徐嘉淼，劉如飛，魏曉東，柴永寧

(1.山東科技大學(xué) 測繪科學(xué)與工程學(xué)院，山東 青島 266590；2.青島秀山移動測量有限公司，山東 青島 266590)

0 引言

道路兩側(cè)的行道樹是城市建設(shè)管理中的重要組成部分，其在景觀功能、生態(tài)功能和意向功能等方面起著積極的作用[1]。因此，行道樹信息的自動化快速提取是智慧城市建設(shè)中不可或缺的環(huán)節(jié)。車載移動測量作為測繪領(lǐng)域內(nèi)一種前沿的測量技術(shù)，可以在高速運(yùn)動狀態(tài)下迅速獲取道路兩側(cè)地物的高精度三維信息，對城市行道樹信息化管理意義重大。

針對車載LiDAR點(diǎn)云行道樹目標(biāo)自動化提取，國內(nèi)外學(xué)者已經(jīng)展開了廣泛的研究。一些方法對城市典型地物(行道樹、路面、建筑物等)統(tǒng)一進(jìn)行分類與提取，從而間接提取出行道樹點(diǎn)云；另一些方法則單獨(dú)對行道樹點(diǎn)云進(jìn)行提取。上述方法可以分為4類。①掃描線法。這類方法主要對樹干點(diǎn)云在每條掃描線上的分布特征進(jìn)行分析，可以快速簡單地自動化提取出樹干點(diǎn)云[2]。但是雜亂無章的樹冠點(diǎn)云無法通過掃描線直接反映出幾何形態(tài)，不利于樹冠點(diǎn)云的進(jìn)一步提取，適用性不強(qiáng)。②語義模型法。直接將離散的點(diǎn)云分割成獨(dú)立的點(diǎn)云塊，以行道樹的幾何特征為約束建立相應(yīng)的語義模型，從點(diǎn)云塊中分類出行道樹目標(biāo)[3-4]。這類方法可以直接對原始點(diǎn)云進(jìn)行處理，但是在點(diǎn)云分割與聚類過程中容易受周圍鄰近地物影響，且計算量偏大。③點(diǎn)云投影法。將點(diǎn)云投影至平面內(nèi)并建立二維格網(wǎng)，統(tǒng)計格網(wǎng)內(nèi)點(diǎn)云的密度和高差等信息，從而對行道樹點(diǎn)云進(jìn)行提?。换蛘呱梢?guī)則的點(diǎn)云特征圖像，然后借助于圖像處理算法來提取出行道樹點(diǎn)云[5-6]。這類方法采用了降維的思想，減少了數(shù)據(jù)量，提高數(shù)據(jù)處理效率，但是在點(diǎn)云投影和生成規(guī)則圖像過程中，存在精度損失，且格網(wǎng)尺寸選擇對最終提取結(jié)果有影響。④體元法。將行道樹實(shí)體分割成一系列非空體元，既保留了行道樹的三維信息，也方便對其局部細(xì)節(jié)進(jìn)行展示和分析，充分利用了行道樹的整體特征，減少數(shù)據(jù)冗余，提高計算效率[7-8]。Wu等[9]提出了一種基于分層體元點(diǎn)密度的行道樹提取方法，實(shí)現(xiàn)單株行道樹的完整提取，僅考慮單一的體元密度特征無法有效區(qū)分人造桿目標(biāo)與行道樹樹干；Yang等[10]基于多尺度超體素進(jìn)行區(qū)域聚類分割，根據(jù)先驗(yàn)知識設(shè)定各類目標(biāo)對象幾何特征分類閾值，實(shí)現(xiàn)多類目標(biāo)層次化提取，實(shí)驗(yàn)結(jié)果表明，該算法適用于復(fù)雜城市環(huán)境下的行道樹點(diǎn)云提??；Ordonez等[11]將點(diǎn)云進(jìn)行三維空間體元簡化，對單個體元進(jìn)行二維平面分析，利用桿狀地物的孤立性識別出目標(biāo)數(shù)據(jù)，并分組、立體還原，最后根據(jù)支持向量機(jī)算法分離出行道樹目標(biāo)；Kang等[12]建立規(guī)則體元索引，通過分析桿狀地物的孤立性與豎直連續(xù)性特征，采用自適應(yīng)半徑的平面圓模型和垂直區(qū)域生長算法對桿狀地物體元進(jìn)行檢測與分割，建立多類桿目標(biāo)語義規(guī)則，進(jìn)一步區(qū)分樹干、路燈與電線桿；羅海峰等[13]將體元與深度學(xué)習(xí)相結(jié)合，對地物點(diǎn)云建立八叉樹體元索引，歸一化分割重疊點(diǎn)云獲得獨(dú)立目標(biāo)對象，基于多個方向生成目標(biāo)對象的體元化全局特征，輸入深度置信網(wǎng)絡(luò)(deep belief networks，DBN)進(jìn)行訓(xùn)練，實(shí)現(xiàn)行道樹點(diǎn)云的提取。

上述算法無法對體元內(nèi)點(diǎn)云進(jìn)行細(xì)致的形態(tài)與屬性分析，并且沒有充分挖掘體元之間的鄰域關(guān)系。此外，當(dāng)行道樹與其他地物距離太近，特別是路燈穿插在樹冠中時，極易造成誤分類。針對以上不足，本文提出了一種以體元為研究對象且顧及自身空間鄰域關(guān)系的行道樹點(diǎn)云自動提取算法，在城市部件采集、大規(guī)模園林普查等方面具有重要意義。

1 行道樹點(diǎn)云提取算法

行道樹廣泛種植于道路兩側(cè)或分車帶內(nèi)，其自身結(jié)構(gòu)復(fù)雜且常與其他地物混合，一定程度上造成了提取困難。以體元為研究對象且顧及自身空間鄰域關(guān)系的行道樹點(diǎn)云自動提取算法主要包括數(shù)據(jù)預(yù)處理、樹干提取、樹冠提取3個步驟，如圖1所示。

圖1 行道樹自動化提取流程圖

1.1 原始點(diǎn)云預(yù)處理

首先對原始點(diǎn)云數(shù)據(jù)進(jìn)行雙邊濾波去噪和高程歸一化處理，然后采用文獻(xiàn)[14]中方法濾除地面點(diǎn)，保留非地面點(diǎn)，減少了數(shù)據(jù)量，提高數(shù)據(jù)處理效率。

車載移動測量記錄了激光點(diǎn)云的反射強(qiáng)度、三維坐標(biāo)等信息。結(jié)合點(diǎn)云自身的三維坐標(biāo)與體元尺寸參數(shù)實(shí)現(xiàn)三維虛擬規(guī)則格網(wǎng)的創(chuàng)建，方便對點(diǎn)云進(jìn)行快速索引和鄰域搜索。假設(shè)體元在三軸方向上的尺寸分別為dx、dy、dz，存在點(diǎn)云P(Xp，Yp，Zp)落入對應(yīng)的體元Voxel內(nèi)，則Voxel的行號row、列號col、層號layer的計算方法如式(1)所示。

(1)

1.2 體元特征計算與鄰域分析

點(diǎn)云曲率是衡量地物表面平坦程度的重要特征。灌木和樹冠點(diǎn)云呈散亂團(tuán)狀，樹干點(diǎn)云呈規(guī)則圓柱狀，導(dǎo)致前者的曲率大于后者，在體元內(nèi)部表現(xiàn)為點(diǎn)云平均曲率的差異。點(diǎn)云回波反射強(qiáng)度是衡量地物表面反射率的重要特征。人造桿目標(biāo)表面涂抹了特殊的反光材料且十分光滑，樹干表皮粗糙，導(dǎo)致前者的回波反射強(qiáng)度大于后者，在體元內(nèi)部表現(xiàn)為點(diǎn)云平均回波反射強(qiáng)度的差異。

為提高樹干點(diǎn)云分類與識別的準(zhǔn)確性，本文選擇了體元的曲率與回波反射強(qiáng)度特征，結(jié)合樹干幾何形態(tài)，充分挖掘體元空間鄰域關(guān)系，最終建立了表1所示的體元空間鄰域關(guān)系描述規(guī)則。

表1 體元空間鄰域分析

SVI和SVc表示種子體元的平均反射強(qiáng)度值和平均曲率值；VI和Vc表示非種子體元的平均反射強(qiáng)度值和平均曲率值；OL和RL表示第L層體元模板內(nèi)點(diǎn)云擬合平面圓的圓心和半徑；Shape和Direction表示點(diǎn)云集合的形狀系數(shù)和主方向。

1.3 樹干與樹冠點(diǎn)云提取

1)體元水平鄰域一致性。行道樹周圍存在的人造桿目標(biāo)(主要是路燈與交通標(biāo)志牌)與灌木是行道樹點(diǎn)云提取過程中的主要干擾因素。人造桿與樹干點(diǎn)云之間的回波反射強(qiáng)度存在差異；同理，灌木與樹干點(diǎn)云之間的曲率存在差異。以體元的平均回波反射強(qiáng)度與平均曲率特征為約束，結(jié)合表1中的體元水平鄰域內(nèi)特征描述，在同層格網(wǎng)內(nèi)進(jìn)行體元水平鄰域分析，可有效濾除人造桿目標(biāo)與灌木體元。具體步驟如下。

①在距離地面1.2～1.4 m的那層格網(wǎng)內(nèi)隨機(jī)選擇一個非空體元作為種子體元SV。

②若SV的平均回波反射強(qiáng)度與平均曲率特征同時滿足閾值條件，則將其標(biāo)記屬性為Treek；反之，標(biāo)記屬性為False，并重新選擇種子體元，直到滿足閾值條件為止。

③如圖2所示，以種子體元SV為中心創(chuàng)建5×5體元模板，搜索模板內(nèi)其他非空體元V，計算二者的平均回波反射強(qiáng)度與平均曲率特征在二維歐式空間下的距離Distance，根據(jù)距離遠(yuǎn)近判斷體元相似度。若滿足相似度閾值條件，則將體元V標(biāo)記屬性Treek；反之，標(biāo)記屬性為False。

圖2 體元水平鄰域一致性分析

④在同層格網(wǎng)內(nèi)未被標(biāo)記任何屬性的非空體元集合中重新選擇種子體元SV，并重復(fù)步驟②、步驟③，直到不存在未被標(biāo)記屬性的非空體元為止。

2)體元豎直鄰域一致性。行道樹包括樹干和樹冠2個部分，可利用體元的豎直鄰域一致性來確定第一分枝點(diǎn)所在位置。樹干點(diǎn)云在豎直方向上連續(xù)分布，因此，在相鄰的2層網(wǎng)格中一定存在具有相同行列號的非空體元，將多層格網(wǎng)疊加處理，使得樹干在各層格網(wǎng)中的豎直鄰域關(guān)系得以體現(xiàn)。

對三維格網(wǎng)逐層進(jìn)行體元水平鄰域分析，最終保留一定數(shù)量的5×5體元模板。搜索存在相同行列號體元的體元模板并進(jìn)行聚類，則聚類體元內(nèi)點(diǎn)云集合為疑似樹干點(diǎn)云。某層聚類體元內(nèi)點(diǎn)云如圖3所示，利用隨機(jī)抽樣一致算法(random sample consensus，RANSAC)進(jìn)行平面圓擬合，計算圓心O與半徑R，同時利用主成分分析法(principle components analysis，PCA)計算點(diǎn)云集合的形狀系數(shù)Shape與主方向Direction。利用表1中的體元豎直鄰域特征描述對疑似樹干點(diǎn)云作進(jìn)一步判斷，判斷條件如式(2)所示。

圖3 體元豎直鄰域一致性分析

|OL-OL+1|

(2)

樹干呈豎直圓柱狀，即相鄰2層聚類體元內(nèi)點(diǎn)云的擬合圓圓心坐標(biāo)偏移量與半徑之差同時小于閾值，且點(diǎn)云集合的形狀系數(shù)為1(線狀)，主方向近似平行于Z軸，據(jù)此提取行道樹樹干點(diǎn)云。

3)分層點(diǎn)云投影面積計算。經(jīng)過上述體元鄰域分析之后，可濾除大部分路燈與交通標(biāo)志牌噪點(diǎn)，但是樹干與燈桿外形接近，且后者長期暴露在戶外，難免會發(fā)生損壞老化，其表面反射率不達(dá)標(biāo)，無法通過體元平均回波反射強(qiáng)度和平均曲率特征進(jìn)行濾除，造成個別路燈燈桿被誤分類為樹干。根據(jù)樹冠與路燈的形態(tài)差異，設(shè)計了一種分層點(diǎn)云投影面積判別法來進(jìn)一步區(qū)分出行道樹與路燈，同時提取完整的樹冠點(diǎn)云，實(shí)現(xiàn)測區(qū)內(nèi)行道樹的單體化輸出。

在原始三維格網(wǎng)索引下，從第一分枝點(diǎn)開始，自下而上逐層聚類搜索疑似樹冠點(diǎn)云。實(shí)際道路環(huán)境中很多樹木樹冠相連，且個別路燈穿插在樹冠中，在聚類搜索時需逐層設(shè)置約束半徑，防止樹冠點(diǎn)云過度生長。算法以樹干點(diǎn)云重心坐標(biāo)為圓心，根據(jù)垂直于行駛方向的道路內(nèi)側(cè)點(diǎn)云計算當(dāng)前分層的約束半徑。

在數(shù)據(jù)采集過程中，道路外側(cè)的樹冠點(diǎn)云必然存在缺失，為提高分層點(diǎn)云投影面積計算的準(zhǔn)確性，采用文獻(xiàn)[15]算法引入樹冠點(diǎn)云方位殘缺率，加權(quán)計算各分層點(diǎn)云投影面積值。

4)樹冠點(diǎn)云判別。行道樹樹冠點(diǎn)云的外形近似于“卵形”，若沿豎直方向等距切分，可分解為一個圓錐與若干圓臺模型。如圖4所示，樹冠點(diǎn)云被等距切分為19個冠層，按照上文所述方法計算各冠層點(diǎn)云投影面積，對19個面積值進(jìn)行3次樣條插值，獲得光滑曲線。當(dāng)冠層序號layer=7時，投影面積S取得最大值，投影面積曲線在宏觀上滿足先單調(diào)遞增后單調(diào)遞減的變化趨勢，于是建立冠層點(diǎn)云投影面積理論模型，如式(3)所示。

圖4 單個樹冠分層點(diǎn)云投影面積曲線

Si-1Si>Si+1

(3)

式中：Si表示第i個冠層點(diǎn)云投影面積。

隨機(jī)選取了10棵行道樹樣本，對其樹冠點(diǎn)云進(jìn)行分層，分別計算各冠層內(nèi)點(diǎn)云投影面積S，并繪制投影面積曲線(圖5)。不難發(fā)現(xiàn)，雖然不同行道樹的樹冠體積存在較大差異，但自下而上各冠層點(diǎn)云投影面積總體上呈先遞增后遞減的變化趨勢，仍然滿足式(3)的投影面積理論模型。

圖5 10棵行道樹樹冠分層點(diǎn)云投影面積曲線

如圖6所示，路燈貫穿樹冠，且下部燈桿被誤分類為樹干。這類路燈的上部聚類點(diǎn)云包含樹冠與燈頭，分層計算聚類點(diǎn)云投影面積并繪制投影面積曲線(圖6)。從圖6中可知，在第10冠層(layer=10)處點(diǎn)云的投影面積S取得最大值；當(dāng)layer<10時，冠層點(diǎn)云的S值單調(diào)遞增，與理論模型相符；當(dāng)layer>10時，S值理論上單調(diào)遞減，但是受上部燈桿與路燈燈臂影響，導(dǎo)致局部冠層點(diǎn)云(layer=13、14、15)投影面積反而增大；當(dāng)layer>20時，僅存在燈頭點(diǎn)云，多個相鄰冠層點(diǎn)云的S值近似相等，曲線趨于平緩。故存在一定數(shù)量的分層點(diǎn)云投影面積不符合理論模型。

圖6 樹冠與路燈分層點(diǎn)云投影面積曲線

結(jié)合樹冠分層點(diǎn)云投影面積理論模型來對疑似樹冠點(diǎn)云進(jìn)行判別，進(jìn)一步剔除被誤分類為樹干的路燈。為量化樹冠點(diǎn)云的判別指標(biāo)，引入道格拉斯-普克算法[16]提取投影面積曲線輪廓特征點(diǎn)，根據(jù)特征點(diǎn)計算樹冠判別值δ。

道格拉斯-普克算法作為一種全局的曲線化簡算法，能在一定程度上保持化簡后曲線的整體形態(tài)。對圖4樹冠分層點(diǎn)云投影面積曲線使用道格拉斯-普克算法進(jìn)行化簡，結(jié)果如圖7(a)所示，最終保留7個特征點(diǎn)，且曲線在特征點(diǎn)3處取得最大值。依次計算相鄰特征點(diǎn)i和i+1之間的連續(xù)斜率ki，同時記錄2點(diǎn)之間所包含的若干冠層(如特征點(diǎn)4、5之間包含了第10、11、12冠層，連線斜率為k4)。在樹冠分層點(diǎn)云投影面積理論模型約束下，特征點(diǎn)1、2、3位于單調(diào)遞增區(qū)間內(nèi)，故相鄰特征點(diǎn)連線斜率ki>0(i=1，2)；特征點(diǎn)4、5、6、7位于單調(diào)遞減區(qū)間內(nèi)，故相鄰特征點(diǎn)連線斜率ki<0(i=3，4，5，6)。且相鄰多個冠層點(diǎn)云投影面積變化明顯，斜率絕對值不小于閾值Kmin。

同理，圖7(b)為圖6中投影面積曲線的化簡結(jié)果，保留了9個特征點(diǎn)，曲線在特征點(diǎn)5處取得最大值。位于單調(diào)遞減區(qū)間內(nèi)的特征點(diǎn)6、7的連線斜率k6>0；特征點(diǎn)8、9的連線過于平緩，其斜率k8的絕對值小于閾值Kmin。顯然，上述2組相鄰特征點(diǎn)內(nèi)的冠層點(diǎn)云投影面積與理論模型相悖。

圖7 道格拉斯-普克算法曲線簡化

一次迭代完成之后，統(tǒng)計滿足斜率條件的相鄰特征點(diǎn)之間的冠層數(shù)量，用于計算樹冠判別值δ(滿足理論模型的冠層數(shù)量與冠層總數(shù)之比)。若δ>80%，則認(rèn)為當(dāng)前聚類點(diǎn)云為樹冠，否則作為偽樹冠剔除。

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)與參數(shù)設(shè)置

為驗(yàn)證算法的有效性，采用車載移動測量系統(tǒng)所采集的2組實(shí)際路段點(diǎn)云進(jìn)行實(shí)驗(yàn)，數(shù)據(jù)點(diǎn)位精度優(yōu)于3 cm。如圖8(a)所示，道路Ⅰ全長約0.547 km，為雙向4車道，地形平坦，道路兩側(cè)的行道樹主要為白蠟樹，數(shù)據(jù)共有10 811 215個點(diǎn)。如圖8(b)所示，道路Ⅱ全長0.835 km，為雙向2車道，地形起伏較大，道路兩側(cè)的行道樹主要為法國梧桐，數(shù)據(jù)共有16 280 769個點(diǎn)。2條道路均存在低矮綠化，主要的桿目標(biāo)有行道樹、路燈和交通標(biāo)志牌。

圖8 實(shí)驗(yàn)數(shù)據(jù)

根據(jù)城市行道樹種植規(guī)范，道路兩側(cè)的行道樹規(guī)格接近，且樹干位于所在區(qū)域地面1.3 m處，為林業(yè)部門定義胸徑的高度[17]。經(jīng)過實(shí)地量測，道路Ⅰ的白蠟樹樹干平均胸徑為25 cm，道路Ⅱ的法國梧桐樹干平均胸徑為38 cm。以行道樹樹干的平均胸徑作為體元的劃分尺度，樹干點(diǎn)云提取過程中需人工設(shè)定的參數(shù)見表2。對于樹冠點(diǎn)云的提取，分層點(diǎn)云投影面積曲線，經(jīng)過道格拉斯-普克算法簡化后，保留若干特征點(diǎn)，需人工設(shè)定相鄰特征點(diǎn)連線斜率絕對值的最小閾值Kmin。若Kmin設(shè)置過大，則無法判別樹冠點(diǎn)云；設(shè)置過小，則無法有效去除被誤分類為樹干的人造桿目標(biāo)。經(jīng)過大量樣本實(shí)驗(yàn)，確定Kmin的取值為0.6。

2.2 結(jié)果與討論

本文利用C++實(shí)現(xiàn)上述算法，設(shè)置好參數(shù)對原始點(diǎn)云進(jìn)實(shí)驗(yàn)，2條道路上的行道樹點(diǎn)云提取結(jié)果分別如圖9和圖10所示。圖中樹干點(diǎn)云被統(tǒng)一賦成紅色，樹冠點(diǎn)云按照行道樹ID號隨機(jī)賦色。道路兩側(cè)的行道樹被準(zhǔn)確提取，不受周圍人造桿目標(biāo)和灌木的影響。

圖9 道路Ⅰ提取結(jié)果

圖10 道路Ⅱ提取結(jié)果

圖11(a)和圖11(b)分別是圖9中區(qū)域A和區(qū)域B的局部放大圖，將提取得到的行道樹目標(biāo)與原始點(diǎn)云疊加顯示。路燈、監(jiān)控探頭、交通標(biāo)志牌和行道樹這4類桿目標(biāo)相互交錯且周圍存在大量低矮灌木，一定程度上對行道樹目標(biāo)的提取造成了困難。算法依據(jù)體元的平均回波反射強(qiáng)度與平均曲率特征進(jìn)行空間鄰域分析，可以準(zhǔn)確提取樹干點(diǎn)云，不受鄰近地物噪點(diǎn)的干擾。

圖11 行道樹提取結(jié)果與原始點(diǎn)云疊加

圖12為圖10中區(qū)域A的局部放大圖，樹木之間距離較近，部分樹冠相連。算法以道路內(nèi)側(cè)點(diǎn)云為參考，逐層計算冠幅半徑Rmin，然后以Rmin為聚類生長約束條件，逐層提取樹冠點(diǎn)云。根據(jù)最后提取結(jié)果可以看出，樹冠分割效果較好。

圖12 相連行道樹提取結(jié)果

樹干是行道樹的重要組成部分，本文算法首先提取樹干，然后從樹干頂端向上聚類獲取樹冠點(diǎn)云。圖13(a)為圖10中區(qū)域B的原始點(diǎn)云，路燈貫穿樹冠。圖13(b)為樹干提取結(jié)果，其中，路燈的下部燈桿因表面老化導(dǎo)致反射率不達(dá)標(biāo)，從而被誤分類為樹干。算法建立了樹冠分層點(diǎn)云投影面積理論模型，搜索疑似樹冠點(diǎn)云，并逐層計算投影面積，在理論模型約束下計算樹冠判別閾值。最終提取結(jié)果如圖13(c)所示，有效濾除了被誤分類為樹干的燈桿。

圖13 樹冠點(diǎn)云判別

但2組實(shí)驗(yàn)數(shù)據(jù)中仍然存在一些錯誤提取及遺漏的情況。個別樹木距離掃描儀較遠(yuǎn)且受到車輛遮擋，樹干點(diǎn)云缺失，不滿足桿狀地物特征，無法通過體元鄰域分析進(jìn)行識別。此外，個別樹冠的枝葉過于稀疏，其外形不符合常規(guī)樹冠的“卵形”，無法使用冠層投影面積變化理論模型對其進(jìn)行判別?？梢姡c(diǎn)云數(shù)據(jù)的完整程度與密度直接影響整體的提取效果。對原始數(shù)據(jù)和實(shí)驗(yàn)結(jié)果進(jìn)行了統(tǒng)計分析，根據(jù)式(4)評價行道樹點(diǎn)云提取的準(zhǔn)確率與召回率。

(4)

式中：TP為正確提取的數(shù)量；FN未被提取的數(shù)量；FP為錯誤提取的數(shù)量。

統(tǒng)計結(jié)果如表3所示，算法對2組數(shù)據(jù)中行道樹目標(biāo)提取的準(zhǔn)確率分別達(dá)到94.77%和92.61%，召回率分別達(dá)到91.78%和89.13%。將本文算法和同樣采用體元法的文獻(xiàn)[9]進(jìn)行了對比。編程實(shí)現(xiàn)文獻(xiàn)[9]算法，再次對2組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理，對比分析正確率與召回率。如表4所示，本文方法對行道樹提取的正確率與召回率均有提高。由于部分人造桿目標(biāo)穿插在樹冠中，文獻(xiàn)[9]直接對非空體元聚類會將其誤分類為樹木，降低正確率。行道樹底部存在大量低矮灌木，與樹干距離較近的上部灌木噪點(diǎn)會破壞樹干的形態(tài)，造成漏提，降低召回率。

表3 行道樹提取結(jié)果定量分析

表4 方法對比

3 結(jié)束語

針對車載激光掃描數(shù)據(jù)，本文提出了一種顧及體元鄰域關(guān)系的行道樹提取方法。首先建立規(guī)則格網(wǎng)索引，然后以樹干幾何特征為基礎(chǔ)，結(jié)合點(diǎn)云的回波反射強(qiáng)度與曲率屬性，充分挖掘體元的空間鄰域關(guān)系，成功提取出樹干點(diǎn)云。在此基礎(chǔ)上，建立樹冠分層點(diǎn)云投影面積理論模型，聚類搜索疑似樹冠點(diǎn)云并分層計算投影面積，將計算結(jié)果與理論模型進(jìn)行比較，通過設(shè)定分類閾值來識別樹冠，同時濾除被誤分類為樹干的燈桿，最終實(shí)現(xiàn)行道樹點(diǎn)云的自動化提取。實(shí)驗(yàn)結(jié)果表明，本文算法可以避免鄰近地物噪點(diǎn)影響，準(zhǔn)確提取復(fù)雜城市道路環(huán)境下的行道樹點(diǎn)云，提取結(jié)果的正確率和召回率分別達(dá)到了93.41%和90.12%，具有較強(qiáng)的適應(yīng)性與穩(wěn)健性。在后續(xù)的研究中，可嘗試引入新的體元特征，以增強(qiáng)行道樹提取的穩(wěn)健性。此外，也可以根據(jù)樹冠分層點(diǎn)云投影面積進(jìn)行精細(xì)化建模，用于行道樹種類的識別。