聯(lián)合UAV-LiDAR和HMLS技術的森林樣地點云數(shù)據(jù)融合

王楚虹，劉浩然，鐘 浩，林文樹

（東北林業(yè)大學 工程技術學院，黑龍江 哈爾濱 150040）

激光雷達作為一種高精度的主動遙感技術，在林業(yè)應用領域具有傳統(tǒng)光學遙感無可替代的優(yōu)勢[1-3]。按照平臺的不同，激光雷達主要分為星載激光雷達、機載激光雷達、車載激光雷達及地基激光雷達等[4]。單一激光雷達技術平臺測量森林結構參數(shù)時具有一定局限性，如地面移動激光雷達技術可快速準確地獲得樹干點云數(shù)據(jù)信息，但對于樹冠點云信息的獲得存在一定缺失，而無人機激光雷達技術雖然可以有效獲取林分冠層信息，但對于樹干點云信息卻無法做到精確獲取。因此，要利用激光雷達技術同時獲取森林的水平和垂直結構信息，就需要進行多源遙感平臺數(shù)據(jù)的融合來彌補單一激光雷達點云數(shù)據(jù)在林業(yè)中應用的技術瓶頸。

目前已經(jīng)有相關學者將遙感影像作為激光雷達數(shù)據(jù)的補充應用于森林參數(shù)提取及三維模型建立中，其中部分研究是將遙感影像與激光雷達點云數(shù)據(jù)配準后進行聯(lián)合應用。張吳明等[5]基于人為設置控制點的方法將無人機影像與地基激光雷達數(shù)據(jù)進行配準，并轉(zhuǎn)換為在同一坐標系下的點云，以此提取樹高。曹明蘭等[6]將無人機傾斜影像生成密集點云后，使用迭代最近點（ICP,Iterative Closest Point）算法將密集點云與背包式三維激光掃描系統(tǒng)獲取的點云配準，并構建三維模型，使2 種技術實現(xiàn)了優(yōu)勢互補。李丹[7]采用聯(lián)合地基激光雷達與機載成像激光雷達的方法對森林參數(shù)進行提取，并以地基提取的 DEM 為基準，對機載影像解算的 DSM 進行地理坐標配準。激光雷達數(shù)據(jù)聯(lián)合無需配準的同參考坐標系下的平臺影像數(shù)據(jù)也可以有效提高森林參數(shù)獲取的精度。駱社周等[8]處理星載激光雷達GLAS 數(shù)據(jù)建立反演森林葉面積指數(shù)模型，并利用神經(jīng)網(wǎng)絡融合星載激光雷達GLAS 與TM 光學遙感數(shù)據(jù)，以此實行區(qū)域連續(xù)高精度森林葉面積指數(shù)的反演，為生態(tài)環(huán)境研究精準輸入?yún)?shù)提供了新思路。云增鑫等[9]利用航空激光雷達數(shù)據(jù)對高光譜數(shù)據(jù)進行林下植被信息的剔除，研究發(fā)現(xiàn)處理后的高光譜遙感影像能夠有效改善森林冠層有效葉面積指數(shù)的估算精度。

不同平臺的激光雷達點云數(shù)據(jù)也可以相互補充，因而有學者針對無標識不同平臺激光雷達點云數(shù)據(jù)的融合進行了研究。2017年，Paris 等[10]利用基于點云數(shù)據(jù)柵格化的圖像配準方法實現(xiàn)了地基和機載點云數(shù)據(jù)融合，但該方法適用于樹木形狀不規(guī)則的且較為開闊的林區(qū)，算法復雜度高。Polewski 等[11]使用模擬退火算法對二維樹的位置點之間相對距離進行比較，完成地面移動激光雷達點云數(shù)據(jù)與空中激光雷達點云數(shù)據(jù)的配準，精度較好。Guan 等[12]提出了一種多平臺激光雷達數(shù)據(jù)自動配準框架，即建立不規(guī)則三角網(wǎng)并通過三角形相似度投票策略來完成粗配準，為無人機激光雷達與地面移動激光雷達森林點云數(shù)據(jù)的融合提出了有效解決方法。Dai 等[13]通過樹冠密度分析來融合機載激光掃描和地面激光掃描的森林點云，利用均值偏移法提取基于模型的關鍵點，并利用最大似然估計對關鍵點進行排序，該方法避免了對森林點云的幾何描述。

隨著以地面手持式、背包式及無人機為平臺的輕小型激光雷達掃描系統(tǒng)的快速發(fā)展[14]，其在林業(yè)中的應用也越來越廣泛。目前，基于地面移動與無人機平臺的林地點云數(shù)據(jù)配準研究尚在起步階段，大多數(shù)地空平臺的激光雷達點云數(shù)據(jù)融合研究多應用于城市建筑方面[15-17]，而在林業(yè)應用方面的研究較少。另外，林業(yè)激光雷達點云數(shù)據(jù)配準中，部分研究通過利用周圍建筑物或設立明顯標志物完成[18]，選擇的森林樣地中林分也比較稀疏。因此面對復雜的林分環(huán)境，在不易設立地面標志物的情況下，如何將地面移動激光雷達數(shù)據(jù)與無人機激光雷達數(shù)據(jù)的精準與高效融合仍有待進一步研究?；诖?，本研究提出一種基于Delaunay 三角網(wǎng)的手持移動激光雷達數(shù)據(jù)與無人機激光雷達數(shù)據(jù)的無標識融合方法，旨在以較高的效率及精準度完成2 種平臺的配準，為提取完整的森林結構參數(shù)奠定基礎，從而推動激光雷達技術在林業(yè)上的廣泛應用。

1 研究樣地與激光雷達數(shù)據(jù)獲取

1.1 樣地概況

研究樣地位于哈爾濱城市林業(yè)示范基地，地理坐標為45°43′10″N，126°37′15″E。在樟子松人工林與蒙古櫟人工林中分別選取2 塊15 m×15 m的區(qū)域作為研究樣地，其中，樟子松樣地樹木分布較松散，林中灌木較多；蒙古櫟樣地樹木分布較密集，林木生長繁茂，郁閉度較高。選取的樣地與基地內(nèi)道路相鄰，便于在道路上設置用于評價配準精度的標志物。為了使無人機激光雷達能夠清晰地掃描到標志物，利用放置于三腳架上的白色標靶球作為標志物，并將三腳架放置在無樹冠遮擋的位置，確保標志物被手持移動激光雷達與無人機激光雷達2 個平臺完整掃描。

1.2 激光雷達數(shù)據(jù)獲取

2020年10月，分別使用手持移動激光雷達系統(tǒng)和無人機激光雷達系統(tǒng)進行數(shù)據(jù)獲取。手持移動激光雷達掃描系統(tǒng)選取GeoSLAM 手持移動SLAM 激光雷達ZEB-HORIZON，其測程為100 m，采集速度為每秒30 萬點，獲取點云的坐標系為相對坐標系。設置間隔3 m 左右的蛇形的行走路線，采集過程平穩(wěn)緩慢，林木密集復雜處以及轉(zhuǎn)彎處進行停留采集數(shù)據(jù)，確保樹木數(shù)據(jù)的完整性。數(shù)據(jù)采集完成后，使用GEOSLAM-Hub 對數(shù)據(jù)進行SLAM 拼接，生成LAS 格式文件。

無人機激光雷達系統(tǒng)使用蜂鳥Genius 微型無人機LiDAR 系統(tǒng)，最大測距優(yōu)于250 m，最大測量速度64 萬點/s，實際作業(yè)飛行密度點大于200點/m2。實際飛行高度100 m，選取東北林業(yè)大學哈爾濱城市林業(yè)示范基地300 m × 160 m 的區(qū)域進行無人機激光雷達數(shù)據(jù)獲取，確保研究樣地包含在內(nèi)。通過POS 數(shù)據(jù)解算，完成對無人機激光雷達點云的整合，點云坐標系為WGS-84 大地坐標系。

2 HMLS 和UAV-LiDAR 數(shù)據(jù)融合方法

在融合前，需要對手持移動激光雷達數(shù)據(jù)和無人機激光雷達數(shù)據(jù)進行預處理。首先，將2 種平臺得到的點云數(shù)據(jù)進行濾波去噪。然后將無人機激光雷達點云數(shù)據(jù)根據(jù)分離出的地面點歸一化處理；將手持移動激光雷達點云數(shù)據(jù)進行均勻抽稀處理，保證其在不丟失樹木自身特征的前提下與無人機激光雷達點云的密度基本一致。最后將處理后的手持移動激光雷達點云數(shù)據(jù)和無人機激光雷達點云數(shù)據(jù)進行單木分割，分別提取樹干的中心點與樹冠的幾何中心點作為樹木的位置點。

融合手持移動激光雷達數(shù)據(jù)與無人機激光雷達數(shù)據(jù)的方法分為粗配準和精配準2 個步驟。將預處理后的2 個不同平臺點云數(shù)據(jù)基于樹木位置點構建Delaunay 三角網(wǎng)進行粗配準并利用模擬退火算法優(yōu)化配準過程。選取一定高度區(qū)域，將粗配準的手持移動激光雷達點云數(shù)據(jù)基于無人機激光雷達點云數(shù)據(jù)運用ICP 算法進一步精配準調(diào)整。選取樟子松樣地和蒙古櫟樣地對融合方法進行驗證，下文中的點云融合過程以樟子松樣地為例，點云融合平臺基于Python 編譯。具體流程如圖1所示。

圖1 點云配準流程Fig.1 Point cloud registration flow chart

2.1 Delaunay 三角網(wǎng)的構建

構建Delaunay 三角網(wǎng)是粗配準的第一步，也是提高粗配準效率的關鍵步驟。Delaunay 三角網(wǎng)是一系列相連的、不重疊的三角形的集合，該集合內(nèi)任意一個三角形的外接圓中不包含平面內(nèi)其他點[19]。對于同一個點集而言，從任意一點構建Delaunay 三角網(wǎng)，所得結果都是一致的。本研究分別將預處理提取的手持移動激光雷達和無人機激光雷達數(shù)據(jù)樹木位置的三維坐標投影于平面，形成2組二維平面位置點。由于樹木位置是固定的，又因相同離散點構建的Delaunay 三角網(wǎng)具有唯一性，故使用2 組樹木的二維位置點集合分別構建的2 個Delaunay 三角網(wǎng)形狀應基本相同。

本研究選擇效率高、使用最為廣泛的逐點插入算法構建Delaunay 三角網(wǎng)[20]。使用逐點插入算法構建基于樹木位置點的Delaunay 三角網(wǎng)的基本步驟如下：1）根據(jù)樹木位置點的最大分布來求得隨機一個超級三角形，并將其加入臨時三角形集合中；2）依次插入樹木位置點，找出臨時三角形集合中外接圓包含插入點的三角形T，刪除三角形T 的公共邊，并將插入的樹木位置點與T 的頂點連接，完成該點的插入，將形成的三角形放入臨時三角形集合；3）重復2）步驟，直到所有樹木位置點插入完成。

2.2 對應點的確定

理想情況下，2 組樹木位置點構建的Delaunay三角網(wǎng)形狀應完全相同，但是樹木郁閉度高等因素會影響無人機激光雷達點云數(shù)據(jù)單木分割的精度，導致例如樹木位置點未被記錄或記錄錯誤等偏差出現(xiàn)。另外，手持移動激光雷達點云單木位置是樹干中心，而無人機激光雷達點云單木位置是樹冠中心，在樹干傾斜的情況下2 點在同一平面的投影點不能重合。因此在2 個由樹木位置點構造的三角網(wǎng)仍可能會出現(xiàn)較大差別的情況下，需通過設定限制確保2 組樹木位置點之間建立準確的對應關系。

以Delaunay 三角網(wǎng)為基礎，通過以下限制搜索2 種平臺所得到的樹木位置點。1）搜索所有線段，設定合理閾值，記錄差值在閾值內(nèi)的線段及其對應線段，兩兩構成線段組。2）將線段組整合，記錄手持移動激光雷達點云中同一樹木位置點出發(fā)的線段所對應的無人機激光雷達點云線段。3）尋找對應線段相交的公共點，該點即為手持移動激光雷達點云中樹木位置點的對應點。在搜索對應點的過程中，設置線段差閾值為可調(diào)節(jié)的參數(shù)。當線段長度差的閾值設置極小時，搜索過程中該方法對于線段與其對應線段的長度偏差的容忍度極低。由于手持移動激光雷達點云樹木位置點與無人機激光雷達點云樹木位置點并非全部垂直對應，當線段差閾值設置極小時，容易出現(xiàn)無法搜索到足夠?qū)c的情況。反之，將線段長度差的閾值設置極大，表明搜索過程中容忍度極高，這會大大增加搜索進程時間，使得搜索效率降低，同時有可能出現(xiàn)樹木位置點對應錯誤的問題，導致配準失敗。

為了提高粗配準的效率，本研究利用模擬退火算法優(yōu)化搜索無人機激光雷達樹木位置點對應的手持移動激光雷達樹木位置點這一過程。模擬退火算法是一個搜索全局最優(yōu)解的算法，是尋找溫度最低時概率分布中具有最大概率的狀態(tài)，并在搜索過程中設置了一個變化且最終趨于零的概率突跳性，避免搜索陷入局部最優(yōu)解[21]。基于模擬退火優(yōu)化算法的具體配準過程如下：1）設定較高的初始溫度T，隨機選取可能的無人機激光雷達點云樹木位置點與其手持移動激光雷達點云對應點作為初始模型A0，計算其相應的目標函數(shù)值S(A0)，目標函數(shù)見式（1）；2）對當前模型進行擾動產(chǎn)生一個新的可能的無人機激光雷達點云樹木位置點與其手持移動激光雷達點云對應點作為模型A，計算相應的目標函數(shù)值S(A)，得到ΔS=S(A)-S(A0)；3）若ΔS＜0，則新模型A被接受；若ΔS＞0，則新模型A按概率P=exp(-ΔS/T)進行接受。當模型被接受時，A0=A；4）溫度T下，多次進行擾動和接受；5）逐漸降低溫度T；6）重復步驟，至結果收斂或者到達迭代次數(shù)，迭代次數(shù)這一參數(shù)可在配準過程中根據(jù)點云數(shù)據(jù)的數(shù)據(jù)量進行相應調(diào)節(jié)。模擬退火算法的目標函數(shù)設為下式。

式（1）中，(x,y)表示無人機激光雷達點云樹木位置目標點在平面的投影點，(xi,yi)為Delaunay 三角網(wǎng)中(x,y)的相鄰點，(xi,yi)與(x,y)兩點構成目標線段。(X,Y)為疑似手持移動激光雷達點云樹木位置對應點在平面的投影點，(X,Y)與其相鄰點(Xi,Yi)的距離為與目標線段長度相似的對應線段。通過計算，確定(X,Y)是否為(x,y)真正的對應點。尋找所有目標點的對應點，使用模擬退火算法找到最優(yōu)對應點集合，舍棄一些無法確定的點對。

2.3 旋轉(zhuǎn)平移矩陣

利用模擬退火算法搜索得到手持移動激光雷達樹木位置點與無人機激光雷達樹木位置點對應的點集合，利用奇異值分解法根據(jù)對應點對的集合求得旋轉(zhuǎn)矩陣R與平移矩陣t[22]。

2.4 迭代最近點算法（ICP）

使用ICP 算法對粗配準后的手持移動激光雷達點云數(shù)據(jù)與歸一化的無人機激光雷達數(shù)據(jù)進行精配準。ICP 算法是基于最小二乘法的最優(yōu)匹配，通過將點與點不斷進行匹配后，對點云旋轉(zhuǎn)平移，直到找到最優(yōu)變換矩陣，使目標點云與待配準點云重合。ICP 算法需要2 組點云形成一致或者包含的關系，才能確保配準正常運行[23]。手持移動激光雷達點云數(shù)據(jù)包括樹干以及部分樹冠信息，而無人機激光雷達點云數(shù)據(jù)包括樹冠、部分樹干及少量地面點，由此可知2 組點云數(shù)據(jù)中，重合的點云大部分屬于樹干上部及樹冠中下部區(qū)域。為保證ICP 算法能夠獲取理想配準結果，選取一定高度區(qū)域的手持移動激光雷達點云與無人機激光雷達點云進行精配準。通過ICP 算法，得到最終精配準結果，使手持移動激光雷達點云轉(zhuǎn)換到無人機激光雷達點云的同一坐標系下。

2.5 融合精度評價

本研究從2 方面對融合結果進行精度評價：

1）根據(jù)配準后2 個平臺的樹木位置投影點坐標之間的偏移距離評價。提取手持移動激光雷達點云樹干中心在平面上的投影點坐標(XH,YH)及無人機激光雷達點云樹冠中心在同一平面上的投影點坐標(XU,YU)，計算無人機激光雷達點云樹冠中心點坐標相較于手持移動激光雷達點云樹干中心點坐標的偏移距離D，計算公式見式2 以檢驗2個樣地的融合效果。

2）根據(jù)配準后2 個平臺的標志物點云數(shù)據(jù)中心點坐標之間的均方誤差（mean-square error,MSE）評價。設定標志物的無人機激光雷達數(shù)據(jù)為真值，手持移動激光雷達數(shù)據(jù)為估計值，由此來計算均方誤差。均方誤差的計算公式見式3，其中(xi,yi,zi)為標志物的手持移動激光雷達點云中心點坐標，(x,y,z)為標志物的無人機激光雷達點云中心點坐標。

3 結果與分析

3.1 樹木位置提取

經(jīng)過預處理后，手持移動激光雷達點云與無人機激光雷達點云的樹木位置點如圖2所示,與樣地中樹木實際位置相比較可得分割結果較為精準。將圖2a 順時針旋轉(zhuǎn)約90°后，圖2a 與圖2b 形狀相似，即圖2a 中樹木位置點的分布與圖2b 中樹木位置點的分布大致相同。

圖2 樹木位置點Fig.2 Tree locations

3.2 點云數(shù)據(jù)粗配準

如圖3所示，使用由2 個平臺激光雷達點云提取的樹木位置點分別構造2個Delaunay三角網(wǎng)。圖3a 三角網(wǎng)中大部分三角形可以在圖3b 三角網(wǎng)中找到對應的三角形。Polewski 等通過比較2 種點云數(shù)據(jù)中的單個位置點與其他位置點間的所有距離來實現(xiàn)對應點的確定[11]，而本研究提出的建立Delaunay 三角網(wǎng)后再比較位置點距離的方法來搜索對應點的效率更高。

圖3 樹木位置點構造Delaunay 三角網(wǎng)Fig.3 Delaunay triangulation of tree locations

經(jīng)過反復試驗可得，粗配準中線段長度差閾值為0.8 m 時，樹木匹配數(shù)量最多且結果準確。模擬退火算法中迭代次數(shù)的設置對于配準過程的影響較小，如果迭代次數(shù)太小可能會使得結果出現(xiàn)偏差，同樣經(jīng)過試驗得到設置迭代次數(shù)為15 時配準結果較準確且運行效率較高。

經(jīng)過粗配準后，不同平臺數(shù)據(jù)得到的樹木位置點的對應關系如圖4所示，圖4中同種顏色圈出的點為一組對應點，由于樹木傾斜及無人機激光雷達點云數(shù)據(jù)樹木位置點分割不準確等原因，部分樹木位置點不能很好地找到其對應點，如圖4中用“×”符號標出的樹木位置點。只要求得3組以上對應點即可計算旋轉(zhuǎn)平移矩陣，因此存在未搜索到對應點的目標點不會影響粗配準的進行。

圖4 樹木位置點的對應關系Fig.4 The corresponding relationship between tree locations

手持移動激光雷達點云去除高度值后的二維坐標利用旋轉(zhuǎn)平移矩陣進行二維旋轉(zhuǎn)平移。將旋轉(zhuǎn)平移后得到的粗配準結果點云數(shù)據(jù)匹配點云數(shù)據(jù)原有的高度值，從而獲取粗配準后的三維點。選取樟子松樣地中心位置的任意一棵樹木作為示例，其粗配準效果如圖5所示，圖中黃色代表手持移動激光雷達點云，藍色代表無人機激光雷達點云。由圖5可得，樹干與樹冠部分均有所偏移。

圖5 粗配準結果Fig.5 Rough registration results

3.3 點云數(shù)據(jù)精配準

針對有偏移、誤差較大的粗配準結果，對點云進一步進行精配準。選取一定高度區(qū)域的點云數(shù)據(jù)，即手持移動激光雷達點云與無人機激光雷達點云均較密集的區(qū)域，運用ICP 算法配準，實現(xiàn)2 種平臺點云數(shù)據(jù)的精準融合。ICP 算法選取的點云區(qū)域與獲取激光雷達點云數(shù)據(jù)的儀器性能、樹木平均高度以及林區(qū)郁閉度均有很大相關性。由于手持移動激光雷達點云數(shù)據(jù)與無人機激光雷達點云數(shù)據(jù)重合度高的區(qū)域為樹冠區(qū)域，因此本研究通過對2 塊樣地中不同樹木點云數(shù)據(jù)高度區(qū)域范圍進行選擇，當處于平均樹高4～6 m 的范圍時可以獲取較好的精配準結果。

針對樟子松樣地的點云數(shù)據(jù)，選取14～15 m高度區(qū)域的點云數(shù)據(jù)進行精配準。精配準計算得到旋轉(zhuǎn)矩陣：平移矩陣：

將粗配準后的手持移動激光雷達點云利用旋轉(zhuǎn)平移矩陣進行坐標轉(zhuǎn)換，從而實現(xiàn)點云數(shù)據(jù)的精配準。精配準后，與圖5粗配準結果相比，圖6中顯示的同一棵樹的樹冠和樹干部分融合效果得到了改進，樹干與樹冠部分基本沒有偏移。

圖6 精配準結果Fig.6 Precise registration results

3.4 融合效果與精度

3.4.1 融合效果

經(jīng)過2 次配準后，基于手持移動激光雷達與無人機激光雷達掃描的2 塊樣地的點云數(shù)據(jù)融合效果較好，結果如圖7所示，圖中藍色點云為無人機激光雷達點云。由圖7可以看出，無人機激光雷達點云與手持移動激光雷達點云的樹冠部分基本重合，2 個平臺點云相互補充。

圖7顯示了樣地整體的配準效果，然而為了進一步檢驗樣地內(nèi)部樹木的融合效果，隨機選取樣地內(nèi)部區(qū)域的樹木進行檢驗，選取的區(qū)域見圖8中的方框區(qū)域。

圖7 樣地配準結果Fig.7 Registration results of plots

圖8 隨機區(qū)域選取Fig.8 Selection of random regions

圖9和圖10分別是樟子松樣地與蒙古櫟樣地選取區(qū)域內(nèi)部樹木的激光雷達點云圖，其中圖9a與圖10a 為無人機激光雷達點云圖。由方框區(qū)域可見，無人機激光雷達的穿透性使其能夠獲取樣地中樹干的部分點云數(shù)據(jù)。由于樟子松樣地的郁閉度更低且樹木分布更稀疏，與圖10所示蒙古櫟樣地無人機激光點云樹干處點云相比，圖9所示樟子松樣地的樹干處點云更加清晰可見。由無人機激光雷達點云數(shù)據(jù)可以大致確定樹木的生長方向，該方向與圖9b、圖10b 中圖所示手持移動激光雷達點云樹干生長方向基本一致。圖9c、圖10c中黃色點云為手持移動激光雷達點云，藍色點云為無人機激光雷達點云，可以看到隨機選擇的樣地內(nèi)部區(qū)域中，2 個平臺獲取的數(shù)據(jù)在樹干和樹冠區(qū)域均得到有效配準。

圖9 樟子松樣地Fig.9 Pinus sylvestris plot

圖10 蒙古櫟樣地Fig.10 Quercus mongolica plot

3.4.2 融合精度

1）根據(jù)2 個平臺的部分樹木位置坐標計算偏移距離。針對隨機選擇的區(qū)域，經(jīng)過提取區(qū)域內(nèi)樹木的手持移動激光雷達點云樹干中心及相應的無人機激光雷達點云樹冠中心，計算兩個中心投影點的偏移量可得表1～2，其中XH與YH分別表示手持移動激光雷達點云樹干中心點投影點的平面X 坐標與Y 坐標，XU與YU分別表示無人機激光雷達點云樹冠中心點投影點的平面X 坐標與Y坐標。通過計算可得，樟子松的投影點坐標偏移距離D 最大和最小值分別為0.30 和0.09 m，而蒙古櫟的投影點坐標偏移距離最大和最小值分別為0.59 和0.06 m。

表1 樟子松樣地樹木位置點坐標偏移量Table 1 Offset of tree locations in Pinus sylvestris plot

表2 蒙古櫟樣地樹木位置點坐標偏移量Table 2 Offset of tree locations in Quercus mongolica plot

2）根據(jù)同一標志物在2 個平臺中的坐標計算均方誤差。通過計算樣地上放置的標志物在2 種平臺中的坐標之間的偏差來得到點云配準后的均方誤差，結果表明，樟子松和蒙古櫟樣地融合后均方誤差分別為0.051 2 和0.080 2，與蒙古櫟樣地相比，樟子松樣地樹木融合精度更高。這可能是因為樟子松樣地為針葉林，無人機激光雷達點云中樹冠更易被準確分割，因而由此提取的樹木位置點更加精準，同時樟子松樣地的郁閉度較低、樹木分布較離散，所以樟子松樣地的融合精度更高。

4 討 論

與普通測繪相比，林業(yè)測繪具有地形復雜，樹木樹冠不規(guī)則、非剛體，森林點云特征較普通測繪中建筑物、道路點云特征邊線更難提取等特點，因此特征的選取是森林點云配準的關鍵。本研究通過樹木位置構成的Delaunay 三角網(wǎng)作為配準特征，有效解決了森林特征難提取的問題，達成手持移動激光雷達點云與無人機激光雷達點云精確配準的目標。

手持移動激光雷達和無人機激光雷達掃描所得數(shù)據(jù)尺度均為樹木實際尺度，但由于不同平臺設備采集數(shù)據(jù)的角度不同，所以不同平臺點云數(shù)據(jù)的特點也不同，點云的精準融合需要考慮不同平臺點云數(shù)據(jù)的特點。手持移動激光雷達自下而上采集數(shù)據(jù)，點云密度自下而上遞減。無人機激光雷達自上而下采集數(shù)據(jù)，樹冠處點云較密集，而森林下層數(shù)據(jù)采集數(shù)量較少。2 種設備的不同特點導致采集到的點云數(shù)據(jù)整體重疊度較低，但是針對樹木中上層點云數(shù)據(jù)，手持移動激光雷達數(shù)據(jù)與無人機激光雷達數(shù)據(jù)重疊度較高，較高的重疊度是使用ICP 算法進行精配準的前提。

對于不同的樹種，融合精度有一定差異。針對闊葉林，如本研究中的蒙古櫟，由于郁閉度較高，以及闊葉樹樹冠形狀無規(guī)則的特征，無人機激光雷達點云數(shù)據(jù)的單木位置提取效果較差，導致后期配準結果容易出現(xiàn)誤差。而針對冠幅較小、樹干生長垂直于地面的針葉林，如本研究中的樟子松，無人機激光雷達點云數(shù)據(jù)單木分割效果較好，故配準結果也更加精準。

本研究結果為多源遙感數(shù)據(jù)在林業(yè)中的廣泛應用提供了可能，有利于克服單一平臺無法獲取樹木完整點云的局限性，對于森林結構參數(shù)的精確提取和樹木三維模型的精準構建有重要意義，但仍存在以下不足：1）本研究區(qū)域為人工林，地形平緩，樹木種類較單一，針對樹種及地形更加復雜的天然林，本算法的適用性仍有待驗證。2）雖然模擬退火算法使得融合方法運行效率有所提升，但當本方法應用于大區(qū)域尺度時，仍存在花費時間較長的問題。同時隨著區(qū)域的增大，樹木位置對應點的搜索結果也更易出現(xiàn)誤差。3）本研究雖然將手持移動激光雷達數(shù)據(jù)與無人機激光雷達數(shù)據(jù)精準融合，但是并未對融合后的數(shù)據(jù)進一步精簡處理，數(shù)據(jù)仍存在冗余。

在未來研究中將嘗試選取地形起伏較大、林分結構更復雜的天然林作為研究對象，進一步驗證算法的適用性。另外，對算法進行優(yōu)化以提高算法的自動化程度及運行效率，減少時間成本。針對融合后數(shù)據(jù)冗余問題，基于森林結構特點提出點云壓縮算法，為后續(xù)提取高精度森林結構參數(shù)、構建三維可視化模型奠定基礎。

5 結 論

本研究利用樹木位置點，提出了一種基于Delaunay 三角網(wǎng)和ICP 算法的不同平臺點云數(shù)據(jù)的融合方法，該方法屬于無標識配準方法，并通過2 塊復雜程度不同的樣地獲取得到的點云數(shù)據(jù)進行了驗證。結果表明，在不同的參數(shù)設置下，樹木匹配的精度可能不同。粗配準中設置的線段差閾值和精配準中設置的高度區(qū)域范圍這2 個參數(shù)直接影響配準結果的精準度。而粗配準中設置的迭代次數(shù)的變化對精準度結果的影響較小，但是迭代次數(shù)的合理選擇可以提高方法運行效率。

本研究方法可以較為準確地將手持移動激光雷達點云和無人機激光雷達點云進行融合，融合效果較好。融合后2 塊樣地隨機選取區(qū)域中的2種平臺數(shù)據(jù)樹木位置投影點的偏移距離均值分別為0.19 和0.25 m。根據(jù)配準后標志物在2 種平臺中的位置坐標，計算可得融合后2 塊樣地的均方誤差均小于0.1，融合精度較高。本研究結果可為單木結構參數(shù)精確提取、樹木地上生物量估算以及三維模型精準構建提供基礎，為多源數(shù)據(jù)在林業(yè)中的應用提供參考。