该文基于多分支特征融合的3D目标检测算法将无序的点云划分为规则的体素，利用体素特征编码模块和卷积神经网络学习体素特征，再将稀疏的3D数据压缩为稠密的二维鸟瞰图，最后通过2D骨干网络的粗糙分支和精细分支对多尺度鸟瞰图特征进行深度融合。该文实现了对多尺度特征的语义信息、纹理信息和上下文信息的聚合，得到了更加精确的原始空间位置信息、物体分类、位置回归和朝向预测，在KITTI数据集上取得优异的平均精度，并在保持一定帧率的同时具有较强的稳健性。

为探索激光雷达在农业机器人环境理解和导航中的应用,研究一种基于改进DBSCAN算法的果园树干检测算法。该算法使用自适应密度阈值和聚类半径对不同距离处数据点进行聚类和整合,以克服DBSCAN算法对全局变量值敏感的缺点。针对激光雷达可能扫到地面造成机器人误检的问题,采用机器人航位推算模型计算当前帧数据中待定类的距离,通过与前一帧数据中对应类距离的比较判定待定类的类别,进而对地面干扰类进行排除。试验结果表明:1)机器人正常行走时本算法能够排除噪声准确识别树干类点;2)存在果树分枝或地面干扰时,有少量漏检,平均误判果树数目为-0.13棵,能够区分出地面类和果树类。该研究可以应用到农业机器人果园环境理解...

【目的】运用激光雷达技术识别提取林隙面积、边界木高和形状指数,为林隙结构参数调查提供技术支持。【方法】以机载激光雷达数据为数据源,以东北林业大学帽儿山实验林场内设置的5块林隙调查样地中的54个林隙为研究对象,通过对比普通克里金插值、反距离权重插值、样条插值、自然临近插值和局部多项式插值确定最优插值方法得到冠层高度模型,运用交替贯序滤波法对冠层高度模型进行林隙识别提取。【结果】通过对比5种插值方法的RMSE发现,普通克里金法适合插值DEM,反距离权重法适合插值DSM;采用交替贯序滤波法识别提取林隙时,林隙识别率为92.6%,运用配对检验法对提取的林隙面积、边界木高与野外调查数据进行检验,基于激光雷达技术提取的林隙面积和边界木高与野外实测值呈较强线性关系,R~2分别为0.983和0.737,其中提取的林隙面积与实测值平均相对误差为15.78%,林隙边界木高与实测值平均相对误差为11.94%。【结论】基于机载激光雷达数据采用交替贯序滤波能有效识别林隙且能准确提取其结构参数;坡度、坡位及冠层结构复杂程度都会影响冠层高度模型的插值精度;林隙面积提取受林隙边界形状和林层结构影响,林隙边界木高随着样地地形、坡度增加误差也随之增大。机载激光雷达技术具有获取地形和树木三维结构信息的优势,可为林隙识别及其结构参数提取提供新的遥感方法。

为了更好地建立单木三维彩色模型，获得准确表型参数，提出了一种基于Kinect v2相机和激光雷达的单木点云信息融合检测方法。首先由激光雷达采集樱树单木所在区域的完整环境点云，生成点云地图；由Kinect相机采集樱树单木多视角点云得到完整的三维彩色点云；然后以激光雷达点云位置为基准，通过选取对应同名点的方式对2种点云进行初始配准，使点云之间具有良好的初始位置关系，再使用最近点迭代（iterative closest point, ICP）算法对点云进行精配准；最后使用彩色点云对雷达点云进行点云着色融合处理，实现樱树单木的三维重建。结果显示：与只使用Kinect v2相机生成的樱树单木表型参数对比，融合后的樱树单木的株高、冠幅和胸径的平均相对误差分别降低了1.52、6.46和18.17个百分点。研究结果表明，Kinect v2深度彩色相机和激光雷达在单木三维重建上能实现优势互补，提升点云配准精度，同时，既能降低光照气候条件的影响，又能增加测量距离，单木表型参数更准确。

[目的]探究如何有效利用机载激光雷达冠层高度模型（CHM）自动区划小班，提高小班区划工作效率。[方法]在高光谱影像树种信息的辅助下，使用机载激光雷达数据生成的CHM进行两种空间尺度的分割和优化来自动区划小班。先对1 m空间分辨率CHM数据进行过分割，再对降尺度处理并平滑后的5 m空间分辨率CHM数据进行欠分割，结合两种尺度分割结果并优化得到最终区划结果。将自动区划结果与人工区划小班、数字正射影像（DOM）屏幕勾绘小班以及主伐作业小班为三类参考小班对比，采用最终测量精度（UMA）准则的圆度（RO），紧致度（CO），形状指数（SI），最小包络圆短半径（RE），椭圆度（EF）和形状因子（P2A）8个指标，及自动区划小班与参考小班的交并比（IOU）指标，定量评价自动区划小班边界勾绘的准确程度。并利用样地实测数据和CHM数据计算自动区划结果平均胸径、平均树高和冠层平均高的可解释性方差，验证自动区划结果的内部一致性和外部差异性精度。[结果]自动区划结果与参考小班的UMA形状、面积等特征较接近，与人工区划小班最相近。自动区划小班与人工区划、屏幕勾绘、主伐作业小班交并比大于70%的比例分别为46%,37%,43%，交并比大于50%的比例分别为61%,54%,55%。自动区划结果平均胸径可解释性方差为97%，平均树高可解释性方差为98%，和人工区划小班相同，说明其内部一致性高且和相邻小班差异大。冠层平均高可解释性方差为84.81%，比人工区划小班提高了1.77%。[结论]利用两种空间尺度的CHM与高光谱树种分类图的分割和优化方法自动区划的小班在内部一致性及边界的精准度方面有明显优势，更符合小班边界处林木的分布情况，小班边界准确，且工作效率高，有助于森林的精细化管理。

本文使用Xilinx FPGA作为开发平台，设计了一种基于SD卡的新型单光子激光雷达数据存储平台。针对单光子激光雷达的数据特点，验证了通过DDR3芯片SD卡在2.0版本SPI模式下可以发挥削峰填谷的作用，确保单张SD卡能够稳定以最大5 Mbps的写入速率稳定工作。同时，该文验证了采用多SD卡扩展方案可以进一步提升写速度，并将存储能力提高至0.5 TB以上。如果将SD卡提升至3.0版本，理论上单卡存储能力可以达2 TB。该存储系统已实际应用于单光子激光雷达的成像实验，由于SD卡轻巧、稳定和抗干扰等优点，新的存储方案在数据容量、集成度、能耗和成本等指标方面与目前通用方案相比均有显著的提升。SD卡存储方案的高性价比特点对未来广泛应用于单光子雷达的量产具有较大吸引力。这种新的数据存储方案在无人机载、船载和车载测绘等低载荷、高集成的单光子激光雷达产品的实际应用中具有优势。

以山东省泰安市徂徕山林场和重庆铁山坪林场为试验区,分别于2005年5月和2006年9月获取了低密度和高密度的L iDAR点云数据,分别进行了林分平均高的反演试验。通过两个试验区的对比,分析了不同点云密度对机载L iDAR数据反演林分参数的影响。结果表明:对于两种密度的点云数据,使用分位数法都可以很好地进行林分平均高的估计,高密度点云的反演结果略好一些,但二者结果差异不大;高密度的点云可以进行更小尺度的林分高估计和单木树高的估计,从而可以减少甚至避免对实地树高测量的依赖。

随着激光雷达(Light Detection And Ranging,LiDAR)技术在近二十年的快速发展,LiDAR数据被广泛用于各个行业的3D测量、空间建模和参数反演。森林由于其地物垂直结构复杂,林木属性多变,是高分辨率遥感技术面临的一大难点。虽然林业上已使用LiDAR数据进行林区地形建模、森林树种分类、植被参数提取等研究,全波形LiDAR数据分类的基础工作仍存在若干系统性的技术问题:新型LiDAR系统的性能得到极大提升,但也引入新的数据处理模型问题;LiDAR系统光谱波段单一,目标刻画仍主要局限于点

机载激光雷达是一种主动遥感技术。在林业应用方面,高采样密度激光雷达能够获取单株木三维结构特征,采用不同的数据处理方法,可以得到不同精度的单株木参数。该文利用高采样密度的机载激光雷达数据(离散回波,平均激光点间隔0.52 m、平均光斑直径0.3 m),研究了单株木的树高提取技术和树冠边界识别算法,针对单株木的树冠特征,提出了一种双正切角树冠识别算法;最后,使用重庆铁山坪林场的9个外业样地数据,对单株木树高和冠幅,以及样地平均树高和平均冠幅进行了验证。结果表明,单株木树高和冠幅的R2分别为0.34和0.03,样地平均树高和平均冠幅的R2分别为0.97和0.71,样地尺度的相关性明显高于单株木尺度的...

【目的】基于机载激光雷达点云数据提取的森林高度参数和郁闭度,结合分层地面样地调查数据,采用随机森林算法构建森林蓄积量估测模型,分析机载激光雷达点云数据在森林蓄积量反演方面的潜力,为森林蓄积量高效准确估测提供方法依据。【方法】以直径30 m的地面样圆离散点云数据为数据源,经数据校准等预处理后,利用Li DAR360软件提取森林高度参数(最大高、平均高等)和郁闭度,并将数据随机分成训练数据(70%)和验证数据(30%)。采用随机森林算法构建森林蓄积量估测模型,对仅用高度参数建模以及联合高度参数和郁闭度建模结果进行比较;同时运用R软件VSURF工具包筛选建模变量,对筛选后变量的建模结果进行分析。【结果】仅用高度参数建模的估测精度为R~2=0.75、RMSE=40.07 m~3·hm~(-2)、MAE=29.21 m~3·hm~(-2)、MRE=49.40%,联合高度参数和郁闭度建模的估测精度为R~2=0.79、RMSE=36.23 m~3·hm~(-2)、MAE=26.16 m~3·hm~(-2)、MRE=38.35%。通过变量筛选,建模参数从24个减少至7个,可极大提高运算效率,同时R~2未变化,RMSE从36.23 m~3·hm~(-2)升至36.50 m~3·hm~(-2),rRMSE从31.92%升至32.97%,MAE从26.16 m~3·hm~(-2)降至26.08 m~3·hm~(-2),MRE从38.35%降至38.05%。【结论】机载激光雷达点云数据可以提取森林的垂直结构信息(高度参数)和水平结构信息(郁闭度),具备三维结构参数提取能力。采用随机森林算法,增加林分郁闭度信息可显著提高森林蓄积量估测精度。通过变量筛选,虽然能够降低参数数量,但对模型精度具有一定影响,在建模精度要求较高的情况下,建议使用全变量进行蓄积量估测;而在数据量较大的情况下,建议使用筛选变量进行蓄积量估测。基于机载激光雷达点云数据估测森林蓄积量显著优于光学遥感数据,可为森林蓄积量高效准确估测提供方法依据,能够满足大范围森林蓄积量快速反演需求。

【目的】探索基于背负式激光雷达(BLS)和无人机机载激光雷达(ULS)技术获取林分三维点云的优势，利用Li DAR360 MLS和LiDAR360软件实现单木胸径和树高的精准测量，确定效果较优的单木分割和提取方法。【方法】以云南省富民县罗免乡6个半径为15.0 m的圆形云南松Pinus yunnanensis天然纯林样地为例，采用最近迭代点算法(ICP)融合BLS和ULS点云，利用LiDAR360 MLS和LiDAR360软件对点云数据进行去噪、点云分类、归一化和单木分割，并提取单木胸径和树高，利用线性拟合方法建立实测值与估测参数的相关关系，评价胸径和树高的估测效果。【结果】LiDAR360 MLS基于深度学习分类相较于LiDAR360基于高程信息分类，提取的株数信息更符合实际，BLS和融合点云单木提取株数一致，召回率均达到100%。ULS通过种子点进行单木分割，效果较好，准确度、召回率和F测度分别为94.59%、88.98%、91.70%，但受冠层连通性影响，仍存在一定的欠分割和过分割情况；基于BLS胸径提取的决定系数(R~2)和均方根误差(E_(RMSE))分别达0.904和2.046 cm，基于BLS树高提取的R~2和E_(RMSE)分别为0.791、1.173 m。融合点云受树干周围离散点的影响，胸径提取效果相对BLS效果较差，R~2和E_(RMSE)分别为0.881和2.284 cm，但融合点云冠层和林下信息较完整，树高的估测精度较BLS高，R~2和E_(RMSE)分别为0.933、0.812 m。【结论】由于工作原理上的差异，ULS和BLS技术分别在获取冠上和林下点云方面各具优势，融合两者可达到互补的效果，能够更加精细地反映森林空间结构，实现胸径和树高的高精度提取。图5表3参28

训练样本的选取是影响监督分类精度的直接原因之一,数据空间分辨率越高,训练样本要求越准确,而人机交互训练样本选取推广力有限。利用机载高光谱(AISA)和激光雷达(LiDAR)主被动遥感数据,探讨基于高分辨率影像的训练样本自动提取技术以及适合树种识别的遥感变量。根据树木的结构和高度差异,开展树高分层掩膜试验,并计算光谱间夹角,在每个高度层中自动化优选树种的高纯度训练样本。计算植被指数、主成分分析等特征变量,基于支持向量机分类器对研究区进行树种精细分类。实验表明:通过对阔叶林、马尾松Pinus massonia

以内蒙古根河市潮查林场境内的寒温带兴安落叶松原始林及其次生林为研究对象,利用机载激光雷达点云数据与地面调查的66个样地数据,采用不同算法计算样地实测树高(Lorey’s高、冠幅面积加权树高和算术平均高)分别与基于双正切角树冠识别算法获取的Li DAR估测高(冠幅面积加权树高、算术平均高)和基于点云提取的百分位高构建树高回归模型(冠幅面积加权树高模型、算术平均树高模型和Li DAR百分位树高模型)。对比不同树高模型的训练精度与估测精度的差异,探讨双正切角树冠识别算法对本研究区的适用性;同时了解冠幅面积加权的样地实测树高与Lorey’s高对林分平均高代表性的差异,确定最优解释变量,筛选最优树高模型...

3D目标检测结合了深度信息,能够提供目标的位置、方向和大小等空间场景信息,在自动驾驶和机器人领域发展迅速。针对PV-RCNN在3D目标检测时不能够充分适应不同的物体尺度、不同的点云密度、部分变形和杂波等问题,对3D目标检测的任务进行实验研究。通过加入自适应可变形卷积、上下文融合模块和Gumbel Subset Sampling模块来训练层级特征,使得编码关键点自适应地朝着最具有判别和代表性的特征对齐,提高提案框回归精度。实验结果表明,改进后的PV-RCNN 3D目标检测精度得到了提升,尤其是在远距离物体识别和检测方面。

【目的】为了精确构建树木的三维模型,基于背包激光扫描(Backpack laser scanning,BLS)系统获取的单木点云数据,提出了一种动态圆柱拟合方法提取树木真实的骨架曲线。【方法】以广西壮族自治区南宁市高峰林场为研究区。从样地点云数据中分离出单棵杉木点云,对其地面点与树叶点进行滤波处理,得到单木枝干点云。根据树木单枝近似圆柱特性,提出动态圆柱拟合算法,将单木枝干点云分割成大量单枝点云,并对单枝点云进行优化。分别对优化后单枝点云的XYZ坐标进行主成分分析,计算其特征值,最大特征值所对应的特征向量即为主方向。基于体元逐层聚类,沿主方向进行骨架点的提取,并利用3次B样条曲线对单枝骨架点进行平滑处理以获取单枝骨架曲线。利用同向向量近邻点搜索方法确定单枝骨架曲线连接点,实现骨架曲线拼接,从而实现完整单木骨架曲线的提取。【结果】对样地单株杉木进行骨架曲线提取,设置3种动态圆柱递减参数δ。递减参数为0.3 cm时,点云利用率为95.04%,处理时间为515.05 s;递减参数为0.5 cm时,点云利用率为92.70%,处理时长为369.34 s;递减参数为0.8 cm时,点云利用率79.70%,处理时长为349.35s。参数为0.3cm时,点云利用率最高,能够非常完整的提取骨架曲线;参数为0.5cm时,点云利用率可以满足骨架曲线的提取,并且算法运行时间相比于参数0.3 cm时降低了28.29%;参数为0.8 cm时,部分单枝存在缺失现象,无法满足骨架曲线提取要求。【结论】将递减参数设置为0.5 cm,利用动态圆柱拟合方法提取背包激光扫描单木点云的骨架曲线能够表征单木的几何、拓扑结构。