關(guān)鍵詞：FPFH；樹木位置關(guān)系；不規(guī)則三角網(wǎng)；無人機(jī)點(diǎn)云；地基點(diǎn)云

中圖分類號(hào)：S771.8 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-923X（2024）01-0014-14

森林是陸地生態(tài)系統(tǒng)的重要組成部分，在涵養(yǎng)水源、保持水土以及調(diào)節(jié)全球氣候變化等方面發(fā)揮了重要作用，甚至還具有很高的經(jīng)濟(jì)價(jià)值和社會(huì)價(jià)值[1–3]。因此，為了準(zhǔn)確掌握森林資源狀況，開展了大量的森林資源調(diào)查活動(dòng)。但傳統(tǒng)的人工調(diào)查手段效率低、成本高，無法滿足大規(guī)模、多尺度的調(diào)查要求。激光雷達(dá)（Light detection andranging，LiDAR）技術(shù)的發(fā)展為森林資源調(diào)查提供了解決方案，可滿足不同尺度的森林資源調(diào)查的需求，在林業(yè)經(jīng)營中得到了越來越多的應(yīng)用[4–7]。

激光雷達(dá)作為一種非接觸式的主動(dòng)遙感技術(shù)，通過發(fā)射激光能量和接收返回信息的方式獲取詳細(xì)的森林空間結(jié)構(gòu)和林下地形信息[8]，但是單獨(dú)利用無人機(jī)LiDAR 或地基LiDAR 難以完整描述森林垂直結(jié)構(gòu)信息。無人機(jī)LiDAR 采用自上而下的掃描方式，可精確獲取完整的森林中上層結(jié)構(gòu)信息，不過由于冠層內(nèi)部枝葉的遮擋，會(huì)導(dǎo)致中下層的植被信息獲取不完整，如樹干、胸徑等參數(shù)[9]；地基LiDAR 采用自下而上的掃描方式，可獲取完整的林下詳細(xì)信息，但上層樹冠信息容易受到中下層樹冠的遮擋，從地基點(diǎn)云中估測(cè)出的樹高通常較實(shí)測(cè)值低[10]。為此，就需要將不同平臺(tái)獲取的LiDAR 點(diǎn)云進(jìn)行融合以提取更加完整豐富的森林三維垂直結(jié)構(gòu)信息。無人機(jī)LiDAR 點(diǎn)云和地基LiDAR 點(diǎn)云提供了互補(bǔ)的數(shù)據(jù)采集視角，二者的配準(zhǔn)融合有利于消除各自的掃描盲區(qū)，克服單一平臺(tái)帶來的點(diǎn)云信息獲取不完整的局限性。

點(diǎn)云配準(zhǔn)的本質(zhì)是將不同視角下的三維點(diǎn)云進(jìn)行坐標(biāo)轉(zhuǎn)換，以便將它們統(tǒng)一到同一個(gè)全局坐標(biāo)系下，從而獲取被觀測(cè)目標(biāo)的完整點(diǎn)云信息[11]。傳統(tǒng)點(diǎn)云配準(zhǔn)方法的基本思路是僅利用點(diǎn)云中的部分關(guān)鍵元素進(jìn)行配準(zhǔn)，如點(diǎn)、線、面等幾何基元或它們的組合，然而不同于城市測(cè)繪場(chǎng)景，林區(qū)環(huán)境大部分是不規(guī)則的樹木和地面特征，很少見到規(guī)則的點(diǎn)線面特征，這為林區(qū)多源激光雷達(dá)點(diǎn)云配準(zhǔn)帶來了挑戰(zhàn)。針對(duì)此問題，目前國內(nèi)外許多學(xué)者展開了相關(guān)研究，在林區(qū)測(cè)繪場(chǎng)景中，一些研究者通常將樹的位置作為不同平臺(tái)點(diǎn)云融合的配準(zhǔn)基元。Polewski 等[12] 通過將樹木間水平和垂直距離作為樹對(duì)相似度度量，結(jié)合樹木位置構(gòu)造加權(quán)二分圖模型，并利用最大權(quán)匹配算法和模擬退火算法尋找最優(yōu)變換參數(shù)，實(shí)現(xiàn)了林區(qū)無人機(jī)和背包點(diǎn)云的配準(zhǔn)。試驗(yàn)結(jié)果表明，楊樹樣地配準(zhǔn)誤差在0.54 ～ 0.67 m 之間，紅杉樣地配準(zhǔn)誤差在0.27 ～ 0.36 m 之間。劉清等[13] 提出一種以樹木位置作為配準(zhǔn)基元的配準(zhǔn)方法，通過窮舉構(gòu)造特征三角形，進(jìn)而尋找同名三角形對(duì)，成功實(shí)現(xiàn)了對(duì)空地平臺(tái)點(diǎn)云的配準(zhǔn)，該方法的平均配準(zhǔn)精度為0.31 m。王楚虹等[14] 通過手持移動(dòng)激光雷達(dá)點(diǎn)云數(shù)據(jù)和無人機(jī)激光雷達(dá)點(diǎn)云數(shù)據(jù)中的樹木位置點(diǎn)分別構(gòu)造2 個(gè)Delaunay 三角網(wǎng)，利用模擬退火算法尋找樹木位置匹配點(diǎn)，進(jìn)而完成點(diǎn)云粗配準(zhǔn)，最后基于高重疊度的樹冠點(diǎn)云使用ICP算法實(shí)現(xiàn)了2 個(gè)平臺(tái)點(diǎn)云的精準(zhǔn)融合。Guan 等[15]同樣以樹的位置作為配準(zhǔn)基元，提出了構(gòu)造不規(guī)則三角網(wǎng)并通過投票策略尋找同名三角形對(duì)的方法估算出旋轉(zhuǎn)平移參數(shù)完成粗配準(zhǔn)，然后選取不同平臺(tái)點(diǎn)云的重疊區(qū)域，使用ICP 算法進(jìn)行點(diǎn)云精細(xì)配準(zhǔn)，最后通過融合背包和無人機(jī)的激光雷達(dá)數(shù)據(jù)以及融合針葉林多掃描地面激光雷達(dá)數(shù)據(jù)，驗(yàn)證了該方法的有效性，其水平配準(zhǔn)精度為0.3 m，垂直方向的配準(zhǔn)精度為0.2 m。另外還有一些學(xué)者采用了其他的方法進(jìn)行點(diǎn)云配準(zhǔn)。例如，Paris 等[16]基于機(jī)載點(diǎn)云和地基點(diǎn)云柵格化生成的冠層高度模型（Canopy height model，CHM）圖像之間的相似性，使用互相關(guān)歸一化方法估算出空間幾何變換參數(shù)，完成三維點(diǎn)云配準(zhǔn)，結(jié)果表明配準(zhǔn)后CHM 圖像間的相關(guān)系數(shù)均值在0.53 ～ 0.89 之間，估測(cè)的單株樹高和冠幅的平均絕對(duì)誤差（MAE）分別為0.3 m 和1.06 m。但該方法僅適用于空間開闊的樣地，對(duì)于高郁閉度林區(qū)樹木的配準(zhǔn)仍有待進(jìn)一步的研究。茍丙榮[17] 利用林區(qū)點(diǎn)云的地面點(diǎn)特征，使用SAC-IA 算法和ICP 算法實(shí)現(xiàn)了地基和無人機(jī)點(diǎn)云的配準(zhǔn)，但該方法僅適用于林下環(huán)境簡(jiǎn)單且地面重疊度較高的林區(qū)樣地。戴雷宇[18] 通過將樣方角點(diǎn)的GPS坐標(biāo)與點(diǎn)云拼接原理相結(jié)合，采用ICP 算法實(shí)現(xiàn)了機(jī)載和地基點(diǎn)云的融合，然而，這種方法對(duì)GPS 信息的精度要求較高，且該方法的自動(dòng)化程度較低。

綜上所述，目前針對(duì)林區(qū)無人機(jī)和地基點(diǎn)云的配準(zhǔn)研究仍處在起步階段且相關(guān)研究較少，大多數(shù)配準(zhǔn)方法存在精度低和適用性差等缺點(diǎn)，這些研究方法提供了不同的思路和技術(shù)手段來解決林區(qū)多源激光雷達(dá)點(diǎn)云配準(zhǔn)的問題，但仍存在一些限制和待改進(jìn)之處。因此，本研究提出一種基于地面特征和樹木位置關(guān)系的點(diǎn)云自動(dòng)化配準(zhǔn)方法，并將其應(yīng)用于蒙古櫟和樟子松樣地進(jìn)行配準(zhǔn)試驗(yàn)，旨在整合兩者優(yōu)勢(shì)，既可獲取林下詳細(xì)信息，又可獲取完整豐富的冠層結(jié)構(gòu)信息。多源激光雷達(dá)數(shù)據(jù)聯(lián)合使用將會(huì)是未來森林資源調(diào)查和監(jiān)測(cè)的發(fā)展趨勢(shì)，尤其是自上而下（無人機(jī)平臺(tái)）和自下而上（地基平臺(tái)）有機(jī)結(jié)合的近地面遙感技術(shù)，將進(jìn)一步提高森林資源監(jiān)測(cè)水平并成為林業(yè)遙感的有力工具。

1 研究區(qū)概況及數(shù)據(jù)獲取

1.1 研究區(qū)概況

研究區(qū)位于哈爾濱城市林業(yè)示范基地（45°43′10″N，126°37′15″E）， 占地面積約為44 hm2，主要為人工林，樹種豐富且分布規(guī)整。本研究選取了針葉林和闊葉林兩種不同的林分類型，其中針葉林樹種為樟子松Pinus sylvestrisvar. mongholica， 闊葉林樹種為蒙古櫟Quercusmongolica，并在其內(nèi)部各選取1 塊20 m×20 m 的樣地作為研究對(duì)象，研究區(qū)及樣地分布如圖1 所示。

1.2 激光雷達(dá)點(diǎn)云數(shù)據(jù)的獲取

1.2.1 無人機(jī)激光雷達(dá)點(diǎn)云數(shù)據(jù)的獲取

無人機(jī)LiDAR 點(diǎn)云使用大疆M300 RTK 四旋翼無人機(jī)搭載禪思L1 激光雷達(dá)于2021 年4 月獲取，該無人機(jī)系統(tǒng)集成Livox 激光雷達(dá)、慣導(dǎo)和測(cè)繪相機(jī)等模塊，可融合光學(xué)影像實(shí)時(shí)生成具有真實(shí)色彩的高密度點(diǎn)云。本次飛行試驗(yàn)采用3 回波重復(fù)掃描模式，掃描頻率為160 Hz，無人機(jī)飛行高度約為50 m，飛行速度為4 m/s。點(diǎn)云采用CGCS2000 坐標(biāo)系和UTM 投影方式，其平均點(diǎn)密度為504 pts/m²。

1.2.2 地基激光雷達(dá)點(diǎn)云數(shù)據(jù)的獲取

地基LiDAR 點(diǎn)云數(shù)據(jù)采集時(shí)間為2022 年5月，使用的設(shè)備是FARO Focus3D 激光掃描儀，該設(shè)備的最大掃描距離為330 m，最大采集速度為976 000 點(diǎn)/s。采用多站點(diǎn)拼接的方式對(duì)蒙古櫟樣地和樟子松樣地分別進(jìn)行地基點(diǎn)云數(shù)據(jù)采集，每個(gè)試驗(yàn)樣地共設(shè)有3 個(gè)架站點(diǎn)，在架站點(diǎn)的掃描范圍中心位置放置3 個(gè)靶球，應(yīng)確保每個(gè)架站點(diǎn)的設(shè)備都能掃描到全部靶球。數(shù)據(jù)預(yù)處理使用FARO 設(shè)備配套的處理軟件SCENE 進(jìn)行多站點(diǎn)云配準(zhǔn)，根據(jù)配準(zhǔn)后的有序模式，逐個(gè)合并各站點(diǎn)云，并將結(jié)果導(dǎo)出為ptx 格式文件。

1.3 地面實(shí)測(cè)數(shù)據(jù)的獲取

為了保證地面實(shí)測(cè)數(shù)據(jù)與獲得的激光雷達(dá)點(diǎn)云數(shù)據(jù)盡量保持時(shí)間的一致性，本研究于2022 年5 月對(duì)研究區(qū)進(jìn)行人工實(shí)地調(diào)查，使用Postex 林地調(diào)查儀對(duì)樣地內(nèi)所有單木進(jìn)行定位。地面實(shí)測(cè)的樣地單木結(jié)構(gòu)參數(shù)包括胸徑、單株樹高、樹種等信息，使用圍尺測(cè)量單木胸徑，使用超聲波測(cè)高儀Vertex V 測(cè)量樹高信息，具體樣地信息如表1所示。

2 研究方法

由于采集時(shí)間、掃描平臺(tái)等因素的不同，無人機(jī)點(diǎn)云和地基點(diǎn)云在對(duì)同一目標(biāo)物描繪時(shí)會(huì)在形態(tài)、密度等特征上存在差異性?；诖?，本研究分析了兩者數(shù)據(jù)的共同特征，提出了一種基于地面點(diǎn)云的快速點(diǎn)特征直方圖（Fast point featurehistogram， FPFH）特征和樹木位置關(guān)系的點(diǎn)云融合方法，具體研究方法如圖2 所示。

2.1 基于地面點(diǎn)FPFH 特征的初始配準(zhǔn)

2.1.1 預(yù)處理及地面點(diǎn)濾波

由于無人機(jī)點(diǎn)云的坐標(biāo)系是CGCS2000（Chinageodetic coordinate system 2000） 坐標(biāo)系， 而地基點(diǎn)云的坐標(biāo)系是笛卡爾坐標(biāo)系，兩個(gè)平臺(tái)點(diǎn)云數(shù)據(jù)間的空間距離相差過大，不利于后續(xù)算法的統(tǒng)一處理，為此，有必要將這兩者的坐標(biāo)按照各自偏移量（x、y、z 三軸最小值）進(jìn)行全局坐標(biāo)平移。其次為了計(jì)算地面點(diǎn)云的FPFH 特征，需要從原始點(diǎn)云中提取地面點(diǎn)云。本研究中采用的地面點(diǎn)濾波算法為改進(jìn)的漸進(jìn)加密三角網(wǎng)濾波算法[19]（Improved progressive TIN densification，IPTD）。IPTD 算法的基本步驟是首先使用形態(tài)學(xué)開運(yùn)算從原始點(diǎn)云中獲取潛在的地面種子點(diǎn)，然后使用平移平面擬合法剔除其中的非地面點(diǎn)。接著對(duì)PTD 算法做了兩處優(yōu)化：其一是基于地面種子點(diǎn)構(gòu)建初始三角網(wǎng)時(shí)，在其周圍設(shè)置緩沖區(qū)，并沿緩沖區(qū)邊界均勻布置模擬地面種子點(diǎn)，以消除初始三角網(wǎng)的邊緣效應(yīng)并提高初始三角網(wǎng)的質(zhì)量；其二是在迭代向上加密三角網(wǎng)前先向下加密三角網(wǎng)，可以使初始三角網(wǎng)更接近于真實(shí)地形，從而提高地面點(diǎn)分類的效果。最后，通過預(yù)設(shè)的角度和距離閾值，對(duì)潛在的地面種子點(diǎn)迭代判斷，將滿足條件的點(diǎn)加入三角網(wǎng)中。

2.1.2 地面點(diǎn)FPFH 計(jì)算

利用IPTD 算法提取地面點(diǎn)云后，首先對(duì)無人機(jī)地面點(diǎn)云和地基地面點(diǎn)云進(jìn)行下采樣并計(jì)算關(guān)鍵點(diǎn)的表面法線，然后分別計(jì)算地面點(diǎn)云的FPFH特征。FPFH 特征描述子的理論基礎(chǔ)如下：

點(diǎn)特征直方圖（Point feature histograms） 是通過計(jì)算查詢點(diǎn)所在鄰域內(nèi)的所有兩點(diǎn)之間的關(guān)系而形成的多維直方圖，用來描述查詢點(diǎn)所在的k鄰域的局部幾何特征屬性。圖3 表示的是一個(gè)查詢點(diǎn)（Aq）的PFH 計(jì)算的鄰域影響圖，以r 為半徑搜索Aq 鄰域（圖3 中虛線圓）內(nèi)的k 個(gè)鄰近點(diǎn)并形成一個(gè)無向完全圖關(guān)系，并計(jì)算圖中所有邊之間的關(guān)系，得到查詢點(diǎn)的PFH。對(duì)包含n 個(gè)點(diǎn)的點(diǎn)云，其計(jì)算的時(shí)間復(fù)雜度為O（nk²）。

快速點(diǎn)特征直方圖是對(duì)PFH 的簡(jiǎn)化，其核心思想是對(duì)每個(gè)查詢點(diǎn)Aq，先計(jì)算出它和鄰域點(diǎn)兩兩之間的簡(jiǎn)化點(diǎn)特征直方圖（Simple point featurehistograms，SPFH），再以其鄰域點(diǎn)Ak 作為新的查詢點(diǎn)計(jì)算其對(duì)應(yīng)的SPFH，最后加權(quán)得到A_q 的最終FPFH 特征值。圖4 為查詢點(diǎn)A_q 的FPFH 鄰域影響圖。以r 為半徑搜索A_q 的鄰域（圖4 中虛線圓）內(nèi)的k 個(gè)鄰域點(diǎn)形成星型圖關(guān)系（圖4 中紅線所示），根據(jù)星型圖中邊的關(guān)系計(jì)算其SPFH，再從每個(gè)鄰域點(diǎn)出發(fā)重新確定各自的鄰域并計(jì)算其SPFH 值，最后加權(quán)得到A_q 的FPFH 值。FPFH計(jì)算中舍棄了一些鄰域點(diǎn)之間的關(guān)系，不過額外引入半徑r 范圍以外的點(diǎn)對(duì)間的關(guān)系（在2r 內(nèi)），極大地簡(jiǎn)化了PFH 的計(jì)算效率，其計(jì)算的時(shí)間復(fù)雜度降為O（nk）。

2.1.3 采樣一致性初始配準(zhǔn)算法

相對(duì)于迭代最近點(diǎn)算法（ICP）容易產(chǎn)生局部最優(yōu)解、運(yùn)算效率慢的問題，本研究在初始配準(zhǔn)階段使用采樣一致性初始配準(zhǔn)算法（Sampleconsensus initial alignment，SAC-IA），其基本思路如下：

1）采樣點(diǎn)的選?。簭臒o人機(jī)地面點(diǎn)云U 中選取n 個(gè)點(diǎn)作為采樣點(diǎn)，需滿足在n 個(gè)點(diǎn)中兩兩之間的距離大于給定的距離閾值d_min，確保選取FPFH 特征不同的采樣點(diǎn)。

2）匹配采樣點(diǎn)的對(duì)應(yīng)點(diǎn)：從地基地面點(diǎn)云T中搜索與無人機(jī)地面點(diǎn)云U 中采樣點(diǎn)FPFH 特征相似的點(diǎn)作為對(duì)應(yīng)點(diǎn)。

2.3 配準(zhǔn)精度評(píng)價(jià)

為驗(yàn)證本研究提出的多源LiDAR 點(diǎn)云融合算法的精度，將算法分別應(yīng)用于蒙古櫟、樟子松人工林樣地進(jìn)行配準(zhǔn)試驗(yàn)，并采用兩種方法評(píng)估算法的配準(zhǔn)精度。其一是根據(jù)融合點(diǎn)云的三維可視化效果圖進(jìn)行目視解譯評(píng)估；其二是計(jì)算配準(zhǔn)后樣地內(nèi)對(duì)應(yīng)樹木的水平偏移距離進(jìn)行評(píng)估。第一種方法是觀察配準(zhǔn)后的樣地點(diǎn)云融合效果，為了更加直觀清晰地觀察配準(zhǔn)效果，從兩塊樣地中各隨機(jī)選取了邊長(zhǎng)為5 m 的正方形樣方作為感興趣區(qū)，從單木尺度上來輔助觀察配準(zhǔn)結(jié)果。第二種方法是通過計(jì)算樣地融合點(diǎn)云的對(duì)應(yīng)樹木位置在水平方向上的偏移距離來評(píng)價(jià)算法的配準(zhǔn)精度，無人機(jī)LiDAR 點(diǎn)云樹干中心位置的水平投影坐標(biāo)記為（X_U，Y_U），地基LiDAR 點(diǎn)云樹干中心位置的水平投影位置坐標(biāo)記為（X_T，Y_T），偏移距離D的計(jì)算公式如式（11）所示：

3 結(jié)果與分析

3.1 初始配準(zhǔn)結(jié)果

本研究采用改進(jìn)的漸進(jìn)加密三角網(wǎng)濾波算法，其中有三個(gè)閾值參數(shù)較重要，分別是迭代距離、迭代角度和三角形邊長(zhǎng)。在迭代待分類點(diǎn)加入地面三角網(wǎng)的過程中，迭代距離指的是當(dāng)前待分類點(diǎn)與三角網(wǎng)中對(duì)應(yīng)三角形的距離。迭代角度指的是當(dāng)前待分類點(diǎn)與已加入到三角網(wǎng)中的地面點(diǎn)之間的角度，當(dāng)?shù)匦纹露绕鸱^大時(shí)，可以適當(dāng)提高該閾值。三角形邊長(zhǎng)指的是當(dāng)前待分類點(diǎn)在三角網(wǎng)中的對(duì)應(yīng)三角形邊長(zhǎng)，當(dāng)三角形邊長(zhǎng)小于該閾值時(shí)停止加密三角網(wǎng)，可通過減小此值得到較稠密的地面點(diǎn)云，反之，則可得到稀疏的地面點(diǎn)云。經(jīng)過多次試驗(yàn)，迭代距離為1 m，迭代角度為8°，三角形邊長(zhǎng)為0.1 m，地面點(diǎn)濾波的效果最佳。地面點(diǎn)濾波如圖5 ～ 6 所示。

地面點(diǎn)濾波之后，分別對(duì)生成的無人機(jī)地面點(diǎn)云以及地基地面點(diǎn)云進(jìn)行FPFH 特征提取，圖7表示的是采樣閾值為5 cm 時(shí)，地面點(diǎn)云的FPFH特征可視化直方圖，其中無人機(jī)地面點(diǎn)云是源點(diǎn)云，地基地面點(diǎn)云是目標(biāo)點(diǎn)云，橫軸表示直方圖的33 個(gè)統(tǒng)計(jì)子區(qū)間，縱軸表示點(diǎn)云數(shù)據(jù)落到對(duì)應(yīng)子區(qū)間的比率，其中每11 個(gè)子區(qū)間的比率之和為100%。從直方圖可以觀察到，無人機(jī)地面點(diǎn)云和地基地面點(diǎn)云具有相似的FPFH 特征，可根據(jù)FPFH 特征相似的點(diǎn)來確定匹配關(guān)系。圖8 表示無人機(jī)地面點(diǎn)云和地基地面點(diǎn)云進(jìn)行FPFH 特征匹配的結(jié)果，基于對(duì)應(yīng)點(diǎn)的FPFH 特征使用SAC-IA 算法得到旋轉(zhuǎn)變換矩陣，從而完成地面點(diǎn)云以及原始點(diǎn)云的初始配準(zhǔn)。從圖9 中可以觀察到，藍(lán)色代表無人機(jī)地面點(diǎn)云，黃色代表地基地面點(diǎn)云，兩者空間位置基本重合。

3.2 精細(xì)配準(zhǔn)結(jié)果

首先對(duì)初始配準(zhǔn)后的無人機(jī)點(diǎn)云和地基點(diǎn)云進(jìn)行高程歸一化，然后利用直通濾波算法截取高度為2.0 ～ 2.3 m 的樹干點(diǎn)云區(qū)域（圖10），最后使用RANSAC 圓柱擬合算法提取樹干點(diǎn)云，并計(jì)算樹干點(diǎn)云的水平投影中心位置坐標(biāo)，并將該坐標(biāo)作為樹木位置點(diǎn)分別構(gòu)造2 個(gè)Delaunay 三角網(wǎng)，結(jié)果如圖11 所示。由圖11 可知，左圖為無人機(jī)點(diǎn)云樹木位置點(diǎn)生成的D- 三角網(wǎng)，右圖為地基點(diǎn)云樹木位置點(diǎn)生成的D- 三角網(wǎng)，可以看到2 個(gè)三角網(wǎng)的形狀分布大致相同。從相似度矩陣中搜索相似度值大于0.85的三角形對(duì)作為同名三角形對(duì)，并使用奇異值分解法可得到旋轉(zhuǎn)平移矩陣。然后利用旋轉(zhuǎn)平移矩陣對(duì)初始配準(zhǔn)后的無人機(jī)點(diǎn)云作旋轉(zhuǎn)平移變換，可得到配準(zhǔn)后的融合點(diǎn)云。圖12中藍(lán)色部分代表無人機(jī)點(diǎn)云，黃色部分代表地基點(diǎn)云，可以觀察到，無人機(jī)點(diǎn)云和地基點(diǎn)云大體上相互重疊，在地面、樹干以及樹冠部分，無人機(jī)點(diǎn)云和地基點(diǎn)云相互補(bǔ)充。

3.3 配準(zhǔn)效果和精度

3.3.1 配準(zhǔn)效果

為了更好地觀察樣地內(nèi)部點(diǎn)云的配準(zhǔn)融合效果，分別從蒙古櫟、樟子松樣地隨機(jī)選取了5 m×5 m的小樣方作為輔助觀察區(qū)進(jìn)行目視解譯。圖13 分別表示了蒙古櫟和樟子松樣地的內(nèi)部區(qū)域的融合效果，其中藍(lán)色的無人機(jī)點(diǎn)云和黃色的地基點(diǎn)云相互補(bǔ)充。圖13a 所示的蒙古櫟樣地?zé)o人機(jī)樹木點(diǎn)云更加清晰可見，這是由于無人機(jī)點(diǎn)云數(shù)據(jù)采集時(shí)，蒙古櫟闊葉林處于落葉期，樟子松針葉林未落葉，無人機(jī)激光雷達(dá)獲取了相對(duì)完整的地面點(diǎn)云和樹干點(diǎn)云。圖13b 所示的樟子松樣地的無人機(jī)點(diǎn)云補(bǔ)充了地基點(diǎn)云上層樹冠部分的缺失。整體來看，蒙古櫟和樟子松樣地的無人機(jī)點(diǎn)云和地基點(diǎn)云均得到了有效配準(zhǔn)。

3.3.2 配準(zhǔn)精度

為了評(píng)價(jià)算法的配準(zhǔn)效果，本研究采用計(jì)算蒙古櫟和樟子松樣地內(nèi)部對(duì)應(yīng)樹木位置的水平偏移距離來表示配準(zhǔn)精度。其中（X_U，Y_U）代表無人機(jī)點(diǎn)云中樹干中心點(diǎn)的水平投影坐標(biāo)，（X_T，Y_T）代表與之對(duì)應(yīng)的地基點(diǎn)云中樹干中心點(diǎn)的水平投影坐標(biāo)。樹木位置偏移量的統(tǒng)計(jì)結(jié)果匯總在表2 ～ 3 中。其中蒙古櫟樣地樹木水平偏移距離的均值、最大值和最小值分別為0.173、0.278 和0.076 m；樟子松樣地樹木水平偏移距離的均值、最大值和最小值分別為0.283、0.540 和0.114 m。此外，王楚虹等人[14]的研究融合了UAV-LiDAR 和HMLS 點(diǎn)云數(shù)據(jù)，其蒙古櫟和樟子松的配準(zhǔn)精度分別為0.25 和0.19 m，與本研究的配準(zhǔn)精度相當(dāng)。

4 討論

針對(duì)林區(qū)多源激光雷達(dá)點(diǎn)云傳統(tǒng)配準(zhǔn)特征缺乏的問題，本研究考量了林區(qū)樹木點(diǎn)云難以提取關(guān)鍵點(diǎn)特征進(jìn)行配準(zhǔn)的特點(diǎn)，通過聯(lián)合無人機(jī)平臺(tái)點(diǎn)云和地基平臺(tái)點(diǎn)云的不同優(yōu)勢(shì)，選取了地面點(diǎn)云和樹木位置作為配準(zhǔn)的特征基元，并采用由粗到細(xì)的逐步配準(zhǔn)方法，實(shí)現(xiàn)了無人機(jī)激光點(diǎn)云和地基激光點(diǎn)云的精準(zhǔn)融合，為進(jìn)一步精確獲取森林結(jié)構(gòu)參數(shù)奠定了數(shù)據(jù)基礎(chǔ)。

從配準(zhǔn)結(jié)果來看，蒙古櫟樣地的配準(zhǔn)效果明顯要優(yōu)于樟子松樣地。FPFH 特征匹配存在部分錯(cuò)誤的對(duì)應(yīng)關(guān)系，導(dǎo)致初始配準(zhǔn)存在一定的誤差。為消除這種誤差，還需進(jìn)一步精細(xì)配準(zhǔn)?；贔PFH 算法和SAC-IA 算法相結(jié)合的林區(qū)地面點(diǎn)初始配準(zhǔn)方法，適用于點(diǎn)云之間地面點(diǎn)高度重疊或相似的區(qū)域。如果重疊度太低，造成對(duì)應(yīng)點(diǎn)之間的匹配關(guān)系太弱，就會(huì)影響初始配準(zhǔn)的精度。較高的地面點(diǎn)相似度是進(jìn)行初始配準(zhǔn)的前提，理論上，無人機(jī)地面點(diǎn)云和地基地面點(diǎn)云具有足夠高的相似度，點(diǎn)云就會(huì)直接完成配準(zhǔn)。樹木是森林組成的基本元素，樹木位置本身也是森林的重要特征，本研究通過利用不同平臺(tái)獲取的LiDAR 點(diǎn)云數(shù)據(jù)中的樹木位置作為配準(zhǔn)基元，在一定程度上解決了林區(qū)點(diǎn)云配準(zhǔn)特征缺乏的問題。劉清等[13] 將無人機(jī)點(diǎn)云單木分割后的樹冠頂點(diǎn)位置與地基點(diǎn)云圓柱擬合后得到的樹干位置作為配準(zhǔn)基元，分別構(gòu)造特征三角形并尋找同名三角形對(duì)，進(jìn)而完成無人機(jī)和地基點(diǎn)云的配準(zhǔn)。該方法的平均配準(zhǔn)精度為0.31 m。Guan 等[15] 將無人機(jī)點(diǎn)云和地基點(diǎn)云進(jìn)行單木分割，分別獲取的無人機(jī)點(diǎn)云中的樹冠頂點(diǎn)位置和地基點(diǎn)云中的樹木位置作為配準(zhǔn)基元進(jìn)行配準(zhǔn)，其水平配準(zhǔn)精度為0.30 m。與上述方法相比，本研究提出的方法在蒙古櫟和蒙古櫟樣地的配準(zhǔn)精度分別為0.173 和0.283 m，表現(xiàn)優(yōu)于以樹冠頂點(diǎn)作為樹木位置的方法。傳統(tǒng)的以機(jī)載點(diǎn)云單木分割提取的樹冠頂點(diǎn)位置和地基點(diǎn)云提取的樹木位置作為配準(zhǔn)基元進(jìn)行配準(zhǔn)的方法，會(huì)由于這兩者本身的空間位置偏差影響配準(zhǔn)精度。本文中借助無人機(jī)高密度點(diǎn)云對(duì)低郁閉度林地林下環(huán)境的精細(xì)描繪，選取無人機(jī)和地基點(diǎn)云相同高度處的樹干點(diǎn)云位置作為配準(zhǔn)基元，提出了一種結(jié)合樹木相對(duì)位置不變的特征構(gòu)造Delaunay 三角網(wǎng)，并采取迭代的方式逐個(gè)計(jì)算三角形之間的相似度以尋找同名點(diǎn)進(jìn)行精細(xì)配準(zhǔn)的方法，雖有效實(shí)現(xiàn)了林區(qū)無人機(jī)和地基點(diǎn)云的配準(zhǔn)，但當(dāng)應(yīng)用于大尺度樣地時(shí)該方法的時(shí)間成本也會(huì)更高。

本研究提出的點(diǎn)云配準(zhǔn)算法為林業(yè)中多源激光雷達(dá)點(diǎn)云的聯(lián)合使用提供了新的方案。與單一平臺(tái)點(diǎn)云相比，該方法能更全面、詳細(xì)地獲取單木尺度的結(jié)構(gòu)參數(shù)，有助于提高森林參數(shù)信息的估測(cè)精度。然而，仍然存在以下幾個(gè)問題需要進(jìn)一步改進(jìn)：1）本研究區(qū)域的森林類型為人工林，地形平坦，林分結(jié)構(gòu)相對(duì)簡(jiǎn)單。在環(huán)境復(fù)雜、樹種類型更加豐富的天然林地區(qū)，本算法的適用性有待進(jìn)一步驗(yàn)證，以確保其在不同森林類型下的準(zhǔn)確性和魯棒性。2）無人機(jī)點(diǎn)云數(shù)據(jù)采集時(shí)，蒙古櫟處于落葉期，無人機(jī)激光雷達(dá)獲取了相對(duì)完整的地面點(diǎn)云和樹干點(diǎn)云。針對(duì)未落葉的樟子松樣地的點(diǎn)云融合效果，還需要進(jìn)一步的研究，以提高算法在不同季節(jié)和樹種條件下的適用性。

3）在融合點(diǎn)云的基礎(chǔ)上，需要進(jìn)一步研究和開發(fā)適用于不同場(chǎng)景的單木分割方法，以準(zhǔn)確提取單木結(jié)構(gòu)參數(shù)。此外，還需要深入探索基于融合點(diǎn)云反演森林參數(shù)的方法，以提高森林資源調(diào)查和監(jiān)測(cè)的精確性和效率。

5 結(jié)論

激光雷達(dá)是一種主動(dòng)非接觸式的遙感技術(shù)，在林業(yè)中應(yīng)用廣泛，UAV 和TLS 提供了互補(bǔ)的數(shù)據(jù)采集視角，二者的融合有利于消除各自的掃描盲區(qū)，得到完整真實(shí)的森林三維垂直結(jié)構(gòu)信息，從而克服單一平臺(tái)帶來的森林樹木點(diǎn)云信息獲取不完整的局限性。本文中提出了一種基于地面點(diǎn)云的FPFH 特征和樹木位置關(guān)系的無人機(jī)平臺(tái)點(diǎn)云和地基平臺(tái)點(diǎn)云的配準(zhǔn)方法，該方法在蒙古櫟樣地和樟子松樣地進(jìn)行驗(yàn)證。配準(zhǔn)結(jié)果表明，蒙古櫟樣地樹木水平偏移距離的平均值為0.173 m，樟子松樣地樹木水平偏移距離的平均值為0.283 m。本方法實(shí)現(xiàn)了林區(qū)無人機(jī)激光點(diǎn)云和地基激光點(diǎn)云的精準(zhǔn)融合。這一研究成果可為后續(xù)樹木構(gòu)型參數(shù)的提取提供數(shù)據(jù)基礎(chǔ)，為聯(lián)合多源激光雷達(dá)技術(shù)深入林業(yè)應(yīng)用提供有力的技術(shù)支撐。

[ 本文編校：謝榮秀]