径
‑
冠高”方程计算三维绿量真值的植被。
[0016]进一步地，步骤1中的无人机倾斜摄影测量作业系统由大疆经纬M300 RTK和禅思P1图像传感器构成；其中，图像传感器固定在无人机上，并设置无人机相关航测参数，包括航高h＝60m，航速v＝3m/s，航向重叠率为80％，旁向重叠率为70％等。
[0017]进一步的，步骤1中待测区内布设置3
‑
4个像控点，并用RTK基站测定它们的空间位置信息；每个像控点都应该尽可能多地被多张倾斜影像捕获，并且应当选定在易于识别的角点位置。
[0018]进一步的，步骤2的具体过程为：
[0019]步骤2.1.基于步骤1得到的倾斜影像数据集，采用尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法进行特征点的提取，然后对提取的特征点进行匹配，得到特征匹配点；
[0020]步骤2.2.基于特征匹配点，采用运动恢复结构(Structure from Motion，SfM)算法进行稀疏点云重建，得到稀疏点云数据；
[0021]步骤2.3.在稀疏点云的基础上，采用基于聚簇和面片模型的多视角密集匹配(Clustering Multiple View Stereo&Patch
‑
based Multi
‑
View Stereo，CMVS+PMVS)算法进行稠密点云重建，得到稠密点云数据；所述稠密点云数据即为场景三维重建点云数据。
[0022]进一步的，步骤3中点云语义分割神经网络模型包括编码器和解码器，所述编码器用于得到特征提取结果，所述解码器用于得到和原始点云数据量相同的植被点云数据；
[0023]其中，编码器由采样层和组合层组成；采样层将稠密点云数据表征到一个由坐标值和特征值共同组成的高维空间，通过最远点采样法从度量空间的N个输入点云中选取间距最远的N1个点云，将这组点云作为一组区域中心点；在组合层，通过选取每个区域中心点最近邻k个点来表征这一区域，得到特征提取结果；
[0024]解码器由若干组解码单元组成，每组解码单元包括插入层和PointNet单元层组成；在编码器完成特征提取后，模型将接入PointNet层作为特征提取器，通过可训练的权重汇聚k个近邻的特征；
[0025]插入层首先通过k个最近邻点的距离加权特征完成点云升采样，如式(1)所示：
[0026][0027]其中，d(x,x
i
)为点x到第i个近邻点的欧式距离，P表示欧式距离的幂次，f
i(j)
表示第j层的第i个近邻点，总共k个，f
(j)
(x)表示第j层点x的输出，C为总计层数。
[0028]进一步地，所述步骤3的具体过程为：
[0029]步骤3.1.对三本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于重建点云的区域植被三维绿量估算方法，其特征在于，包括以下步骤：步骤1.选定一处分布有典型植被的城市区域作为待测区域，使用无人机倾斜摄影测量作业系统对该处测区进行倾斜摄影测量，得到倾斜影像数据；步骤2.基于开源三维重建算法，对步骤1得到的倾斜影像数据集分别进行稀疏重建和稠密重建，得到被测区的场景三维重建点云数据；步骤3.对步骤2得到的场景三维重建点云数据，使用点云语义分割神经网络模型提取出植被点云数据；步骤4.对步骤3得到的植被点云数据，构建区域三维绿量量化模型，具体为：先建立八叉树搜索结构下的体元模型，再使用扫描线填充算法，修正区域植被的体元结构，从而得到区域三维绿量量化模型；步骤5.将步骤3提取的植被点云数据输入至步骤4得到的区域三维绿量量化模型，从而对三维绿量进行估算。2.如权利要求1所述的基于重建点云的区域植被三维绿量估算方法，其特征在于，步骤1中的典型植被是指具有规则几何形状的冠层，能够使用“冠径
‑
冠高”方程计算三维绿量真值的植被。3.如权利要求1所述的基于重建点云的区域植被三维绿量估算方法，其特征在于，步骤1中的无人机倾斜摄影测量作业系统由大疆经纬M300 RTK和禅思P1图像传感器构成；其中，图像传感器固定在无人机上，并设置无人机相关航测参数，包括航高h＝60m，航速v＝3m/s，航向重叠率为80％，旁向重叠率为70％等。4.如权利要求1所述的基于重建点云的区域植被三维绿量估算方法，其特征在于，步骤1中待测区内布设置3
‑
4个像控点，并用RTK基站测定它们的空间位置信息；每个像控点都应该尽可能多地被多张倾斜影像捕获，并且应当选定在易于识别的角点位置。5.如权利要求1所述的基于重建点云的区域植被三维绿量估算方法，其特征在于，步骤2的具体过程为：步骤2.1.基于步骤1得到的倾斜影像数据集，采用尺度不变特征变换算法进行特征点的提取，然后对提取的特征点进行匹配，得到特征匹配点；步骤2.2.基于特征匹配点，采用运动恢复结构算法进行稀疏点云重建，得到稀疏点云数据；步骤2.3.在稀疏点云的基础上，采用基于聚簇和面片模型的多视角密集匹配算法进行稠密点云重建，得到稠密点云数据；所述稠密点云数据即为场景三维重建点云数据。6.如权利要求1所述的基于重建点云的区域植被三维绿量估算方法，其特征在于，步骤3中点云语义分割神经网络模型包括编码器和解码器，所述编码器用于得到特征提取结果，所述解码器用于得到和原始点云数据量相同的植被点云数据；其中，编码器由采样层和组合层组成；采样层将稠密点云数据表征到一个由坐标值和特征值共同组成的高维空间，通过最远点采样法从度量空间的N个输入点云中选取间距最远的N1个点云，将这组点云作为一组区域中心点；在组合层，通过选取每个区域中心点最近邻k个点来表征这一区域，得到特征提取结果；解码器由若干组解码单元组成，每组解码单元包括插入层和PointNet单元层组成；在编码器完成特征提取后，模型将接入PointNet层作为特征提取器，通过可训练的...

【专利技术属性】
技术研发人员：黄方，何伟丙，彭书颖，陈胜亿，强晓勇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：