基于車載三維激光雷達的玉米點云數(shù)據(jù)濾波算法

張 漫 苗艷龍 仇瑞承 季宇寒 李 寒 李民贊

(1.中國農(nóng)業(yè)大學現(xiàn)代精細農(nóng)業(yè)系統(tǒng)集成研究教育部重點實驗室， 北京 100083;2.中國農(nóng)業(yè)大學農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息獲取技術(shù)重點實驗室， 北京 100083)

0 引言

作物表型是特定的基因在一定環(huán)境條件下的外在表現(xiàn)，是內(nèi)在基因和外部環(huán)境共同作用的結(jié)果。作物表型與基因信息之間的關(guān)系是作物育種的重要研究課題，隨著現(xiàn)代作物基因技術(shù)飛速發(fā)展，傳統(tǒng)的作物表型測量技術(shù)已經(jīng)嚴重制約了育種技術(shù)的發(fā)展[1-2]。因此，使用立體相機、深度相機和激光雷達等傳感器測量作物表型參數(shù)研究得到高度重視。數(shù)字植物可以實現(xiàn)農(nóng)業(yè)生產(chǎn)的數(shù)字化和信息化，在株型設(shè)計和種植規(guī)劃等方面具有廣泛的應(yīng)用前景[3]。

作物表型測量和數(shù)字植物面臨的首要問題是使用傳感器采集作物三維數(shù)據(jù)信息，并對數(shù)據(jù)進行濾波處理。目前獲取作物三維數(shù)據(jù)的方法主要有使用立體相機、深度相機和高精度三維激光掃描儀等。在室內(nèi)環(huán)境下，立體視覺技術(shù)可以快速、高效、準確地獲取作物的表型信息[4-7]，但在田間應(yīng)用時會因光照和風等環(huán)境因素的影響而無法工作。另外，表型信息采集的過程雖然是無損的，但將樣本采集到實驗室卻是破壞性的，并且在運輸過程中不能保證作物表型參數(shù)前后的一致性。

Kinect深度相機是一款價格便宜的體感設(shè)備，可以獲取作物的深度信息，生成三維點云數(shù)據(jù)。仇瑞承等[8]使用Kinect相機采集玉米的彩色和深度信息，并測量玉米的株高。何東健等[9]通過Kinect相機采集玉米和茄子的三維點云數(shù)據(jù)，并提出了一種基于密度分析和深度數(shù)據(jù)雙邊濾波的方法。夏春華等[10]使用Kinect相機在室內(nèi)采集了番茄的三維點云數(shù)據(jù)，并采用改進密度分析算法和雙邊濾波算法去除離群點。以上研究多以室內(nèi)為主，存在受外界光照和風的影響較大和分辨率低等問題。

高精度三維激光掃描儀受外界光照的影響小，可以提供作物的三維結(jié)構(gòu)信息，具有精度高、掃描速度快等優(yōu)點[11-16]。地面三維激光雷達價格昂貴，點云數(shù)據(jù)量大，并且覆蓋樣本量少，無法在運動中采集數(shù)據(jù)。為解決這一問題，機載激光雷達被用于采集作物的三維點云信息。蘇偉等[17]對機載雷達采集的數(shù)據(jù)進行TIN算法濾波和隨機采樣一致性算法分割，提取了植被樹木和電力塔等飛行障礙物。針對航空三維點云數(shù)據(jù)的濾波算法，還有一些學者取得了一定的成果[18-22]。機載激光雷達測量范圍廣，但是測量精度低，穩(wěn)定性不足。

車載多層三維激光雷達可以避免光照的影響，快速獲得精度較高的三維點云數(shù)據(jù)，且測量范圍廣，同時設(shè)備價格適中，是作物表型測量和數(shù)字植物的研究熱點。EHLERT等[23-24]使用車載4層三維激光雷達測量了冬小麥的株高。獲取高精度的三維點云數(shù)據(jù)是提高表型測量的前提，在獲取的原始點云數(shù)據(jù)基礎(chǔ)上進行濾波處理，濾除地面點、離群點和設(shè)備自身原因產(chǎn)生的噪聲，獲得高精度的三維點云數(shù)據(jù)。濾波處理的結(jié)果直接影響之后的特征提取、匹配和三維重建等處理。目前對車載三維激光雷達運動過程中采集的點云數(shù)據(jù)濾波的研究相對較少。激光雷達點云屬于線狀點云，點云類型不同，在數(shù)據(jù)濾波及離群點數(shù)據(jù)去除方法等方面也有所不同。

本文以大喇叭口期的玉米為研究對象，使用車載16層三維激光雷達采集點云數(shù)據(jù)，開展點云數(shù)據(jù)濾波算法研究。在對三維點云數(shù)據(jù)進行預(yù)處理的基礎(chǔ)上，針對不同的離群點，提出一種基于統(tǒng)計分析去除三維點云數(shù)據(jù)離群點的兩次濾波算法。對非冠層殘缺的葉片點云和冠層葉片邊緣的噪聲進行分步去除，為后續(xù)作物表型參數(shù)測量和植物數(shù)字化提供高精度三維點云數(shù)據(jù)。

1 材料與方法

1.1 試驗材料

選用Velodyne LiDAR公司的VLP-16型三維激光雷達作為信息采集設(shè)備，VLP-16型三維激光雷達每秒可以采集30萬個點，采集頻率5～20 Hz，水平視角范圍360°，分辨率0.1°～0.4°；垂直視角范圍30°，分辨率2°；測量范圍0.5～100 m。使用VeloView軟件采集玉米生長期的三維點云數(shù)據(jù)。在Windows 7操作系統(tǒng)下，以Visual Studio 2013為平臺，安裝點云庫PCL1.8.0(Point Cloud Library)和Cmake3.8.0，使用C++語言編程實現(xiàn)。

試驗地點為北京市中國農(nóng)業(yè)大學上莊實驗站。試驗時間為2017年7月13日09:00—11:00，玉米品種為農(nóng)大84和京農(nóng)科728，其中，農(nóng)大84為舒展型品種，京農(nóng)科728為緊湊型品種。行間距為90 cm，株間距為30 cm，生長期為大喇叭口期。VLP-16型三維激光雷達安裝在車載測量平臺頂端，如圖1所示。垂直采集玉米三維點云數(shù)據(jù)，其與玉米冠層頂端的距離約為60 cm。車載測量平臺以1 m/s左右的速度向前行進，VeloView軟件同時采集三維點云數(shù)據(jù)，存儲為.pcap格式，用于后續(xù)處理。本次試驗共計采集了60株玉米。

1.2 三維點云數(shù)據(jù)處理

對采集的玉米三維點云數(shù)據(jù)首先進行預(yù)處理，主要是去除其他玉米植株和地面點云數(shù)據(jù)。預(yù)處理后的點云數(shù)據(jù)還存在非冠層殘缺葉片的點云數(shù)據(jù)和冠層邊緣的噪聲。因VLP-16型激光雷達采集的數(shù)據(jù)在水平和垂直方向數(shù)據(jù)點的密度不同，常用的濾波算法難以適用于這種形式的數(shù)據(jù)。因此，根據(jù)點云及去除點的特征，提出一種基于統(tǒng)計分析去除離群點的兩次濾波算法。

1.2.1三維點云預(yù)處理方法

使用VeloView軟件在田間獲取的三維點云數(shù)據(jù)為.pcap格式，且連續(xù)播放。點云庫PCL1.8.0無法讀取.pcap格式的數(shù)據(jù)，需要先將數(shù)據(jù)轉(zhuǎn)換為.pcd格式數(shù)據(jù)，并且拆分為每幀都可以單獨讀取。在每幀三維點云數(shù)據(jù)中，非試驗行玉米植株、測量平臺和地面的點云數(shù)據(jù)占有比較大的比例，對后續(xù)處理無用，且影響處理時間。因此，采用簡單快速的直通濾波法去除非試驗行玉米植株、測量平臺和地面的點云數(shù)據(jù)。在田間采集試驗時，測量VLP-16型雷達的安裝位置與其到地面的距離，通過這些數(shù)據(jù)確定玉米的三維空間范圍，分別設(shè)置點云坐標X、Y、Z的閾值范圍。進行預(yù)處理后，再進行后續(xù)濾波處理。

1.2.2精度評價標準

引用分類算法中的評價指標來優(yōu)選濾波算法中k和α(k為臨近點個數(shù)，α為標準差倍數(shù))的值。對預(yù)處理之后的數(shù)據(jù)人工標定為離群點和保留點，即實際類別中的實際正例和實際負例。通過濾波算法判斷的離群點和保留點為預(yù)測類別中的正例和負例。選用精確率(Precision)和召回率(Recall)來定量評價濾波的品質(zhì)[25]，其計算公式為

P=TP/(TP+FP)

(1)

R=TP/(TP+FN)

(2)

式中P——精確率R——召回率

TP——正確劃分為正例的個數(shù)

FP——錯誤劃分為正例的個數(shù)

FN——錯誤劃分為負例的個數(shù)

通過設(shè)置兩次濾波的精確率和召回率閾值，縮小k和α的取值范圍。在第1次濾波試驗中，選取幾個k和α組合，使用這些組合的保留點進行第2次濾波試驗。最終選取3種組合：第1組為平均精確率與平均召回率和最大的k和α組合；第2組為平均召回率大于0.85，平均精確率最大的k和α組合；第3組為平均精確率大于0.85，平均召回率最大的k和α的組合。

1.2.3三維點云數(shù)據(jù)兩次濾波算法

經(jīng)過預(yù)處理的玉米三維點云數(shù)據(jù)仍然具有非冠層殘缺葉片點云和葉片邊緣離群點兩類噪聲。VLP-16型激光雷達采集的三維點云數(shù)據(jù)是由16根線狀的雷達點云組成，在水平方向數(shù)據(jù)點非常密集，而在垂直方向卻相當稀疏，只有16個數(shù)據(jù)點。不同于地面激光雷達和Kinect相機，這兩個傳感器采集的三維點云數(shù)據(jù)是陣列式的，水平和垂直方向數(shù)據(jù)點的密度相同。常用的基于三角網(wǎng)的濾波法、數(shù)學形態(tài)學的濾波算法和曲率統(tǒng)計的三維點云濾波算法，算法復雜，且很難適用線狀稀疏三維點云數(shù)據(jù)。根據(jù)點云數(shù)據(jù)中存在的這兩類噪聲，提出一種基于統(tǒng)計分析的兩次濾波算法，通過設(shè)置和修改統(tǒng)計分析算法的參數(shù)去除非冠層殘缺葉片點云和葉片邊緣的離群點。

統(tǒng)計分析算法[26-27]首先輸入點云；設(shè)置點云中每個點的鄰域大小，即鄰域中臨近點的個數(shù)k；計算每個點pi(xi,yi,zi) (i=1, 2,…,n)到它鄰域中每一個臨近點pj(xj,yj,zj) (j=1, 2,…,k)的平均距離di，計算式為

(3)

每個點的平均距離如果符合正態(tài)分布，全局鄰域平均距離的均值μ和標準差σ計算公式為

(4)

(5)

式中n——整個點云個數(shù)

μ——鄰域平均距離均值

σ——標準差

點云中平均距離di大于μ+ασ取值范圍內(nèi)的點定義為離群點。

根據(jù)玉米三維點云試驗結(jié)果知臨近點個數(shù)k和標準差倍數(shù)α決定離群點的數(shù)量和分布的空間位置。在離群點數(shù)量上，首先由α決定離群點的基數(shù)，k決定變化趨勢，如圖2所示。當k不變時，離群點的基數(shù)數(shù)量隨著α的增大而減少。當α不變時，且α取值范圍在[0.1,1.6]內(nèi)，離群點的數(shù)量基本隨著k的增大而增多，只有在k值為1～2或256～512時，部分離群點數(shù)量出現(xiàn)減少。當α不變時，且α取值范圍在[1.7, 1.9]內(nèi)，離群點數(shù)量則呈現(xiàn)先減少后增加又減少的變化趨勢。在離群點分布的空間位置上，由k決定離群點分布的輪廓形狀，α決定輪廓形狀的寬度。當α固定時，k值較小時離群點零散地分布在點云的各個位置，隨著k值增大，離群點會聚集在邊緣小塊的點云；k值越大，被認為是離群點的點云塊越大，即離群點分布空間大、數(shù)量多；當k值固定時，α越小，輪廓的寬度越大，如圖3所示。

圖2 離群點數(shù)量與k和α關(guān)系Fig.2 Relationship of number of outliers and k and α

圖3 離群點空間分布與k和α關(guān)系Fig.3 Relationship of spatial distribution of outliers and k and α

根據(jù)統(tǒng)計分析算法兩個參數(shù)的不同取值會濾除不同的離群點，契合玉米三維點云數(shù)據(jù)中兩類噪聲的特點，可以選取不同的參數(shù)進行兩次濾波。第1次濾波去除的噪聲點是非冠層殘缺葉片點云。這類點云呈塊狀分布，每塊點云的數(shù)量在幾十個。點云在塊狀內(nèi)部彼此之間的距離很近，但是塊狀點云之間的距離較遠，尤其是距離最大的塊狀點云(玉米冠層點云)距離遠。因此從較大的k值中選取適合點云塊的值，并尋找合適的α值決定輪廓的寬度，避免去噪不完整或過度去噪。第2次濾波去除的噪聲點是葉片邊緣離群點。這類點云零散分布在玉米冠層葉片點云的附近，它們與其最近的幾個點云之間的距離較遠，然而整體與葉片點云塊距離較近。因而從較小的k值中選取合適的值，并通過比較選取合適的α值，去除葉片邊緣的離群點。

基于統(tǒng)計分析的兩次濾波算法流程如圖4所示。

圖4 基于統(tǒng)計分析的兩次濾波算法流程圖Fig.4 Flow chart of two times filtering algorithm based on statistical outlier removal

2 結(jié)果與分析

2.1 三維點云預(yù)處理

通過測量得VLP-16型激光雷達安裝位置距離邊緣車架大于0.5 m，雷達距離地面為2.9 m。設(shè)定點云坐標X、Y、Z的閾值分別為X[-0.5, 0.5]、Y[0.5, 2.0]、Z[-0.5, 0.5]。對兩個玉米品種的各25株三維點云數(shù)據(jù)分別進行直通濾波預(yù)處理。如圖5所示，直通濾波前有非試驗行玉米植株、測量平臺和地面的點云數(shù)據(jù)，濾波后這些非研究對象點云被很好地去除。點云的數(shù)量級從12 000降至1 700，減少了點云數(shù)量，節(jié)約后續(xù)處理的時間。

圖5 玉米點云直通濾波處理Fig.5 Maize point cloud pass filter processing

2.2 基于統(tǒng)計分析的第1次濾波

對標定后的20株京農(nóng)科728玉米點云數(shù)據(jù)進行一次濾波參數(shù)選取試驗。在參數(shù)選取試驗中需要根據(jù)精確率和召回率閾值人工選取結(jié)果，確定k和α的取值區(qū)間。根據(jù)基于統(tǒng)計濾波算法的經(jīng)驗，k初始值設(shè)置為50，每次增加0.6倍，上限為326；α初始值設(shè)置為0.1，每次累加0.1，上限為2；每一個k值都有20個α值與之對應(yīng)。通過設(shè)置P>0.8，同時R>0.5，進行一次濾波數(shù)據(jù)處理，選取k的取值區(qū)間為[50,160]，α的取值區(qū)間為[0.8,1.3]。為了進一步縮小k和α的取值區(qū)間，k初始值設(shè)置為50，每次增加10，上限為160；α初始值設(shè)置為0.8，每次累加0.1，上限為1.3。設(shè)置P>0.9，同時R>0.6，再進行一次濾波數(shù)據(jù)處理，選取k的取值區(qū)間為[90,110]，α的取值區(qū)間為[0.8,1.0]。求得取值區(qū)間內(nèi)所有k和α組合的平均精確率和平均召回率，如表1所示。

表1 第1次濾波平均精確率與平均召回率Tab.1 The first filtered average precision and recall

選取k和α組合進行第2次濾波，分別是平均精確率與平均召回率和最大的(90,0.8)，平均精確率最大的(90,1.0)，平均召回率最大的(110,0.8)；每行每列中平均精確率與平均召回率和最大的組合：(90,0.8)、(100,0.8)、(110,0.9)、(90,0.8)、(100,0.9)、(100,1.0)。去掉重復組合，共計7個k和α組合：(90,0.8)、(90,1.0)、(100,0.8)、(100,0.9)、(100,1.0)、(110,0.8)、(110,0.9)；保存這些組合的保留點數(shù)據(jù)依次為數(shù)據(jù)組1～7，每組數(shù)據(jù)都有20株玉米。記錄這些組合下的離群點個數(shù)、離群點中人工標定為離群點的個數(shù)和召回率。其中k和α組合為(90,0.8)的濾波效果如圖6所示。白色點云為第1次濾波保留點云，紅色點云為去除的非冠層殘缺的葉片點云，由非冠層葉片和殘缺葉片組成，呈塊狀分布，與冠層距離較遠，每塊點云數(shù)量在幾十個，主要位于非冠層部位。經(jīng)過該次濾波，平均點云數(shù)量從1 700降至1 400，去除離群點300個。

圖6 k和α組合為(90,0.8)的濾波效果Fig.6 Filtered effect of combination of k and α as (90,0.8)

2.3 基于統(tǒng)計分析的第2次濾波

對第1次濾波后的7組數(shù)據(jù)進行第2次濾波試驗。以k和α選取(90,0.8)為例說明試驗過程，其他6組進行相同的試驗。

讀入k和α選取(90,0.8)濾波后保存的數(shù)據(jù)，設(shè)置k的初始值為2，每次增加0.5倍，上限為50；設(shè)置α的初始值為0.1，每次累加0.1，上限為2。通過第1次濾波記錄的數(shù)據(jù)，計算整個算法的精確率和召回率，并設(shè)置P>0.85，同時R>0.85；進行1次濾波處理，選取k的取值區(qū)間為[3,13]，α的取值區(qū)間為[0.9,1.5]。為了進一步縮小k和α的取值區(qū)間，k初始值設(shè)置為3，每次增加1，上限為13；α初始值設(shè)置為0.9，每次累加0.1，上限為1.5。設(shè)置P>0.87，同時R>0.87，再進行1次濾波數(shù)據(jù)處理，選取k的取值區(qū)間為[4,9]，α的取值區(qū)間為[1,1.4]。計算取值區(qū)間內(nèi)所有k和α組合的平均精確率和平均召回率，找到平均精確率與平均召回率和的最大值，并記錄該k和α組合和該最大值。然后擴大k和α的取值范圍，查找平均召回率大于0.85，平均精確率最大的k和α組合；以及平均精確率大于0.85，平均召回率最大的k和α的組合。

經(jīng)過數(shù)據(jù)處理得到7組數(shù)據(jù)的平均精確率與平均召回率和的最大值及對應(yīng)的k和α的組合；平均召回率大于0.85，平均精確率最大值及對應(yīng)的k和α組合；平均精確率大于0.85，平均召回率最大值及對應(yīng)的k和α的組合，如表2所示。

表2 第2次濾波k和α組合及其平均精確率與平均召回率Tab.2 The second filtered k and α combination and average precision and recall

確定平均精確率與平均召回率和最大值，其兩次濾波k和α組合為(110,0.9)、(6,1.2)；確定平均召回率大于0.85，平均精確率最大值，其兩次濾波k和α組合為(100,1.0)、(6,1.2)；確定平均精確率大于0.85，平均召回率最大值，其兩次濾波k和α組合為(110,0.8)、(5,0.9)。兩次濾波組合為(110,0.9)、(6,1.2)的第2次濾波效果如圖7所示。白色點云為第2次濾波保留點云，紅色點云為去除的冠層葉片邊緣離群點，呈線狀分布，在葉片邊緣部位，數(shù)量在幾個。經(jīng)過該次濾波，平均點云數(shù)量從1 400降至1 300，去除離群點100個。

圖7 組合為(110,0.9)、(6,1.2)的第2次濾波效果圖Fig.7 The second filtering effect with combination of (110,0.9) and (6,1.2)

2.4 試驗驗證

驗證數(shù)據(jù)集包括3部分。一部分是參與濾波參數(shù)選取的6株玉米的其他幀點云數(shù)據(jù)，為驗證集A；其他兩部分是沒有參與濾波參數(shù)選取的數(shù)據(jù)，5株同一生長期京農(nóng)科728玉米點云數(shù)據(jù)，為驗證集B；5株同一生長期農(nóng)大84玉米點云數(shù)據(jù)，為驗證集C。驗證集數(shù)據(jù)的兩次濾波處理是自動完成的。

使用選取的兩次濾波k和α的組合(110,0.9)、(6,1.2)，處理驗證集數(shù)據(jù)分別得到其精確率和召回率，如表3所示。從表中數(shù)據(jù)可以計算出驗證集A的平均精確率為0.937、平均召回率為0.930；驗證集B的平均精確率為0.927、平均召回率為0.906；驗證集C的平均精確率為0.904、平均召回率為0.947?？梢钥闯觯瑓⑴c濾波參數(shù)選取的驗證集A的平均精確率和平均召回率之和略高于沒有參與濾波參數(shù)選取的驗證集B和C；不過驗證集B和C的平均精確率和平均召回率都大于0.9，滿足濾波要求。且驗證集C的平均精確率與平均召回率的和大于驗證集B，證明該兩次濾波參數(shù)組合在同一玉米品種內(nèi)可以通用，使用緊湊型玉米品種選取的該參數(shù)與舒展型玉米品種可以通用。

表3 兩次濾波k和α為(110,0.9)、(6,1.2)組合時驗證集 數(shù)據(jù)的精確率和召回率Tab.3 Precision and recall of verification set data when two times filter k and α were combination of (110, 0.9) and (6, 1.2)

使用選取的兩次濾波k和α的組合(100,1.0)、(6,1.2)，處理驗證集數(shù)據(jù)分別得到其精確率和召回率，如表4所示。從表中數(shù)據(jù)可以計算出驗證集A的平均精確率為0.949、平均召回率為0.851；驗證集B的平均精確率為0.934、平均召回率為0.872；驗證集C的平均精確率為0.910、平均召回率為0.924?？梢钥闯鲵炞C集A和B都可以確保濾波的平均召回率在0.85附近，并且平均精確率更高；不過驗證集C的平均精確率和召回率都大于0.90，偏離該兩次濾波k和α組合的要求。所以該組合在同一玉米品種的同一生長期可以通用，使用緊湊型玉米品種選取的該參數(shù)與舒展型玉米品種不可以通用。

表4 兩次濾波k和α為(100,1.0)、(6,1.2)組合時 驗證集數(shù)據(jù)的精確率和召回率Tab.4 Precision and recall of verification set data when two times filter k and α were combination of (100, 1.0) and (6, 1.2)

使用選取的兩次濾波k和α的組合(110,0.8)、(5,0.9)，處理驗證集數(shù)據(jù)分別得到其精確率和召回率，如表5所示。從表中數(shù)據(jù)可以計算出驗證集A的平均精確率為0.863、平均召回率為0.960；驗證集B的平均精確率為0.847、平均召回率為0.933；驗證集C的平均精確率為0.822、平均召回率為0.974。可以看出驗證集A和B的平均精確率都在0.85附近，并且平均召回率更高；但是驗證集C平均精確率偏離0.85較大，沒有滿足該兩次濾波k和α組合的要求。所以該組合在同一玉米品種的同一生長期可以通用，使用緊湊型玉米品種選取的該參數(shù)與舒展型玉米品種不可以通用。

表5 兩次濾波k和α為(110,0.8)、(5,0.9)組合時 驗證集數(shù)據(jù)的精確率和召回率Tab.5 Precision and recall of verification set data when two times filter k and α were combination of (110, 0.8) and (5, 0.9)

兩次濾波k和α的3種組合在不同品種、同一生長期的通用性有不同表現(xiàn)。原因可能是京農(nóng)科728是緊湊型植株，農(nóng)大84是舒展型植株。采集的玉米三維點云數(shù)據(jù)在空間分布上有相同點，也有明顯差別，相同點是京農(nóng)科728和農(nóng)大84點云數(shù)據(jù)都主要分布在玉米冠層；差別是京農(nóng)科728冠層數(shù)據(jù)占整個點云的比例低于農(nóng)大84。因為有點云數(shù)據(jù)都主要分布在冠層的相同點，所以在平均精確率與平均召回率和最大的組合可以通用；然而冠層點云占整個點云的比例不同，會導致京農(nóng)科728尋找到的邊際參數(shù)組合不適用于農(nóng)大84。

3 討論

本文僅針對一個生長期的玉米三維點云數(shù)據(jù)進行濾波研究，玉米點云在點個數(shù)和點密度變化很小，使用固定的k和α組合可以滿足基本要求。在后續(xù)研究中，為了進一步提高濾波的精確率、召回率和魯棒性，在玉米的同一生長期，應(yīng)根據(jù)點個數(shù)和點密度的微小變化對k和α值動態(tài)微調(diào)；不同生長期的玉米點云數(shù)據(jù)的點個數(shù)和點密度變化較大，k和α的組合應(yīng)根據(jù)不同的生長期進行動態(tài)變化。

經(jīng)過濾波處理后的數(shù)據(jù)，成功去除了兩類離群點，這對后續(xù)進行的特征提取、點云配準、三維重建和可視化有著重要作用。未經(jīng)濾波處理的點云直接進行特征提取，會導致點云匹配失敗，進而無法獲得多幀點云匹配后的數(shù)據(jù)。多幀點云匹配的數(shù)據(jù)與單幀點云數(shù)據(jù)相比，具有三維結(jié)構(gòu)信息更豐富、精度更高等優(yōu)點，這對于提高玉米株高、葉長、葉寬等表型參數(shù)的測量精度具有重要作用。

4 結(jié)論

(1)提出一種基于車載三維激光雷達采集的玉米點云數(shù)據(jù)的兩次濾波算法，并求出平均精確率與平均召回率和最大的k和α組合為(110,0.9)、(6,1.2)；平均召回率大于0.85，平均精確率最大的k和α組合為(100,1.0)、(6,1.2)；平均精確率大于0.85，平均召回率最大的k和α的組合為(110,0.8)、(5,0.9)。

(2)驗證試驗發(fā)現(xiàn)，平均精確率與平均召回率和最大的k和α組合可以在京農(nóng)科728和農(nóng)大84之間通用，其他兩組k和α的組合在京農(nóng)科728和農(nóng)大84之間不通用。