多站树点云无标记自动配准方法

农业中的人工智能6（2022）176基于旋转投影的单木点云数据无标记自动配准徐秀贤a，王培a，刘晓波a，甘孝正a，孙敬谦a，李雅欣a，张莉a，张庆a，周梅b，赵英辉c，李新伟aa北京林业大学理学院，北京100083b中国科学院光电研究所定量遥感信息技术重点实验室，北京100094c中国科学院航天信息研究所，北京100094a r t i c l e i nf o文章历史记录：接收日期：2022年2月21日收到修订版，2022年8月18日接受，2022年2022年9月21日网上发售保留字：粗配准多站树点云点云配准a b s t r a c t地面激光扫描仪获取的点云数据在数字林业研究中具有重要作用 为了克服遮挡效应，获得完整的树结构信息，通常采用多次扫描.然而，在具有复杂地形的森林中放置人工记录器以用于基于标记的配准是耗时且困难的。在这项研究中，一个自动的粗到精的方法来配准点云数据从多个扫描的一棵树提出。 在粗配准中，将每次扫描产生的点云投影到球面上以生成一系列二维（2D）图像，这些图像用于估计多次扫描的初始位置。 然后从这些系列的2D图像中提取相应的特征点对。 在精配准中，采用点云数据切片和拟合的方法提取相应的中心干和分支中心，作为连接点计算精变换参数。为了评估配准结果的准确性，我们提出了一种通过计算相邻扫描中相应分支的中心点之间的距离来评估误差的模型为了准确评估，我们在两棵模拟树和六棵真实世界的树上进行了实验所提出的方法的平均配准误差为0.026米左右的模拟树点云，和0.049米左右的真实世界的树点云。版权所有© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍描述树木的三维（3D）几何信息在许多研究领域中对于诸如生物量估计、森林清查、森林管理和城市环境建模的过程是非常重要的（Dubayah和Drake，2000; Hopkinson等人，2004; Popescu，2007;Popescu等人， 2003; Wulder等人， 2008年）。一些有效的获取树木结构信息的方法包括传统的野外测量、摄影和激光扫描。现场测量是有效的，但精细的人工测量是非常劳动密集和耗时的。近景摄影测量（CRP）方法是一种新兴的和潜在的解决方案，以获得三维信息。CRP可以计算一系列重叠的树图像以生成3D点云，其可以用于估计树的直径（Mokroxie等人， 2018）和卷（Marzulli等人， 2020年）。由于较低的准确性，CRP被认为是激光扫描的低成本替代品。对于具有复杂结构和密集树叶的树木，*通讯作者。电子邮件地址：wangpei@bjfu.edu.cn（P. Wang）。CRP的生成效率和准确性将降低。然而，激光扫描作为一种主动的直接测量方法，虽然也受到硬件成本和低移动性的限制，但可以快速准确地获取树结构近年来，三维激光扫描仪的性能不断提高，而成本和体积却在不断下降。更多的激光扫描仪已被广泛应用于获取不同类型实验的三维树木信息已经开发了基于陆地激光扫描仪（TLS）的方法来构建树木的3D模型以用于数据提取（Dassot等人，2011; Henning和Radtke，2006;Pfeifer等人，2004; Raumonen等人， 2013; Thieset al.， 2004年）。由于树的几何复杂性，TLS方法在每次扫描中导致遮挡效应这种限制导致部分观察和不完整的结构信息，这大大增加了在单次扫描内完全重建树的难度基于多次扫描的重建是一种有效的补充方法，以减轻遮挡效应，促进树木的完整重建多扫描方法从位于不同坐标系内的不同扫描产生点云。因此，必须通过配准过程将多个扫描转换为公共坐标系统（GuiyunZhou等人， 2014年）。https://doi.org/10.1016/j.aiia.2022.09.0052589-7217/© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页：http://www.keaipublishing.com/en/journals/农业人工智能/X. Xu，黑顶山P.Wang，X.Gan等人农业人工177点云配准方法可以分为两类：基于标记的配准和无标记的配准。基于标记的注册依赖于人工标记，人工标记被手动放置在场景中，并且在不同扫描中手动或自动识别这些标记以建立对应关系（Bienert和Maas，2009;Hilker等人，2012年）。标记通常是反射性的并且可以具有各种形状（例如，圆形、圆柱形或球形）。基于标记的配准是一种精确可靠的配准方法，但也存在一定的局限性。在复杂的环境中，人工标记物可能难以放置，并且基于标记物的注册在现场通常是耗时的（Pfeifer等人， 2004年）。相比之下，无标记配准尝试在不使用人工标记的情况下直接自动合并两个或更多个扫描使用无标记方法的重新搜索者通常集中于提取自然几何特征（例如，点、线和表面）（Böhm和Becker，2007; Brenner等人， 2008年）。这些特征用于在配准过程中提取连接点在森林场景中，可以提取地表点、树干中心和骨架，以建立多次扫描之间的对应关系（Aschoff和Spiecker，2004年; Henning和Radtke，2008年a）。 迭代最近点（ICP）算法及其变体是无标记配准的常用方法。（Besl andMcKay，1992;Rusinkiewicz and Levoy，2001）。 ICP算法从两次扫描和相对刚体变换的初始猜测开始;然后应用迭代方法通过交替建立对应关系来修正变换。 由于对初始位置的敏感性和多次迭代的大计算成本，ICP方法通常用 于 精 细 配 准 过 程 。 另一 种 重 要 的 配 准 方 法 是 四 点 全 等 集（4PCS），其从近似全等扫描中提取共面四点集以完成全局配准（Aiger等人，2008年）。在不需要初始对准假设的情况下，4PCS可以在有限数量的试验内建立可靠的对应集，并且对噪声和低重叠扫描具有鲁棒性在森林场景中，树枝的复杂几何分布和大量的叶点对树木点云数据的无标记配准提出了挑战（Bailey和Ochoa，2018）。由于我们不能保证同时采集多个扫描，自然元素（例如，风、太阳和动物）将在多次扫描之间的重叠部分中引入不一致性在大多数情况下，叶点会干扰精确配准，已经提出了一些方法（Henning和Radtke，2008a，2008b）基于从距离图像中的地面和树干中心该方法中提取树干的过程并非没有人工步骤。（Bucksch和Khoshelham，2013）使用局部化方法应用局部配准，以检测多次扫描中然而，该方法依赖于在精细配准之前粗略配准的树点云数据（Guiyun Zhou等人， 2014）将骨架提取方法应用于粗略的自动配准过程--基于所提取的骨架，使用根点位置、分支段之间的距离和骨架之间的映射代价函数来估计初始平移向量和旋转角度。通过最小化映射代价函数，进一步修正了精配准中的变换参数。近日，（Zhang et al.， 2016）提出了一种从粗到精的策略来解决林业场景配准的困难。 在粗配准过程中，采用后视定向方法代替人工放置反射器来计算变换参数。基于初始值，提取茎中心位置作为连接点，以细化用于精细配准的刚体变换由粗到精的配准策略提高了森林场景配准的鲁棒性和准确性，但也存在一些局限性。首先，粗配准需要Fig. 1. 树（a）和（b）的模拟点云。绿色、红色和蓝色点分别表示扫描1、2和3。手动放置后视反射器，这可能难以应用于复杂环境。其次，由于树干拟合方法的特点，细配准不能保证垂直方向的高配准精度，特别是对于横截面不能视为圆形的弯曲树干，树干拟合方法在这种情况下失败没有反射器的单树点云数据的配准仍然是一个挑战。与森林场景中的多树配准不同，树木之间的空间关系可能是有用的信息，几何结构是唯一可以用于单树点云数据的无标记配准的本研究的目的是开发一种全自动无标记配准算法，具有较高的配准精度。采用由粗到精的配准策略，在没有参考点的情况下，表1RIEGL VZ-400扫描仪的特点技术参数最远距离测量600米（自然物体反射率≥90%）扫描速率（点/秒）30万（发射），125 000（接待）扫描范围−40°<$60°（垂直）0° <$360 °（水平）激光发散0.3 mrad连接LAN/ WLAN，无线数据传输X. Xu，黑顶山P.Wang，X.Gan等人农业人工178图二、粗到精配准程序的工作流程。逐步的方式。在我们的粗配准中，每个3D点云被投影到一个球体上以生成一系列用于提取特征点对的2D投影图像，其空间信息可以用于估计用于多个扫描的粗配准的变换矩阵然后利用切片点云数据，采用拟合方法估计树干和树枝的中心。将估计的中心用作连接点以执行精细配准。2. 实验数据在实验中使用了8组树木点云来测试所提出的方法其中，有两个模拟六棵真正的树每棵树由从三个不同视点扫描的三个点云组成。两个模拟的树具有更简单和定义的几何结构，它们是使用扫描几何和更少的噪声来模拟的，没有叶子干扰（图1）。①的人。模拟的树点云是有用的，分析我们的方法的优点和局限性鉴于自然场景中的树结构比模拟树的结构更复杂，因此在真实世界的树点云上验证我们的方法是重要的。在研究中，对北京林业大学校园内的六棵树木进行了扫描，获得了真实树木的点云数据组使用RIEGLVZ- 400 TLS 扫 描 仪 （ RIEGL Laser Measurement SystemsGmbH，3580 Horn，Austria），其特性如表1所示。每个图3. 点云投影模型。P′是点P在球面上的投影E是从P′到X-Y平面的垂线的脚α是OE和x轴之间的角度β是OP'和X-Y平面之间的角度X. Xu，黑顶山P.Wang，X.Gan等人农业人工179图四、 通过投影生成的样本图像。一组树点云包含从不同位置扫描的三次扫描，垂直和水平扫描角分辨率为0.02°。为了便于处理和分析，手动过滤掉小分支和噪声叶点3. 方法在我们提出的方法中，注册过程包括两个部分：粗和精注册。粗到精策略的目标是以逐步的方式将坐标从目标点转换为参考点。在粗配准中，计算粗变换矩阵以将目标点变换到接近参考点的位置基于两个点集的紧密相对位置，在精细配准中可以使用更多的信息来实现向参考点的准确变换在在这两个步骤中，刚体变换由平移和旋转参数确定配准过程由以下等式描述Ptcoarse¼RcoarsePttarcoarsePT参考 1/4R细颗粒粗颗粒细颗粒其中pttar和ptref分别是目标扫描和参考扫描中的点;R是旋转矩阵;T是平移向量。在粗配准中，我们的方法通过将3D点云投影到2D图像，将3D点匹配问题简化为2D点匹配问题匹配点估计使用特征点匹配算法投影生成的图像。然后，这些匹配点用于估计粗略变换。在精细配准中，利用点云切片和拟合方法提取相应的主干和分支中心，作为计算精细变换参数的连接点现在的工作是示于图二、在本节中，我们还提出了一个简单的模型来评估配准的结果，这有助于使用上述模拟树点云和真实世界树点云比较粗配准、精配准和ICP配准3.1. 粗配准3.1.1. 点云投影我们建立了一个点云投影模型，将三维点云转换为二维图像。将树点云投影到以坐标系原点为中心的球体上，扫描仪位于该球体上。然后使用投影在球面上生成图像 该模型如图所示。 3.投影到球面上的每个点对应于一对角度α和β（图2）。 3），用来确定每个点的像素坐标并生成相应的图像。在该模型中，每组像素坐标分别对应于角度α和β的一对区间[αl，αh]和[βl，βh点的像素坐标由其对应角度α和β所在的间隔对确定。以这种方式为每个点分配像素坐标。角度α和β的最小步长等于TLS电感的水平和垂直角度步长宽度，分别表示为φ和φ。在本研究中，图像中的每个像素在水平和垂直方向上分别覆盖2φ和2 μ m的区域，减少了不连续扫描点的影响。投影图像的大小为m × n，其中m和n的值使用以下等式计算图五、 图像序列的生成。X. Xu，黑顶山P.Wang，X.Gan等人农业人工180图第六章 从树点云中切片点。Q3、Q2和Q1是树高的四分位数m² jαmax-α min= 2φ 2r1jn¼jβmax-β min= 2 2r2j2其中，αmin、αmax、βmin和βmax分别是所有点的α和β的最小值和最大值;并且r1和r2是形成图像周围的边界的像素，其确保图像的大小满足我们的要求。对于具有相应角度αp和βp的任何点P，如图 4. Aij（i = 1，2，...，m-2r;j=1，2，...，n-2r2）是对应于一对角度间隔的像素。举例来说A11：½αmin，αminΔα，½βmin，βminΔβ，A12：½αm inΔα，αmin2Δα，½βmin，βminΔβ，. . . ，A1 m-2r1：½αmax-Δα，αmax，½βmin，βminΔβA21：（[αmin，αmin+Δα），[βmin+Δβ，βmin+2Δβ）），A31：（[αmin，αmin+Δα），[βmin+2Δβ，βmin+3Δβ）），坐标（x，y）可以计算如下：：（[αmin，αmin +Δα），[βMax-Δβ，β2max））x¼αp-αmin= 2φr1y¼βp-βminβ= 2μmr2μ m3 μ m因此，每个扫描点对应于某组像素坐标，并且每个像素可以具有若干个对应点。经由投影生成的图像是二值图像。具有和不具有对应扫描点的像素分别被设置为0和255的值3.1.2. 图像序列的生成根据投影方法，同一对象的投影图像可能由于视点之间的差异而不同。在我们的模型中，投影视点由扫描仪的位置决定在投影过程中，由于遮挡的存在，一些有价值的树木结构信息会丢失因此，具有不同视点的两个扫描在3D空间中可能是相似的，但是它们的投影图像可能差异很大，这可能是识别扫描之间的对应点的障碍图第七章分离结果。（a）概览。（b）连接部件的特写视图（在绿色矩形框内）。（c）连接部分中九个相邻点的特写视图蓝色、黄色和绿色点分别对应于角度对（α，β）、（α+Δα，β）和（α+ Δα，β + Δβ）。X. Xu，黑顶山P.Wang，X.Gan等人农业人工181nn为了解决这个问题，我们在投影之前在3D空间中连续旋转树木点云，这相当于连续改变视点。在旋转步骤中，首先计算扫描中所有点的X和Y坐标的平均值x、y然后，我们围绕垂直于xy平面并通过点（x，y，0）的轴将这些点连续旋转一定角度。因此，每次扫描都会生成一系列图像（图1）。 5）。所需的旋转次数由扫描次数n和旋转角度θ决定。在我们的实验中，旋转-greeθ通常为10°，旋转次数为720（旋转角度为特征点匹配算法应应用于形状相似的图像对，以反映相邻扫描之间的重叠区域为了寻找相似图像对，我们计算两个图像序列之间每两个图像的相似度，并选择高相似度的图像对。相似度计算的方法是基于图像哈希算法的思想，该算法构造唯一标识图像内容的指纹。（Venkatesan等人，2000年）。利用一个简单的代码来构造二值图像的指纹，其中像素值255对应于代码中的1，像素值0对应于0。的汉明距离计算图像的代码之间的差异，以估计其从-360到360）。n×θ相似性相邻三对相似图像中的关键点3.1.3. 端点匹配由于在二进制图像中缺乏可用的详细纹理信息，我们使用ORB（定向FAST和旋转BRIEF）算法来检测和匹配特征点（Rublee等人， 2011年）。 该方法比诸如SURF（加速鲁棒特征）或SIFT（尺度不变特征变换）算法之类的方法更快并且更适合于不太复杂的图像（Bay等人， 2006;Lowe，2004）。定向FAST关键点检测器和旋转BRIEF描述器的结合使得ORB算法具有尺度和旋转不变性。使用ORB提取和描述扫描。在每个图像对中，我们选择具有最高得分的k（k≥4）对匹配点。3.1.4. 变换计算一旦确定了图像中的匹配点，我们就能够将这些点映射到树点云中对应的3D点。首先，我们根据每个匹配点的像素坐标确定每个匹配点的间隔[αl，αh]和[βl，βh]。所有扫描点图八、 完成模拟树点云的实验。（a）模拟树A。（b）模拟树B。红色的，切好的树枝。（c）在一个登记良好的树点云中给定高度的树枝横截面（d）在登记不佳的树点云中给定高度的树枝横截面X. Xu，黑顶山P.Wang，X.Gan等人农业人工182图第九章一个分支的切片结果。（a）模拟树B中分支B的三个切片层红色和蓝色点分别表示扫描1和2（b）分支B的三个切片层的对应中心点提取结果D1、D2、D3表示对应点对之间的距离然后提取这些间隔内对应的一对角度（α，β）计算所提取的点中的中心点O，并将其用作3D空间中的连接点在相邻扫描中获得四对以上的连接点后，使用奇异值分解（SVD）计算扫描之间的粗略刚体变换矩阵（Challis，1995）。3.2. 精细配准粗配准粗略地对齐相邻扫描的姿势，并为后续的精配准提供更好的初始位置但粗配准后相邻扫描间仍存在明显的错位和分离现象.因此，有必要对精配准中的变换矩阵进行改进。精配准过程包括三个部分：点云切片、点分离和圆柱拟合。3.2.1. 点云切片在精细配准中，准确的匹配点是计算精确变换参数的基础。对于单棵树的单次扫描，点云是不完整的，并且难以直接基于树结构找到连接点。在我们的方法中，我们从树干和树枝部分的切片点和提取的树干和树枝的中心点作为连接点，通过应用圆和圆柱体拟合方法的切片点。我们在树高的四分位数处对点进行切片，得到三层点。将每层切片至10cm厚（图1）。（六）。不同的切片高度导致层中切片点的数量、分布和相对位置的差异。下层的点一般都是从茎上提取的然而，高层中的大多数点是从分支中提取的茎通常图10. 点匹配结果。（a）模拟树A的扫描2至扫描1的结果（b）模拟树A的扫描3至扫描1的结果（c）模拟树的扫描2至扫描1的结果B. （d）模拟树B的扫描3至扫描1的结果X. Xu，黑顶山P.Wang，X.Gan等人农业人工183垂直于地面，其水平横截面大致被视为圆形。因此，可以通过圆拟合来估计茎的中心分枝通常与茎成斜角，其水平截面类似于椭圆体。考虑到三维空间中树枝的几何结构与圆柱相似，我们采用圆柱拟合的方法来估计树枝的中心点。3.2.2. 点分离每一个切片点层都包含若干个与树枝和树干相对应的点弧。在应用拟合方法之前，我们应该首先分离这些点的弧 由于TLS的角度步长是固定的，因此可以根据两个点对应的角度α和β之间的距离来判断两个点是否连续（图2）。 3）。 基于TLS仪器的水平和垂直角步长-φ和φ-，我们通过判断它们的连通性来分离这些点（Bu和Wang，2016）。圆弧中的点是连续的，在理想条件下，对应于每对相邻点的角-Δα和Δβ-之间的距离应分别等于φ和φ（图7 c）。由于不连续性可能由扫描误差或不寻常的树结构引起，我们通过将Δα和Δβ分别与3 φ和3φ进行比较来确定两点的连续性。通过检查图十一岁粗略配准结果。（a）模拟树A的扫描2和扫描1之间的配准结果（b）将扫描3和扫描1之间的配准结果添加到来自（a）的结果。（c）模拟树B的扫描2和扫描1之间的配准结果(d)将扫描3和扫描1之间的配准结果添加到（c）的结果绿色、红色和蓝色点分别表示扫描1、2和3点，该方法确定了所有连接的区域，并分离了所有切片点弧（图1）。7）。3.2.3. 圆和圆柱拟合在三个切片层中，最低层通常仅包含对于茎切片，通过应用Taubin方法（Taubin，1991）提取圆心位置（X0，Y0）作为茎的中心对于较高层次的分支部分，我们根据最小二乘法（Shakarji，1998）通过圆柱拟合确定中心点。在拟合后的圆柱体中，我们得到了中心轴的方向矢量（a，b，c），轴上的起始点（x0，y0，z0）和半径R。分支的轴可以在一定程度上描述树（Eysn等人， 2013年）。因此，起始点和在轴的正方向上距其一个距离单位的点被用作连接点。轴的正方向被定义为点的Z坐标增加的方向对于干点，拟合圆的中心被视为连接点。图12个。良好的配准结果。（a）针对模拟树A的扫描2和扫描1之间的配准结果（b）将扫描3和扫描1之间的配准结果添加到来自（a）的结果(c)模拟树B的扫描2和扫描1之间的配准结果（d）将扫描3和扫描1之间的配准结果添加到来自（c）的结果绿色、红色和蓝色点分别指示扫描1、2和3X. Xu，黑顶山P.Wang，X.Gan等人农业人工184¼通过最近邻搜索，得到了一组在树中不同位置上的对应连接点邻居。基于这些连接点，转换参数为便于估计相邻扫描之间的配准误差，如下所示：计算用于精细配准中的精细调整dd1d2d3dnnð8Þ3.3. 精度评定方法为了评估我们的配准结果，我们开发了一个简单的评估模型来定量估计配准精度。 模拟的树A和B的点云包含许多分支部分（图1）。（八）。准确配准将对齐相邻扫描之间的相应分支;配准良好的树中分支的横截面应为椭圆或圆形。然而，配准不良通常会导致分支看起来正确对齐，但横截面由几个单独的弧组成。因此，相邻扫描之间的对应分支的对准精度可以用于评估配准精度。在我们的评价模型中，我们提取相邻扫描之间的对应分支来计算配准误差。对于每一对对应的分支，我们从对应分支的底部、中间和顶部切片三对层这些层中的点用于柱体拟合以估计它们的中心轴。通过在每个层对的对应轴上提取具有相同z值的点，我们获得了三对对应的中心点（图11）。 9）。计算这些中心点对之间的距离可以其中d1，d2，4. 实验结果由于实验中使用了两种类型的树点云，因此结果分别进行了演示并利用3.3小节中提出的评价模型对粗配准、精配准和ICP配准的结果4.1. 模拟树点云的结果4.1.1. 粗配准如图1，每个模拟树由三个扫描组成。在配准过程中，每个模拟树的第一次扫描的局部坐标系被用作参考坐标系，并且配准顺序是扫描2到扫描1，扫描3到扫描1。将相邻扫描图像序列之间的相似图像对进行匹配，图13岁模拟树A的配准精度。（a）扫描2到扫描1的配准精度（b）扫描3到扫描1的配准精度X. Xu，黑顶山P.Wang，X.Gan等人农业人工185图14个。模拟树B的配准精度。（a）扫描2到扫描1的配准精度（b）扫描3到扫描1的配准精度树如图所示。10. 在每组相邻扫描中，选择三个相似的图像对用于ORB算法的应用;获得15个匹配点。粗配准结果如图所示。十一岁两个模拟树的相邻扫描之间的对应的茎和枝在粗配准之后是交叉的或分离的;即，没有精确地对准。 尽管配准误差不可忽略，但粗配准正确地匹配了相邻扫描之间的相应主干和分支，并将目标扫描转换到良好的初始位置以进行精配准。粗配准也是完全自动和无标记的，这扩大了其应用的潜在领域4.1.2. 精细配准根据目标扫描的初始位置，提取相邻扫描间对应的主干和分支的中心点作为连接点，以实现更好的对准。两棵模拟树的精细配准结果如图所示。 12个。结果表明，树干和树枝的轮廓是完整的，一个完整的模拟树可以由三个扫描组成。在精细配准后，相邻扫描之间的对齐更准确由于不同高度的多个层被切片以便于提取相应的连接点，因此精细配准不仅提高了粗配准的准确性，而且比通过茎中心拟合方法的精细配准实现了相邻扫描之间的分支和茎部分4.1.3. 评价配准结果为了评估两个模拟树的配准精度，提取相邻扫描之间的所有对应分支，以计算对应的中心点及其距离。模拟树A和B的枝段编号如图8a和b所示。在我们的实践中，当我们直接用ICP算法配准树点云时，得到的配准结果是绝对不合理的。由于相邻扫描初始位置的计算要求较高，ICP算法仅用于精细配准阶段进行比较，以确保比较有意义。每个模拟树的粗配准、细配准和ICP配准的准确性结果如图1A和1B所示。13和14。结果表明，细配准误差远小于粗配准误差，树枝配准误差波动较小。ICP算法在很大程度上取决于点云的初始位置，特别是对于具有低重叠区域的相邻扫描。在大多数情况下，ICP方法与粗配准相比没有明显的改善，ICP精配准后配准误差甚至增加然而，当粗配准精度相对较高时，ICP精配准提高了配准精度，如模拟树B的扫描2到扫描1的配准结果所示（图11）。 14 a）。为了定量评估误差，表2显示了粗略配准、精细配准和ICP配准的计算平均配准误差。平均粗配准误差约为0.204X. Xu，黑顶山P.Wang，X.Gan等人农业人工186.Σm，平均精细配准误差约为0.026m。同时，ICP的平均配准误差约为0.187 m，是所提出方法的7倍多。4.2. 实树点云结果利用该方法对六组真实树木点云数据进行了处理。 粗配准和精配准的结果如图所示。15个。在每个子图中，粗配准结果在左侧，并且细配准结果在右侧。 三个点云扫描从不同的观点是显示在红色，绿色和蓝色分别。细配准的效果明显优于粗配准，尤其是在树枝部分为了评价配准精度，在已有的评价模型基础上，提取出相邻扫描间的对应分支，计算各组的配准误差每组的粗配准和精配准的平均准确度误差为如表3所示。如表3所示，平均粗配准误差约为0.325 m，平均精配准误差约为0.049米。真实树木点云的粗配准误差和精配准误差均大于模拟树木点云。但对于树点云的无标记配准方法来说，误差仍然是可以接受的。5. 讨论5.1. 特征点匹配在该算法中，粗配准提供了点云的初始位置，对精配准的顺利进行起着重要作用在粗配准过程中，相似图像的匹配精度决定了匹配点的质量，直接影响粗配准精度。然而，由于二值图像中缺乏纹理信息，在特征点匹配中不可避免地会出现错误匹配点（图1）。11）。在匹配点对较少的情况下，错误匹配点对相邻扫描之间的变换矩阵的估计的影响更大。为了提高匹配精度，执行点对的验证每对点（P1，P2）对应于一对角度α和β的区间，其对应于3D空间σ1，σ2。在正确的匹配点对中，树点云PC 1中的σ 1的相对位置大致等于树点云PC 2中的σ 2的相对位置。假设树在垂直方向上由不同的部分组成，并且可以从上到下大致分为树冠，树枝和树干，正确的匹配点对应该在树的同一部分。例如，牙冠中的一个点应与牙冠中的一个点匹配。因此，匹配点对的正确性可以通过比较它们在垂直方向上的位置的角度β的对应间隔来验证假设每对匹配点对应于帧间的vals[β1 k，β1 k+2]和[β2 k，β2 k+2]（k=1，2，我们可以计算出表2模拟树A和模拟树B的配准误差。登记误差（m）粗配准精细配准ICP备模拟采油树A20.1640.0240.183模拟采油树A30.2050.0230.207模拟采油树B20.1220.0280.062模拟采油树B30.3240.0300.296注：2距离d k=|β1k- β2k|求出dk的均值dk和标准差σd。dk值不在dk-σd，dk<$σd将作为坏对从潜在匹配点中排除。图15个。六棵树的登记结果。配准顺序是扫描2到扫描1，扫描3到扫描1。在每个子图中，左边的是粗配准结果，右边的是精配准结果。绿色、红色和蓝色点分别表示扫描1、2和3（a）树木1。（b）树木2。（c）树木3。（d）树木4。（e）树木5。（f）Tree6。X. Xu，黑顶山P.Wang，X.Gan等人农业人工187图15（续）。5.2. 点分离利用树结构实现了对精细配准切片点的分离。在这项研究中，点被切成四分之一的树高。图 十六岁显示了一个例子，其中部分茎和分支在这些特定高度接近。由于在高度Q2处的分支之间的小距离，不同分支的切片点是相同的。我们的方法将双切片点视为单个连通部分。因此，相应的切片点不能正确分离（图16b）。改进我们方法的一种方法是验证分离部分的正确性图中矩形S2中的点。16 b包含三个弧，它们大致构成所有弧中半径最大的弧。在大多数单棵树中，茎和枝的厚度往往随着高度的增加而减小，使得茎或枝的下部通常较厚，而较高的部分较薄。因此，茎或枝的下部的半径应大于较高部分的半径根据这一规律，拟合后通过检查被分离零件的半径来验证被分离零件的正确性例如，通过应用拟合方法，我们获得了图1所示的分离部分的半径r1。 16 c和半径r2的分离部分S2在图。 16 b. 由于r2大于r1r1，因此认为S2是错误结果，并从进一步的注册程序中排除。5.3. 拟议方法的局限性三个局限性需要考虑和进一步研究所提出的方法。首先，大量点的旋转是表3树型点云的配准误差株数粗配准（m）精配准（m）Tree10.2250.041树20.3210.048Tree30.3510.050Tree40.3960.057Tree50.3820.053Tree60.2740.046图十六岁点云切片和分离结果。（a）点切片结果。Q1、Q2和Q3是树高的四分位数（b）在Q2处切片的点的分离（c）在Q1处切片的点的分离耗时。在我们提出的方法中，树点云在投影之前在3D空间中连续旋转，以提高从相邻扫描中应进一步优化旋转的数量和程度其次，特征点匹配结果不稳定，特别是对于具有复杂几何结构的树木。当一棵树中存在多个非对称结构时，如何提取足够的正确匹配点对将是一个挑战。第三，分行特征会影响细登记。树枝细、树枝密度高、树枝方向水平多，会增加精确圆拟合和圆柱拟合的难度，导致配准精度下降。6. 结论树木点云配准是森林学研究和树木结构分析的基础和重要内容该研究提出了一种自动配准方法，该方法使用由粗到精的策略来配准单个树的多次扫描，而无需人工反射器的帮助。利用两个模拟点云和六个真实点云数据验证了该方法的可行性和有效性自动化和无标记的配准方法提供了一种新的方法来辅助树结构分析。在未来的工作中，我们将致力于提高连接点的匹配精度，并通过进一步优化旋转过程中的矩阵计算来加速流水线同时，我们也将努力提高该方法的鲁棒性，并尝试将该方法应用于自然场景中更复杂的几何树结构。CRediT作者贡献声明Xiuxian Xu：概念化，方法论，验证，软件，可视化，写作王培：概念化，方法论，验证，软件，可视化，写作甘晓正：数据整理，调查。孙景谦：写作李雅欣：数据整理，调查。李章：资源。张庆：资源。周梅：资源。赵英辉：资料来源. Xinwei Li：数据整理，调查。X. Xu，黑顶山P.Wang，X.Gan等人农业人工188竞争利益声明作者声明，他们没有已知的竞争性经济利益或个人关系，可能会出现在这篇论文中报告的工作致谢本研究得到了中央高校基础研究基金（No.2021ZY92）、国家大学生 创 新 创 业 培 养 计 划 （ No.2021ZY92 ） 、 国 家 科 技 部 科 技 计 划（No.2021ZY92）等项目的资助201710022076）和国家留学基金委国家奖学基金（CSC编号201806515050）。引用Aiger，D.，新泽西州米特拉市Cohen-Or，D.，2008年基于4点同余集的两两表面配准方法.ACMSIGGRAPH2008论文-SIGGRAPH网址：//doi.org/10.1145/1399504.1360684。Aschoff， T. ， Spiecker， H.， 2004. 激 光扫 描 仪 数据 中 树木 自 动 检测 算 法。 Int. Arch.Photogramm.遥控器Sens. Spat.信息科学36，W2。贝利，B.N.，奥乔亚，M.H.，2018年基于地面LiDAR点云数据的半直接树木重建远程传感器Environ. 208，133-144。 https://doi.org/10.1016/j.rse。 2018.02.013。贝，H.，Tuytelaars，T.，凡古尔湖，2006年。Surf：加速了强大的功能。EUR. Conf.Comp. 视野 404- 417Besl ，P.J.，麦凯，北达 科他州，一九九二年 三维形状配准方法。 Sensor Fusion IV：ControlParadigms and Data Structures，pp. 6.第586-60段Bienert，A.，马斯，H. G.，2009. 林分地面激光扫描仪点云的自动几何配准方法。ISPRS Int.Arch. Photogramm.雷姆Sens. Spat. Inf. Sci93-98.Böhm，J.，Becker，S.，2007. 利用反射率的地面激光扫描自动无标记配准。第8届光学3D测量技术会议论文集，苏黎世，瑞士，pp。 9比12布伦纳角，多尔德角，Ripperda，N.，2008.城市环境中地面激光扫描的粗定向。国际摄影测量和遥感学会J.摄影Remote Sens. 63，4-18. https://doi.org//j.isprsjprs.2007.05.002.布，G.，王，P.，2016. 基于单次地面激光扫描的自适应圆-椭圆拟合估测树木直径方法。J.应用远程。传感器10、2604和0。Bucksch，A.，Khoshelham，K.，2013.植物树木点云的局部配准。IEEE地球科学远程传感器字母10，631-635。https://doi.org/10.1109/LGRS.2012的网站。 2216251。Challis，J.H.，一九九五年 确定刚体变换参数的方法。生物力学杂志28，733- 737.Dassot，M.，Constant，T.，Fournier，M.，2011年。地面激光雷达技术在森林科学中的应用：应用领域、效益和挑战。Ann. For. Sci. 68，959-97 4.Dubayah，R.O.，德雷克，J.B.，两千林业激光雷达遥感。J. For. 98，44-46.伊斯恩湖Pfeifer，N.，Ressl，C.，Hollaus，M.，Grachal，A.，Morsdorf，F.，2013年。 一种基于地面激光扫描等矩形投影的森林环境中树木模型提取的实用方法。远程传感器5，5424-5448。 https://doi.org/10.3390/rs5115424.亨宁，J.G.，Radtke，P.J.，2006. 地面扫描激光雷达对立木树干的详细测量。For. Sci. 52，67-80。Henning，Jason G.，Radtke，P.J.，2008年a。使用从自然表面估计的显式匹配连接点的森林场景的多视图距离图像配准。遥感学会J. Photogramm. Remote Sens. 63，68-83. https://doi.org/10.1016/j.isprsjprs.2007.07的网站。 006.Henning，Jason G.，Radtke，P.J.，2008年b。使用从自然表面估计的显式匹配连接点的森林场景的多视图距离图像配准。遥感学会J. Photogramm. Remote Sens. 63，68-83.Hilker，T.，北卡罗来纳州库普斯 Culvenor，D.S.，Newnham，G.，Wulder，M.A. ，Bater，C.W.，Siggins，A.，2012. 一种用于林业应用的地面LiDAR观测的简单配准技术远程传感器Lett. 3，239-247。 https://doi.org/10.1080/01431161。 2011.565815。霍普金森角，查斯默湖Young-Pow，C.，Treitz，P.，2004年。 用地面扫描激光雷达评估森林指标。可以的. J.因。Res. 34，573-583.Lowe，D.G.，2004年。 从尺度不变的关键点中提取独特的图像特征。Int. J. Comput.目视60，91- 110。马尔祖利，MI，Raumonen，P.，格雷科河，波斯，M.，Tartarino，P.，2020年。从智能手机 摄 影 测 量 点 云 估 算 树 干 直 径 和 体 积 。 森 林 （ Lond ）https://doi.org/10.1093/forestry/cpz067网站。Mokroyoung ， M. ， 梁 湘 ， Surovestine ， P. ， Valent ， P. ， Čertencies ava ， J. ，Chuddovich，F.，Tuná