没有合适的资源?快使用搜索试试~ 我知道了~
激光雷达点云树木建模研究进展与展望.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 40 浏览量
2022-11-30
09:28:22
上传
评论
收藏 157KB DOCX 举报
温馨提示
试读
21页
激光雷达点云树木建模研究进展与展望.docx
资源推荐
资源详情
资源评论
1. 树木建模意义与背景
树木等植被模型在城市场景重建中随处可见, 是城市场景建模中不可或缺的重要组成
部分。在数字化城市场景中, 高精度、高保真的树木模型可以增强数字化城市场景的真实
感与沉浸感, 深化对数字城市的认知与理解。同时, 三维树木模型也是虚拟场景中极具代
表性的自然景观模型, 已被广泛应用于虚拟旅游、虚拟城市、虚拟生态景观等方面
[1]
。另
外, 在当前大数据与信息化迅速发展的背景下, 林业信息化进程进一步加快, 而以激光雷达
技术(light detection and ranging, LiDAR)为代表的主动遥感技术正逐渐成为森林调查的重
要手段, 为满足不同尺度下森林资源调查、生态过程检测分析等提供了技术保障
[2-5]
。构建
高保真度的三维树木模型可以定量提取树高、胸径等植被参数, 为植被碳储量、生物量以
及生态评估等应用奠定基础, 同时也是推动林业数字化进程的基础和关键。
激光雷达技术具有作业场景大、空间数据获取速度快、自动化程度高、精度高、数据
量大、时效性好、通用性强等特点
[6]
, 已成为城市场景和数字林业中树木三维空间数据采集
的重要方式, 同时为高精度、大范围场景的树木模型重建以及三维仿真提供了数据保障
[7]
。
其中, 地基激光雷达技术(terrestrial laser scanning, TLS)获取的点云精度已达毫米级, 单株
树木经单站扫描可获取数十万个点, 利用该技术构建的树木模型较好地保留了树木的几何
形态结构, 且重建过程无需结合树木影像等异源数据。机载激光雷达技术(airborne laser
scanning, ALS)借助航空飞机或无人机平台, 可以快速高效地重建大范围森林或城市场景
中的树木模型, 已被广泛应用于树冠重建等方面。当前, ALS 点云精度与密度都得到了极大
提高, 例如 RIEGL 公司发布的 RIEGL VQ-880-G II 激光载荷的精度和准确度已达到 25
mm。2017 年纽约大学发布的 Dublin ALS 点云数据集
(https://geo.nyu.edu/catalog/nyu_2451_38684)每平方米包含约 300 个点, 为森林重建与
城市场景树木建模提供了良好的数据源。移动式激光扫描技术(mobile laser scanning,
MLS)是近年来新兴的一种空间信息获取手段, 移动平台通常搭载由全球卫星导航系统和惯
性导航系统组合而成的定位定姿系统, 可以快速自动获取连续、无缝、高精度的树木三维
空间信息、反射强度与定位定姿信息。除传统车载系统外, 广义 MLS 还包含背负式激光雷
达(wearable laser scanning, WLS)与手持式激光雷达(hand-held laser scanning, HLS)等即
时定位与地图构建(simultaneous localization and mapping, SLAM)系统。SLAM 系统基于
同步定位制图技术与点云配准算法, 在保留传统车载激光扫描优势的同时, 突破了传统方
式受搭载平台的限制, 降低了对扫描环境的要求, 增加了移动制图的灵活性, 能够快速连续
地采集室内外场景数据
[8]
。SLAM 设备体积小、功耗低、信息获取丰富
[9]
, 通过人员背负或
手持即可进入室内或林区获取树木点云, 弥补了传统移动式激光雷达对冠层细节信息获取
不全的缺陷。然而, TLS、ALS、MLS 点云也存在着一些共性缺陷, 譬如点云密度不均匀、
含有噪声与离值点以及树冠内部遮挡严重、点云缺失等。同时, 树木本体也具有形态各
异、几何结构复杂、无固定几何规则可循的特点, 点云自身的缺陷与树木几何形态固有的
特点为树木几何重建带来了巨大挑战。近年来, 随着机器学习、深度学习与虚拟现实技术
的全面发展, 测绘遥感领域发生了深刻变革
[10]
, 同时也促进了激光雷达点云场景的认知与理
解、地物识别和高精度三维重建的发展, 这些对建模算法与树木几何重建提出了更高的要
求。自动化、高效化、高保真度地重建树木模型, 已逐渐成为数字城市与数字林业建设的
热点和前沿。
当前, 树木建模大致分为模型驱动与数据驱动两种建模思想。不同的建模思想往往会
对构建模型的几何结构精度、拓扑连接正确性、模型逼真程度、多层次细节表达(level of
detail, LoD)、算法时空复杂度等产生不同的影响。模型驱动思想大多从树木语法规则或模
型库匹配视角出发, 力求构建的模型严格遵循树木的自然生长规则, 并具有较为真实的整
体几何形态, 例如 L-System 理论
[11]
、Xfrogs 树木建模系统
[12]
以及 Xie 等
[13]
提出的一种基于
真实树木部件重建树木模型的方法等。模型驱动策略注重植物的生长规则与自然结构形态,
当用户输入树木的相关参数, 即可控制建模过程。然而, 为确保模型拓扑结构的正确性, 建
模算法往往伴随繁琐的参数调节, 算法时空复杂度较高。另外, 由于重建过程一直缺乏包
含树木真实信息的输入数据, 模型真实感欠缺, 几何精度较低, 可扩展性较差, 仅能满足较
低层次的细节表达需求。
数据驱动的建模思想的实质是深度挖掘和抽象表达树木本体的各种数据信息, 如图像
信息、点云信息等。建模过程通常基于树木骨架或树冠, 注重算法与模型细节的优化处
理。例如, Thies 等
[14]
采用连续圆柱体拟合枝干点云, 生成枝干几何模型; Liu 等
[15]
基于广义
Voronoi 图提取树木骨架等。数据驱动的建模思想保证了树木模型的几何精度与保真度, 可
以实现模型的多层次细节表达, 方便后续参数提取、生态评估等。数据驱动策略下模型重
建的精细程度往往与点云质量密切相关, 点云噪声、密度均质性和数据完整性等往往会对
树木结构拓扑正确性、信息表达完整性与算法时空复杂度产生影响, 同时也对发展较强鲁
棒性与可扩展性的自适应算法提出了更高的要求, 以实现不完善点云数据下复杂结构的树
木模型重建与抽象表达。
本文针对激光雷达点云树木几何重建, 从建模方法论视角分析了当前树木的建模方法
与体系, 为后续激光点云的树木建模明确了研究方向。虽然不少学者曾进行过点云树木建
模方面的综述研究, 例如, 黄洪宇等
[16]
研究了 TLS 点云树木建模的现状, 比较了不同建模
方法的优劣; 谭云兰等
[1]
重点阐述了基于传统方法的树木建模; 李增元等
[5]
深入研究了树木
模型重建后在森林参数反演上的应用; Wang 等
[17]
全面研究了城市场景中建筑物、树木、城
市道路、电力线等地物的模型重建。但这些工作涉及到的模型重建大多针对城市场景中的
各类地物, 鲜有专门针对树木建模的综述, 即便针对树木建模, 也仅仅研究某一特定平台,
未全面考虑广义(泛在)点云
[18]
建模的差异性。
针对上述问题, 本文聚焦地基式、机载、移动式 3 种平台下的点云数据, 深入分析树
木建模方法, 研究基于激光雷达点云的三维树木建模存在的共性问题及发展趋势。基于广
义(泛在)点云数据, 结合树木的点云特点与结构特点, 对当前已有的建模算法进行综述分析,
为后续研究树木建模算法的鲁棒性、可扩展性、低时空复杂度与轻量化几何表达奠定基础,
使构建的模型在维持高精度与高保真度的同时, 兼备轻量及多层次细节表达, 以匹配用户
实际生产需求。同时, 对大数据背景下的数字城市、智慧城市与数字林业中的空间数据表
达、虚拟场景真实感增强产生积极作用, 推动数字化城市与林业进程的发展。
2. 树木建模方法
2.1 传统树木建模方法
激光雷达技术兴起前, 树木建模往往依赖于相应的树木规则或图像信息, 将建模方法
大致分为 3 类:①基于规则建模; ②基于草图建模; ③基于图像建模
[1]
。传统的树木建模过程
分为 3 个层次, 即数据输入、三维树木建模、模型渲染与显示。在实际需求中, 树木建模
通常还要融合不同体系下的建模方法, 以构建真实感强、算法时空复杂度低的建模框架。
2.1.1 基于规则建模
基于规则的树木建模主要依据植物的语法规则或几何形态规则等, 模拟植物的生长过
程与几何结构, 重建相对逼真、整体几何形态较好的树木模型。基于规则的建模研究始于
Lindenmayer
[11]
提出的 L-System 理论, 随后 Lindenmayer 加入随机变量与内容理解等因
素, 将其应用到树木建模的研究中。de Reffye 等
[19]
基于 L-System 理论, 提出一种依据参
考轴技术重构植物模型的方法, 该方法基于植物的生长规律, 实现了特定树种的理想模拟
过程。Prusinkiewicz 等
[20]
提出确定性 DOL-System, 加入环境因素, 模拟并生成树木模
型。基于语法规则的建模实用方便, 但需要用户编辑大量参数, 模型控制难度大, 建模的时
间复杂度高。为控制模型生成, 特定结构或特定树种的树木往往需要设置特定的植被参数,
建模算法可扩展性差, 构建的树木模型缺乏真实感。为简化参数输入, 降低模型重建的控
制难度, 构建几何形态较好的树木模型, Oppenheimer
[21]
采用分形树模型重构树木的三维几
何, 建模过程直观、简洁, 但生成的模型并没有严格遵循树木的自然生长规则。Weber 等
[22]
结合树木的几何规则与传统的树木模型构建技术, 得到整体几何结构较好的树木模型, 但
生成的模型同样没有严格遵循植物学规律, 模型部分细节精度较低, 无法满足高层次细节
表达的需求。
2.1.2 基于草图建模
为进一步简化模型参数, 有学者基于草图建模方法, 利用尽可能少的用户操作提高模
型重建的效率, 重建结构复杂的树木模型。例如, Okabe 等
[23]
利用手绘的树木模型草图, 通
过人机交互编辑操作, 从二维树木结构草图中推导树的三维几何信息, 重建树木的三维模
型。Zakaria 等
[24]
先在冠层绘制树叶面草图, 再基于分枝向树叶方向生长的假设重建模型。
Chen 等
[25]
依据已有的模型库数据, 基于树木部件模型概率最优化处理, 采用马尔可夫随机
场确定草图树枝的三维方向, 勾画得到树木模型。草图建模方法虽然提高了建模效率, 但
模型几何精度低, 真实感欠缺, 草图绘制对用户的专业性要求也比较高。
2.1.3 基于图像建模
为了提高模型的几何精度, 维持树木模型的真实感, Shlyakhter 等
[26]
利用树木照片, 结
合图像分割与 L-System 理论重建树木的几何结构。Quan 等
[27]
基于半自动建模技术, 从图
像中直接生成树木模型。为了提高冠层细枝的模型精度, Tan 等
[28]
针对可见与不可见两部分
树枝, 分别采用可视跟踪技术与非参数合成技术重建模型。为了简化图像建模特征点匹配
跟踪与定标处理, Neubert 等
[29]
结合图像建模和粒子系统建模技术, 重建树木的三维几何。
基于图像的树木建模确保了模型保真度, 但建模算法依赖于图像识别与分割, 输入图像的
模糊、失真、阴影和低对比度都会极大影响树木模型的几何精度与拓扑连接正确性。
传统的树木建模体系中, 基于规则建模属于模型驱动策略; 而基于图像与草图建模,
其建模过程往往需要树木图像信息作为数据输入, 因此属于数据驱动下的建模。模型驱动
建模强调植物的生长规则与几何形态特征, 建模过程伴随大量调参与模型控制, 生成的模
型往往严格遵循植物的生长规则, 具有较好的几何形态特征, 与自然界的植物枝干延展相
近, 极少出现违反植物学规则的枝干模型; 但繁琐的调参降低了建模效率, 模型真实感差,
几何精度低, 难以满足高层次细节表达的需求。数据驱动策略下的传统树木建模大多基于
图像信息进行, 建模过程极大简化了参数调优, 模型真实感增强, 几何精度提高; 但模型重
建对图像清晰度、对比度等因素敏感, 建模过程依赖图像识别与分割。传统的树木建模体
系普遍缺乏树木几何信息的输入, 模型几何精度差, 真实感略显不足, 算法时间复杂度高,
难以满足高精度、多层次细节表达的建模需求。
2.2 基于激光点云的树木建模方法
为进一步增强树木模型的真实感, 提高模型的几何精度, 国内外学者基于激光雷达技
术, 利用扫描获取的树木点云, 高精度、多尺度地重建三维树木模型。当前点云树木建模
分类体系大多基于:①数据源类别, 例如 TLS 点云、ALS 点云、MLS 点云、图像点云、视
频点云等; ②建模方法对数据的依赖程度, 例如数据驱动与模型驱动; ③模型抽象粒度, 例
如基于树冠建模与基于骨架建模。这些体系均是从宏观角度分类, 未涉及具体的树木建模
算法。为深入分析不同建模方法的实质, 阐明树木三维几何重建的内在机理与建模策略,
本文深入分析了树木建模的前沿研究, 将当前主流的以点云为输入的树木建模方法划分为
聚类思想建模、图论方法建模、先验假设建模、拉普拉斯算子建模和轻量化表达建模。5
种建模策略的总体对比分析见表 1。
表 1 5 种建模策略的优缺点对比
Table 1. Comparison of Advantages and Disadvantages of Five Modeling Strategies
建模策略
代表文献
数据源
模型表达
优势
缺陷与挑战
Verroust 等
[30]
TLS
骨架表达
树干部分骨架模型较为准确
对采样点的密度敏感
Delagrange 等
[31]
TLS
骨架表达
快速构建骨架
不能处理横向生长状况树枝
Côté 等
[32]
TLS
L-
architect
考虑风向与遮挡因素
叶片添加问题
聚类思想
建模
Côté 等
[33]
TLS
L-
architect
考虑风的影响, 枝条细节信息
得到表达
时间复杂度高
建模策略
代表文献
数据源
模型表达
优势
缺陷与挑战
Xu 等
[34]
TLS
三角面片
可以构建存在少量数据缺失的
细枝模型
对根节点依赖度高; 需要特定
参数输入; 与原始树木有差异
Yan 等
[35]
TLS
圆柱拟合
构建复杂结构树木模型
时间复杂度较高, 会产生孔洞
Li 等
[36]
TLS
三角面片
保留了更多的树木细节信息;
树木枝干建模效果较好
繁琐的参数设置; 冠层内部细
节模型欠缺
Bucksch 等
[37]
TLS
骨架表达
理论验证; 对点噪声与密度不
敏感
树结构优化与体素规格的确定
Bucksch 等
[38]
TLS
骨架表达
可以在少量数据缺失情形下重
建模型
八叉树结构的优化
Hu 等
[39]
ALS
骨架表达
保留了原始点云数据特征
不能构建弯曲度大的树木模型
Wang 等
[40]
TLS
三角面片
可以从不完整点云中重建骨
架; 对点密度不敏感
不能处理"环"拓扑结构
Mei 等
[41]
TLS
骨架表达
保持了树枝之间的正确拓扑;
模型精度高
时间复杂度高
图论方法
建模
Livny 等
[42]
MLS
参数表达
多树联合建模; 对点噪声与点
云数据缺失不敏感
稠密树冠情形难以建模; 树叶
纹理信息与现实存在差异
Pfeifer 等
[43]
TLS
三角面片
针叶树木建模
树木表面模型真实感较差
Méndez 等
[44]
MLS
圆柱拟合
快速实现大范围场景树木建
模; 对树种类型依赖程度较低
算法缺乏唯一收敛性; 需要进
行大量参数的实验调整
Zhang 等
[45]
TLS
三角面片
多层树模型表示
细枝缺失; 树枝方向变化较大
处会出现伸展方向错误
Raumonen 等
[46]
TLS
QSM
树木结构的定量分析; 对点密
度不敏感
对点云噪声比较敏感
先验假设
建模
Aiteanu 等
[47]
TLS
椭圆面拟
合
无需参数调优; 对点云密度不
敏感
点密集区域缺少子树参与优
化; 对点噪声比较敏感
Au 等
[48]
TLS
骨架表达
保持曲线骨架结构与原始树木
的一致性; 对点云噪声不敏感
模型分辨率较低; 不能构建高
度精细的树木模型
Tagliasacchi 等
[49]
TLS
骨架表达
可以应对不完整点云数据建模
对点密度比较敏感; 参数调优
Cao 等
[50]
TLS
三角面片
对点噪声不敏感
拉普拉斯收缩依赖局部分析
拉普拉斯
算子建模
Su 等
[51]
TLS
骨架表达
正确构造树木的曲线骨架结构
无法处理复杂树冠结构的模型
Vosselman
[52]
,
Gorte
[53]
TLS
栅格表达
建模过程的复杂度降低
建模精度降低; 对点噪声敏感
Lin 等
[54]
ALS
Billboard
可以从不完整、含噪声的点云
数据中直接快速重建模型
树木模型细节信息损失
轻量化表
达建模
Zhu 等
[55]
,
Rutzinger 等
[56]
ALS
三角面片
使用凸包算法, 快速建模
树冠内部细节模型信息缺失
剩余20页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3659
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功