点云数据直线检测及其在人工林树木计数中的应用

美国《工程索引》（EI）核心期刊
美国《剑桥科学文摘》（CSA）收录期刊
荷兰斯高帕斯数据库（Scopus）收录期刊
英国INSPEC数据库（SA）收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

点云数据直线检测及其在人工林树木计数中的应用

方浩, 李红军

文章导航 > 武汉大学学报 ( 信息科学版) > 优先出版

方浩, 李红军. 点云数据直线检测及其在人工林树木计数中的应用[J]. 武汉大学学报 ( 信息科学版). doi: 10.13203/j.whugis20210407

引用本文:

方浩, 李红军. 点云数据直线检测及其在人工林树木计数中的应用[J]. 武汉大学学报 ( 信息科学版). doi: 10.13203/j.whugis20210407

FANG Hao, LI Hongjun. Counting of Plantation Trees Based on Line Detection of Point Cloud Data[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210407

Citation:

FANG Hao, LI Hongjun. Counting of Plantation Trees Based on Line Detection of Point Cloud Data[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210407

点云数据直线检测及其在人工林树木计数中的应用

doi: 10.13203/j.whugis20210407

方浩,
李红军

北京林业大学理学院, 北京, 100083

基金项目:

本研究受北京林业大学2020年研究生课程建设项目资助(HXKC2005)；国家自然科学基金(61571046)。

作者简介:
方浩，硕士研究生，主要从事点云分析与处理方法的研究。2505119182@qq.com

中图分类号: P237;TP751.1

Counting of Plantation Trees Based on Line Detection of Point Cloud Data

College of Science, Beijing Forestry University, Beijing 100083, China

Funds:

This research was supported by the 2020 Postgraduate Curriculum Construction Project of Beijing Forestry University (HXKC2005)

摘要: 基于激光点云数据进行人工林调查时，由于激光扫描时树木的遮挡与自遮挡、树木被砍伐等原因造成扫描的点云数据有缺失，遗漏树木的位置判断不准确，森林调查结果误差大。解决这一问题的关键是实现缺失树木的填补。本文定义了离散点集共线度的概念，构建了一个基于点集共线度最大化模型并结合直线检测进行缺失数据填补的方法。模拟数据实验结果：本文方法的平均准确率为97.28%。人工林数据实验结果：本文方法检测到9棵缺失树的位置，共线度由0.2193增大为0.2705。实验结果表明，本文方法不仅可以实现缺失位置的最优推断，加强填补后数据的共线关系，也可应用于人工林的缺失树木计数。
- 离散点集 /
- 直线检测 /
- 缺失数据填补 /
- 树木计数 /
- 共线度
Abstract: Objectives:When performing plantation surveys using laser point cloud data, there are missing points in the scanned point cloud data due to the occlusion and self-occlusion of trees during laser scanning, the felling of trees and other reasons. So, the locations of the missing trees are inaccurate, and the forest survey results have large errors. The key to solving this problem is to realize the filling of the missing tree point cloud. Methods:This paper defines a concept named degree-of-collinearity, and constructs a method based on degree-of-collinearity combined with straight line detection to fill in missing data. Results:For the experimental results of simulated data, the average accuracy of the proposed algorithm is 97.28%; for the experimental results of plantation data, the proposed algorithm detects the location of 9 missing trees, and the degree-of-collinearity rises from 0.2193 to 0.2705. Conclusions:The experimental results show that this method can realize the optimal inference of missing location, strengthen the collinear relationship of filled data and can also be applied to count the missing trees in the artificial forest.
- discrete point set /
- line detection /
- missing data completion /
- tree count /
- degree of collinearity

[1]	Roberts J, Tesfamichael S, Gebreslasie M, et al.Forest Structural Assessment Using Remote Sensing Technologies:An Overview of the Current State of the Art[J].Southern Hemisphere Forestry Journal, 2007, 69(3):183-203
[2]	Zhang X P, Li H J, Dai M R, et al.Data-Driven Synthetic Modeling of Trees[J].IEEE Transactions on Visualization and Computer Graphics, 2014, 20(9):1214-1226
[3]	Izzuddin R M, Pien C F, Jedol D, et al.Missing Value Imputation for PM₁₀ Concentration in Sabah Using Nearest Neighbour Method (NNM) and Expectation-Maximization (EM) Algorithm[J].Asian Journal of Atmospheric Environment, 2020, 14(1):62-72
[4]	Ozturk A.Accuracy Improvement in Air-Quality Forecasting Using Regressor Combination with Missing Data Imputation[J].Computational Intelligence, 2021, 37(1):226-252
[5]	Dzulkalnine M F, Sallehuddin R.Missing Data Imputation with Fuzzy Feature Selection for Diabetes Dataset[J].SN Applied Sciences, 2019, 1(4):362
[6]	Ye C, Wang H Z, Lu W B, et al.Effective Bayesian-Network-Based Missing Value Imputation Enhanced by Crowdsourcing[J].Knowledge-Based Systems, 2020, 190:105199
[7]	Lu X H, Liu Y H, Li K.Fast 3D Line Segment Detection from Unorganized Point Cloud[EB/OL].2019:arXiv:1901.02532.https://arxiv.org/abs/1901.02532
[8]	Schnabel R, Wahl R, Klein R.Efficient RANSAC for Point-Cloud Shape Detection[J].Computer Graphics Forum, 2007, 26(2):214-226
[9]	Qi C R, Litany O, He K M, et al.Deep Hough voting for 3D object detection in point clouds[C]//2019 IEEE/CVF International Conference on Computer Vision (ICCV).Seoul, Korea (South).:9276-9285
[10]	Grompone von Gioi R, Jakubowicz J, Morel J M, et al.LSD:A Fast Line Segment Detector with a False Detection Control[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(4):722-732
[11]	Zhang Z C, Ma X.Lane Recognition Algorithm Using the Hough Transform Based on Complicated Conditions[J].Journal of Computer and Communications, 2019, 07(11):65-75
[12]	Li H J, Zhang X P, Jaeger M, et al.Segmentation of Forest Terrain Laser Scan Data[C]//Proceedings of the 9th ACM SIGGRAPH Conference on Virtual-Reality Continuum and its Applications in Industry.Seoul, South Korea.2010:47-54

[1]	曹伟, 陈动, 史玉峰, 曹震, 夏少波. 激光雷达点云树木建模研究进展与展望 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20190275
[2]	王永波, 汪云甲, 佘雯雯, 韩新哲. 直线特征约束下利用Plücker坐标描述的LiDAR点云无初值配准方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20160408
[3]	付延光, 周兴华, 许军, 刘森波, 杨磊. 利用TOPEX/Poseidon和Jason-1高度计数据提取中国南海潮汐信息 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20160128
[4]	盛庆红, 张斌, 肖晖, 陈姝文, 王青, 柳建峰. 直线簇约束下的地面LiDAR点云配准方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20150292
[5]	陈善学, 郑文静, 张佳佳, 李方伟. 变换域离散度排序的高光谱图像快速压缩算法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20140270
[6]	连懿, 陈圣波, 孟治国, 张莹. 利用嫦娥二号微波辐射计数据的全月亮温制图 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20120571
[7]	周平, 唐新明, 张过. 多时相统计数据空间动态可视化模型研究 . 武汉大学学报 ( 信息科学版),
[8]	陈仁喜, 李鑫慧. GIS辅助数据下的影像缺失信息恢复 . 武汉大学学报 ( 信息科学版),
[9]	张兴福, 沈云中. 利用动力学法标校CHAMP卫星加速度计数据 . 武汉大学学报 ( 信息科学版),
[10]	巫兆聪, 万茜婷, 梁静, 周正. 粒度Hough变换及其在遥感影像直线检测中的应用 . 武汉大学学报 ( 信息科学版),
[11]	周旭华, 吴斌, 彭碧波, 许厚泽. 利用CHAMP科学轨道数据和星载加速度计数据反演地球重力场 . 武汉大学学报 ( 信息科学版),
[12]	郭庆胜, 李留所, 贾玉明, 孙艳. 顾及空间自相关的统计数据分级质量评价 . 武汉大学学报 ( 信息科学版),
[13]	郑顺义, 苏国中, 张祖勋. 三维点集的自动表面重构算法 . 武汉大学学报 ( 信息科学版),
[14]	梅天灿, 李德仁, 秦前清. 基于直线和区域特征的遥感影像线状目标检测 . 武汉大学学报 ( 信息科学版),
[15]	张宏伟, 张祖勋, 张剑清. 直线摄影测量观测值的冗余度和相关性分析 . 武汉大学学报 ( 信息科学版),
[16]	李订芳, 章文, 牛艳庆. 基于粗糙集的缺失数据循环搜索重建算法 . 武汉大学学报 ( 信息科学版),
[17]	罗佳, 宁津生, 晁定波, 徐晓华. CHAMP星载加速度计数据(0.1Hz)处理与分析 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis2004.05.002
[18]	徐天河, 杨元喜. 利用卫星轨迹交叉点标定CHAMP卫星加速度计数据 . 武汉大学学报 ( 信息科学版),
[19]	吕安民, 李成名, 林宗坚, 金逸民. 人口统计数据的空间分布化研究 . 武汉大学学报 ( 信息科学版),
[20]	刘大杰, 孟晓林. 直角与直线元素数字化的数据处理 . 武汉大学学报 ( 信息科学版),

WeChat

点击查看大图

计量

文章访问数: 269
HTML全文浏览量: 36
PDF下载量: 9
被引次数: 0

点云数据直线检测及其在人工林树木计数中的应用

doi: 10.13203/j.whugis20210407

方浩,
李红军

北京林业大学理学院, 北京, 100083

基金项目:

本研究受北京林业大学2020年研究生课程建设项目资助(HXKC2005)；国家自然科学基金(61571046)。

作者简介:
方浩，硕士研究生，主要从事点云分析与处理方法的研究。2505119182@qq.com

收稿日期: 2021-07-29

中图分类号: P237;TP751.1

关键词:

缺失数据填补 /

摘要: 基于激光点云数据进行人工林调查时，由于激光扫描时树木的遮挡与自遮挡、树木被砍伐等原因造成扫描的点云数据有缺失，遗漏树木的位置判断不准确，森林调查结果误差大。解决这一问题的关键是实现缺失树木的填补。本文定义了离散点集共线度的概念，构建了一个基于点集共线度最大化模型并结合直线检测进行缺失数据填补的方法。模拟数据实验结果：本文方法的平均准确率为97.28%。人工林数据实验结果：本文方法检测到9棵缺失树的位置，共线度由0.2193增大为0.2705。实验结果表明，本文方法不仅可以实现缺失位置的最优推断，加强填补后数据的共线关系，也可应用于人工林的缺失树木计数。

English Abstract

方浩, 李红军. 点云数据直线检测及其在人工林树木计数中的应用[J]. 武汉大学学报 ( 信息科学版). doi: 10.13203/j.whugis20210407

引用本文:

方浩, 李红军. 点云数据直线检测及其在人工林树木计数中的应用[J]. 武汉大学学报 ( 信息科学版). doi: 10.13203/j.whugis20210407

FANG Hao, LI Hongjun. Counting of Plantation Trees Based on Line Detection of Point Cloud Data[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210407

Citation:

FANG Hao, LI Hongjun. Counting of Plantation Trees Based on Line Detection of Point Cloud Data[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210407

全文HTML

参考文献 (12)

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

我要投稿

投稿攻略

联系我们

二维码