(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221076969 2.0 (22)申请日 2022.06.30 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 黄方　何伟丙　彭书颖　陈胜亿　 强晓勇　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 曾磊 (51)Int.Cl. G06T 17/00(2006.01) G06V 10/26(2022.01) G06V 10/46(2022.01) (54)发明名称 一种基于重建点云的区域植被三维绿量估 算方法 (57)摘要 本发明提供一种基于重建点云的区域植被 三维绿量估算方法， 属于三维绿量估算技术领 域。 该方法分析了现有城市三维绿量测算模型中 存在的问题， 结合三维重建点云自身固有特性和 模型通用性的需求进行设计。 该方法基于无人机 遥感影像进行三维重建， 得到三维重建点云数 据， 重点基于八叉树 ‑体元理论， 创新性地加入扫 描线填充优化方法， 得到三维绿量测算改进模 型， 从而完成对城市三维绿量的测算。 本发明方 法有效解决了现有的三维绿量定量测算方法中 存在的测量 不准确的问题。 权利要求书2页 说明书10页 附图2页 CN 115035254 A 2022.09.09 CN 115035254 A 1.一种基于 重建点云的区域 植被三维绿量估算方法， 其特 征在于， 包括以下步骤： 步骤1.选定一处分布有典型植被的城市区域作为待测区域， 使用无人机倾斜摄影测量 作业系统对该处测区进行倾 斜摄影测量， 得到倾 斜影像数据； 步骤2.基于开源三维重建算法， 对步骤1得到的倾斜影像数据集分别进行稀疏重建和 稠密重建， 得到被测区的场景三维重建点云数据； 步骤3.对步骤2得到的场景三维重建点云数据， 使用点云语义分割神经网络模型提取 出植被点云数据； 步骤4.对步骤3得到的植被点云数据， 构建区域三维绿量量化模型， 具体为： 先建立八 叉树搜索结构下的体元模型， 再使用扫描线填充算法， 修正区域植被的体元结构， 从而得到 区域三维绿量 量化模型； 步骤5.将步骤3提取的植被点云数据输入至步骤4得到的区域三维绿量量化模型， 从而 对三维绿量进行估算。 2.如权利要求1所述的基于重建点云的区域植被三维绿量估算方法， 其特征在于， 步骤 1中的典型植被是指具有规则几何形状的冠层， 能够使用 “冠径‑冠高”方程计算三 维绿量真 值的植被。 3.如权利要求1所述的基于重建点云的区域植被三维绿量估算方法， 其特征在于， 步骤 1中的无人机倾斜摄影测量作业系统由大疆经纬M300  RTK和禅思P1图像传感器构成； 其中， 图像传感器固定在无人机上， 并设置无人机相关航测参数， 包括航高h＝60m， 航速v＝3m/s， 航向重叠率为80％， 旁向重 叠率为70％等。 4.如权利要求1所述的基于重建点云的区域植被三维绿量估算方法， 其特征在于， 步骤 1中待测区内布设置3 ‑4个像控点， 并用RT K基站测定它们的空间位置信息； 每个像控点都应 该尽可能多地被多张倾 斜影像捕获， 并且应当选 定在易于识别的角点 位置。 5.如权利要求1所述的基于重建点云的区域植被三维绿量估算方法， 其特征在于， 步骤 2的具体过程 为： 步骤2.1.基于步骤1得到的倾斜影像数据集， 采用尺度不变特征变换算法进行特征点 的提取， 然后对提取的特 征点进行匹配， 得到特 征匹配点； 步骤2.2.基于特征匹配点， 采用运动恢复结构算法进行稀疏点云重建， 得到稀疏点云 数据； 步骤2.3.在稀疏点云的基础上， 采用基于聚簇和面片模型的多视角密集匹配算法进行 稠密点云重建， 得到稠密点云数据； 所述稠密点云数据即为场景三维重建点云数据。 6.如权利要求1所述的基于重建点云的区域植被三维绿量估算方法， 其特征在于， 步骤 3中点云语义分割神经网络模型包括编 码器和解码器， 所述编 码器用于得到特征提取结果， 所述解码器用于得到和原 始点云数据量相同的植被点云数据； 其中， 编码器由采样层和 组合层组成； 采样层将稠密点云数据表征到一个由坐标值和 特征值共同组成的高维空间， 通过最远点采样法从度量空间的N个输入点云中选取间距最 远的N1个点云， 将这组点云作为一组区域中心点； 在组合层， 通过选取每个区域中心点最近 邻k个点来表征这 一区域， 得到特 征提取结果； 解码器由若干组解码单元组成， 每组解码单元包括插入层和PointNet单元层组成； 在 编码器完成特征提取后， 模 型将接入Point Net层作为特征提取器， 通过可训练的权重汇聚k权　利　要　求　书 1/2 页 2 CN 115035254 A 2个近邻的特 征； 插入层首先通过k个最近邻点的距离加权特 征完成点云升采样， 如式(1)所示： 其中， d(x,xi)为点x到第i个近邻点的欧式距离， P表示欧式距离的幂次， fi(j)表示第j层 的第i个近邻点， 总共k个， f(j)(x)表示第j层点x的输出， C为总计层数。 7.如权利要求1所述的基于重建点云的区域植被三维绿量估算方法， 其特征在于， 所述 步骤3的具体过程 为： 步骤3.1.对三维重建点云进行数据筛选， 去除重建质量较差的数据， 所述重建质量较 差的数据是指由于摄影测量视角缺失， 而导致冠层形态不完整， 特别是冠层下表面出现大 范围空洞的植被点云数据； 步骤3.2.将得到的数据进行切块， 对每一块数据进行人工标注语义标签， 对本研究关 注的植被信息标注为 一个属性类， 其 他地物标为另一类； 步骤3.3.将标注好的数据按照一定比例分为训练集和测试集； 其中训练集数据用于点 云语义分割神经网络模型参数训练， 测试集用于检测训练后网络实际效果， 得到网络模型 参数； 步骤3.4.基于训练好的点云语义分割神经网络模型， 输入场景三维重建点云数据， 即 可得到植被点云数据。 8.如权利要求1所述的基于重建点云的区域植被三维绿量估算方法， 其特征在于， 所述 步骤4的具体过程 为： 步骤4.1.统计植被点云数据在在 X、 Y、 Z三个坐标方向上的最大值和最小值， 记为(xmin, xmax),(ymin,ymax),(zmin,zmax)； 以(xmin,ymin,zmin)和(xmax,ymax,zmax)构成的斜对角线， 构建植 被点云数据的三维包围盒， 作为体元模型和八叉树的划分空间； 步骤4.2.根据设定的体元分辨率， 构建体元模型， 并在此基础上为每个植被点云建立 八叉树索引； 步骤4.3.对所有非空体元按照体元中心坐标进行排序， 首先根据Z轴坐标大小对体元 集合分层； 在每一层非空体元子集当中， 先根据X轴坐标大小排序， 再按照Y轴排序， 按照排 序的结果对体元进 行遍历； 当一个体元与它前一个体元 处在同一个X轴坐标上时， 则构成一 段扫描线； 步骤4.4.预设一个扫描线长度阈值， 对每一段扫描线判定它所属的冠层部分： 如果扫 描线过长， 则认为这一段属于相邻两颗数之间的间隔， 否则可以认为这一段是树冠 的组成 部分； 步骤4.5.对于处在树冠内部的扫描线， 根据其长度和体元横截面积求出体积， 得到在 这一段扫描 线上的冠层横截体积； 步骤4.6.按照相同的方法， 沿着轮廓在X和Y方向对每个体元重复步骤4.3至4.5的过 程， 得到每一层的冠层体积， 再将 每一层冠层体积累加， 即可得到总的待测的三维绿量的冠 层体积V。权　利　要　求　书 2/2 页 3 CN 115035254 A 3