买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中山大学

摘要：本发明涉及树木点云枝叶分离技术，为树木点云木质成分与叶片成分的分离方法及系统，其方法包括步骤：计算原始点云的形态检测参数特征，包括确定针对形态检测参数的自适应邻域半径；计算原始点云的法向量变化量特征，包括确定针对法向量变化量的自适应邻域半径；将单木点云坐标与形态检测参数特征、法向量变化量特征相结合，把结合后的特征向量输入到深度学习网络进行训练；将深度学习网络得到的概率输出还原到点云标签，得到分类好的单木点云。本发明能将单木点云木质成分与叶片成分自动分离，适用于多个树种，且仅需要单木点云的坐标信息，能够适用于全波段的激光雷达，极大提高了树木点云枝叶分离的自动化程度。

主权项：1.一种树木点云木质成分与叶片成分的分离方法，其特征在于，包括以下步骤：S1、计算原始点云的形态检测参数特征，包括确定针对形态检测参数的自适应邻域半径rMDC；S2、计算原始点云的法向量变化量特征，包括确定针对法向量变化量的自适应邻域半径rNDO；S3、将单木点云坐标与形态检测参数特征、法向量变化量特征相结合，把结合后的特征向量输入到深度学习网络进行训练；S4、将深度学习网络得到的概率输出还原到点云标签，得到分类好的单木点云；步骤S1基于单木点云进行形态检测参数特征的计算，步骤包括：S11、对于输入点云集合P＝{pixi,yi,zi,i＝1,2…n}，计算平均坐标行矩阵S12、根据平均坐标行矩阵和点云集合P的各点云坐标pi计算协方差矩阵Ccov，并将协方差矩阵Ccov通过特征值分解得到三个方向的特征值λ1,λ2,λ3；S13、根据协方差矩阵计算相应的特征值λ1,λ2,λ3，定义形态检测参数MDC如下： 原始点云中每个点选取邻域半径为r的邻域，进行形态检测参数特征的计算；自适应邻域半径rMDC通过以下步骤获得：S131、根据协方差矩阵的特征值λ1,λ2,λ3定义三个形状描述子α1D,α2D,α3D： 其中μ为正则化项；S132、针对形状描述子α1D,α2D,α3D定义熵函数Ef：Ef＝-α1Dlnα1D-α2Dlnα2D-α3Dlnα3D；S133、采用熵最小策略确定形态检测参数特征所需的自适应邻域半径rMDC： 其中，rmin为邻域半径r的最小值，rmax为邻域半径r的最大值；步骤S2基于单木点云进行法向量变化量特征的计算，步骤包括：S21、对于已知点云M，选取半径为rNDO的点簇；S22、对邻域内的中心点m和其他点mi，分别计算对应中心点法向量和邻域内其他点法向量S23、定义法向量变化量NDO： 其中，N表示点mi的数量；半径rNDO采用最大类间方差法计算。

全文数据：

权利要求：

百度查询： 中山大学 一种树木点云木质成分与叶片成分的分离方法及系统