高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于智能手机单目视觉的多株立木高度提取方法

陈相武 徐爱俊

陈相武, 徐爱俊. 基于智能手机单目视觉的多株立木高度提取方法[J]. 北京林业大学学报, 2020, 42(8): 43-52. doi: 10.12171/j.1000-1522.20190345
引用本文: 陈相武, 徐爱俊. 基于智能手机单目视觉的多株立木高度提取方法[J]. 北京林业大学学报, 2020, 42(8): 43-52. doi: 10.12171/j.1000-1522.20190345
Chen Xiangwu, Xu Aijun. Height extraction method of multiple standing trees based on monocular vision of smart phones[J]. Journal of Beijing Forestry University, 2020, 42(8): 43-52. doi: 10.12171/j.1000-1522.20190345
Citation: Chen Xiangwu, Xu Aijun. Height extraction method of multiple standing trees based on monocular vision of smart phones[J]. Journal of Beijing Forestry University, 2020, 42(8): 43-52. doi: 10.12171/j.1000-1522.20190345

基于智能手机单目视觉的多株立木高度提取方法

doi: 10.12171/j.1000-1522.20190345
基金项目: 国家自然科学基金项目(31670641),浙江省科技重点研究计划资助项目(2018C02013)
详细信息
    作者简介:

    陈相武。主要研究方向:林业信息技术。Email:791569410@qq.com 地址:311300浙江省杭州市临安区浙江农林大学信息工程学院

    通讯作者:

    徐爱俊,博士,教授。主要研究方向:资源与环境信息系统。Email:xuaj1976@163.com 地址:同上

  • 中图分类号: S758.4

Height extraction method of multiple standing trees based on monocular vision of smart phones

  • 摘要:   目的  提出一种智能手机单目视觉下的多株立木高度提取方法。  方法  该方法以智能手机为采集设备,利用Graph Cut 算法对输入的立木图像进行分割定位,实现单幅图像中多株立木轮廓的自动获取;再通过智能手机相机对摄像头进行标定,从而基于几何相似法获取智能手机相机图像的深度信息。在不同角度下拍摄标靶,进行深度提取模型的精度优化,进而确定信息提取的最优方位。同时,结合高精度陀螺仪获取相机俯视角,根据提取的深度信息和相机俯视角实现非接触条件下的多株立木高度测量。  结果  使用型号为MI 2S的小米智能手机为试验设备,在本方法中的立木高度测量模型具有良好的稳定性,并且试验中最高相对误差为2.45%,树高测量精度可达97.55%。  结论  基于智能手机单目视觉下的立木高度提取方法精确度高、操作简便,能够有效满足国家森林资源二类调查中对于树高测量精度的要求。
  • 图  1  深度信息几何推导

    Figure  1.  Geometric derivation of depth information

    图  2  图像坐标系与像素坐标系转换

    Figure  2.  Transformation between image coordinate system andpixel coordinate system

    图  3  深度信息模型验证

    Figure  3.  Verification of depth information model

    图  4  多株立木成像图

    Figure  4.  Imaging of multiple standing trees

    图  5  误差分析图

    Figure  5.  Chart of error analysis

    图  6  三维误差点云分布图

    Figure  6.  Point cloud distribution map of 3D error

    图  7  外业树高测量结果

    Figure  7.  Measurement results of field tree height

    表  1  深度信息测量数据

    Table  1.   Measurement data of depth information

    俯视角
    Top view angle
    γ)/(°)
    试验编号
    Experiment No.
    像素行
    Pixel row (v
    实际距离
    Actual distance/cm
    测量距离
    Measuring distance/cm
    视场角
    Field of view angle
    β)/(°)
    相对误差
    Relative error/%
    40 1 3 224 88.00 82.234 − 17.697 0.044
    2 3 293 92.40 86.593 − 18.717 0.041
    3 3 360 96.80 91.168 − 19.696 0.041
    4 3 422 101.20 95.738 − 20.591 0.041
    5 3 477 105.60 100.096 − 21.377 0.039
    30 1 2 589 92.40 86.316 − 7.831 0.013
    2 2 651 96.80 90.794 − 8.825 0.013
    3 2 705 101.20 95.012 − 9.687 0.011
    4 2 753 105.60 99.040 − 10.449 0.007
    5 2 803 110.00 103.546 − 11.239 0.007
    20 1 2 025 101.20 94.866 1.359 − 0.015
    2 2 071 105.60 98.672 0.606 − 0.020
    3 2 117 110.00 102.754 − 0.148 − 0.022
    4 2 156 114.40 106.456 − 0.786 − 0.028
    5 2 197 118.80 110.610 − 1.458 − 0.029
    10 1 1 636 112.50 115.664 7.686 0.028
    2 1 674 117.00 120.082 7.074 0.026
    3 1 713 121.50 124.962 6.443 0.028
    4 1 750 126.00 129.952 5.844 0.031
    5 1 779 130.50 134.137 5.374 0.028
    0 1 1 121 127.60 131.466 15.759 0.030
    2 1 151 132.00 135.588 15.303 0.027
    3 1 181 136.40 139.976 14.845 0.026
    4 1 210 140.80 144.496 14.400 0.026
    5 1 238 145.20 149.147 13.969 0.027
    下载: 导出CSV

    表  2  立木高度测量数据表

    Table  2.   Measuring data of standing tree height

    试验编号
    Experiment No.
    实际值
    Actual value/m
    距离
    Distance/m
    俯视角
    Top view angle/(°)
    测量值
    Measured value/m
    相对误差
    Relative error/%
    1 4.176 6 1.11 4.121 1.32
    2 4.176 6 1.11 4.188 0.29
    3 4.176 6 1.11 4.126 1.19
    4 5.109 6 − 5.45 5.049 1.17
    5 5.109 6 − 5.45 5.383 5.36
    6 5.109 6 − 5.45 5.269 3.13
    7 5.109 6 − 8.11 4.873 4.61
    8 5.109 6 − 8.11 5.167 1.14
    38 5.109 14 15.41 4.912 3.86
    39 5.109 14 15.41 4.967 2.78
    40 8.161 14 2.89 8.002 1.95
    41 8.161 14 2.89 8.050 1.36
    42 8.161 14 2.89 7.936 2.76
    43 11.998 14 − 5.81 11.461 4.48
    44 11.998 14 − 5.81 11.598 3.34
    45 11.998 14 − 5.81 11.514 4.04
    下载: 导出CSV

    表  3  树高计算结果误差分析

    Table  3.   Error analysis on calculating results of tree height

    树高
    Tree height/m
    株数
    Plant number
    平均绝对误差
    Mean absolute error/m
    平均相对误差
    Mean relative error/%
    3 ~ 6 9 0.13 2.79
    6 ~ 9 10 0.17 2.22
    9 ~ 12 11 0.23 2.29
    12 ~ 15 17 0.34 2.56
    > 15 13 0.38 2.39
    总计 Total 60 0.27 2.45
    下载: 导出CSV
  • [1] 罗朝沁, 林辉, 孙华, 等. 基于MODIS影像大尺度森林资源信息提取方法研究[J]. 中南林业科技大学学报, 2015, 35(11):21−26, 42.

    Luo C Q, Lin H, Sun H, et al. Based on MODIS image large-scale forest resources information extraction method[J]. Journal of Central South University of Forestry & Technology, 2015, 35(11): 21−26, 42.
    [2] He J S. Carbon cycling of Chinese forests: from carbon storage, dynamics to models[J]. Science China Life Sciences, 2012, 55(2): 188−190. doi:  10.1007/s11427-012-4285-z
    [3] Sellers P J, Mintz Y, Sud Y C, et al. A simple biosphere model (SIB) for use within general-circulation models[J]. Journal of the Atmospheric Sciences, 1986, 43(6): 505−531. doi:  10.1175/1520-0469(1986)043<0505:ASBMFU>2.0.CO;2
    [4] Hauglin M, Hansen E H, Næsset E, et al. Accurate single-tree positions from a harvester: a test of two global satellite-based positioning systems[J]. Scandinavian Journal of Forest Research, 2017, 32(8): 774−781. doi:  10.1080/02827581.2017.1296967
    [5] Olivier M D, Robert S, Fournier R A. A method to quantify canopy changes using multi-temporal terrestrial lidar data: tree response to surrounding gaps[J]. Agricultural and Forest Meteorology, 2017, 237−238: 184−195. doi:  10.1016/j.agrformet.2017.02.016
    [6] Ahmed O S, Shemrock A, Chabot D, et al. Hierarchical land cover and vegetation classification using multispectral data acquired from an unmanned aerial vehicle[J]. International Journal of Remote Sensing, 2017, 38(8/10): 2037−2052.
    [7] 王佳, 张隆裕, 吕春东, 等. 基于地面激光雷达点云数据的树种识别方法[J]. 农业机械学报, 2018, 49(11):180−188. doi:  10.6041/j.issn.1000-1298.2018.11.021

    Wang J, Zhang L Y, Lü C D, et al. Tree species identification methods based on point cloud data using ground-based LiDAR[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(11): 180−188. doi:  10.6041/j.issn.1000-1298.2018.11.021
    [8] 张雄清, 张建国, 段爱国. 基于贝叶斯法估计杉木人工林树高生长模型[J]. 林业科学, 2014, 50(3):69−75.

    Zhang X Q, Zhang J G, Duan A G. Tree-height growth model for Chinese fir plantation based on bayesian method[J]. Scientia Silvae Sinicae, 2014, 50(3): 69−75.
    [9] 刘鲁霞, 庞勇, 李增元. 基于地基激光雷达的亚热带森林单木胸径与树高提取[J]. 林业科学, 2016, 52(2):26−37.

    Liu L X, Pang Y, Li Z Y. Individual tree DBH and height estimation using terrestrial laser scanning (TLS) in a subtropical forest[J]. Scientia Silvae Sinica, 2016, 52(2): 26−37.
    [10] Persson H J, Fransson J E S. Comparison between TanDEM-X- and ALS-based estimation of aboveground biomass and tree height in boreal forests[J]. Scandinavian Journal of Forest Research, 2017, 32(4): 306−319. doi:  10.1080/02827581.2016.1220618
    [11] 沈鹏, 汪长城, 朱建军, 等. 融合升降轨的极化干涉SAR三层模型植被高度反演方法[J]. 测绘学报, 2017, 46(11):1868−1879. doi:  10.11947/j.AGCS.2017.20170122

    Shen P, Wang C C, Zhu J J, et al. Vegetation height inversion method with three-layer model by fusing the ascending and descending PolInSAR data[J]. Acta Geochimica Sinica, 2017, 46(11): 1868−1879. doi:  10.11947/j.AGCS.2017.20170122
    [12] 冯仲科, 黄晓东, 刘芳. 森林调查装备与信息化技术发展分析[J]. 农业机械学报, 2015, 46(9):257−265. doi:  10.6041/j.issn.1000-1298.2015.09.038

    Feng Z K, Huang X D, Liu F. Forest survey equipment and development of information technology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9): 257−265. doi:  10.6041/j.issn.1000-1298.2015.09.038
    [13] Thamrin N M, Arshad N H M, Adnan R, et al. Enhanced technique for cylindrical object diameter measurement via low-cost and innovated rotational non-intrusive sensor[C]// IEEE 10th International Colloquium on Signal Processing and its Applications (CSPA). Kuala Lumpur: IEEE, 2014.
    [14] 瞿帅, 张晓丽, 朱程浩, 等. 机载激光雷达森林资源调查系统的设计与试验[J]. 西北林学院学报, 2018, 33(4):175−182. doi:  10.3969/j.issn.1001-7461.2018.04.29

    Qu S, Zhang X L, Zhu C H, et al. Design and test of airborne LiDAR system for forest resources survey[J]. Journal of Northwest Forestry University, 2018, 33(4): 175−182. doi:  10.3969/j.issn.1001-7461.2018.04.29
    [15] Corona P, Fattorini L, Franceschi S, et al. Estimation of standing wood volume in forest compartments by exploiting airborne laser scanning information: model-based, design-based, and hybrid perspectives[J]. Canadian Journal of Forest Research, 2014, 44(11): 1303−1311. doi:  10.1139/cjfr-2014-0203
    [16] Tomppo E, Kuusinen N, Mäkisara K, et al. Effects of field plot configurations on the uncertainties of ALS-assisted forest resource estimates[J]. Scandinavian Journal of Forest Research, 2016, 32(6): 488−500.
    [17] 王宁宁, 尹文广, 黄秦军, 等. 三维扫描技术在获取杨树树冠结构特征参数上的应用[J]. 林业科学, 2015, 51(5):108−116.

    Wang N N, Yin W G, Huang Q J, et al. Application of 3D scanner technology to analysis the crown architecture parameters of poplar plantations[J]. Scientia Silvae Sinicae, 2015, 51(5): 108−116.
    [18] Díaz-Varela R A, De La Rosa R, León L, et al. High-resolution airborne UAV imagery to assess olive tree crown parameters using 3D photo reconstruction: application in breeding trials[J]. Remote Sensing, 2015, 7(4): 4213−4232. doi:  10.3390/rs70404213
    [19] 邓向瑞, 冯仲科, 马钦彦, 等. 三维激光扫描系统在立木材积测定中的应用[J]. 北京林业大学学报, 2007(增刊2): 74−77.

    Deng X R, Feng Z K, Ma Q Y, et al. Application of 3D laser scanning system in mensurating standing volume[J]. Journal of Beijing Forestry University, 2007(Suppl.2): 74−77.
    [20] 郭彩玲, 宗泽, 张雪, 等. 基于三维点云数据的苹果树冠层几何参数获取[J]. 农业工程学报, 2017, 33(3):175−181. doi:  10.11975/j.issn.1002-6819.2017.03.024

    Guo C L, Zong Z, Zhang X, et al. Apple tree canopy geometric parameters acquirement based on 3D point clouds[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(3): 175−181. doi:  10.11975/j.issn.1002-6819.2017.03.024
    [21] Zarco-Tejada P J, Diaz-Varela R, Angileri V, et al. Tree height quantification using very high resolution imagery acquired from an unmanned aerial vehicle (UAV) and automatic 3D photo-reconstruction methods[J]. European Journal of Agronomy, 2014, 55: 89−99. doi:  10.1016/j.eja.2014.01.004
    [22] 张晓莉, 赵鹏祥, 高凌寒, 等. 基于ArboLiDAR的林分自动分割研究与应用[J]. 中南林业科技大学学报, 2017, 37(11):76−83.

    Zhang X L, Zhao P X, Gao L H, et al. Research and application of stand automatic segmentation based on ArboLiDAR[J]. Journal of Central South University of Forestry & Technology, 2017, 37(11): 76−83.
    [23] Panagiotidis D, Abdollahnejad A, Surový P, et al. Determining tree height and crown diameter from high-resolution UAV imagery[J]. International Journal of Remote Sensing, 2017, 38(8/10): 2392−2410.
    [24] Holzmann C, Hochgatterer M. Measuring distance with mobile phones using single-camera stereo vision[C]// 32nd International Conference on Distributed Computing Systems Workshops. Macau: IEEE, 2012: 88−93.
    [25] Chen S W, Fang X Y, Shen J B, et al. Single-image distance measurement by a smart mobile device[J]. IEEE Transactions on Cybernetics, 2016, 47(12): 4451−4462.
    [26] 周克瑜, 汪云珍, 李记, 等. 基于Android平台的测树系统研究与实现[J]. 南京林业大学学报(自然科学版), 2016, 40(4):95−100.

    Zhou K Y, Wang Y Z, Li J, et al. A study of tree measurement systems based on Android platform[J]. Journal of Nanjing Forestry University (National Sciences Edition), 2016, 40(4): 95−100.
    [27] Han D Y, Wang C D. Tree height measurement based on image processing embedded in smart mobile phone[C]// International Conference on Multimedia Technology. Hangzhou: IEEE, 2011.
    [28] 邱梓轩, 冯仲科, 蒋君志伟, 等. 森林智能测绘记算器设计与试验[J]. 农业机械学报, 2017, 48(5):179−187. doi:  10.6041/j.issn.1000-1298.2017.05.022

    Qiu Z X, Feng Z K, Jiang J Z W, et al. Design and experiment of forest intelligent surveying and mapping instrument[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(5): 179−187. doi:  10.6041/j.issn.1000-1298.2017.05.022
    [29] 徐伟恒, 冯仲科, 苏志芳, 等. 手持式数字化多功能电子测树枪的研制与试验[J]. 农业工程学报, 2013, 29(3):90−99.

    Xu W H, Feng Z K, Su Z F, et al. Development and experiment of handheld digitalized and multi-functional forest measurement gun[J]. Transactions of the Chinese Society for Agricultural Engineering, 2013, 29(3): 90−99.
    [30] 王佳, 杨慧乔, 冯仲科, 等. 利用轻小型飞机遥感数据建立人工林特征参数模型[J]. 农业工程学报, 2013, 29(8):164−170.

    Wang J, Yang H Q, Feng Z K, et al. Model of characteristic parameter for forest plantation with data obtained by light small aerial remote sensing system[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(8): 164−170.
    [31] 管昉立, 徐爱俊. 基于智能手机与机器视觉技术的立木胸径测量方法[J]. 浙江农林大学学报, 2018, 35(5):892−899. doi:  10.11833/j.issn.2095-0756.2018.05.014

    Guan F L, Xu A J. Tree DBH measurement method based on smartphone and machine vision technology[J]. Journal of Zhejiang A&F University, 2018, 35(5): 892−899. doi:  10.11833/j.issn.2095-0756.2018.05.014
    [32] 杨婷婷, 管昉立, 徐爱俊. 基于Graph Cut算法的多株立木轮廓提取方法[J]. 南京林业大学学报(自然科学版), 2018, 42(6):91−98.

    Yang T T, Guan F L, Xu A J. Multiple trees contour extraction method based on Graph Cut algorithm[J]. Journal of Nanjing Forestry University (Natural Science Edition), 2018, 42(6): 91−98.
  • [1] 曾健, 张晓丽, 周雪梅, 尹田.  倾斜摄影测量技术提取落叶松人工林地形信息 . 北京林业大学学报, 2019, 41(8): 1-12. doi: 10.13332/j.1000-1522.20190126
    [2] 冯静静, 张晓丽, 刘会玲.  基于灰度梯度图像分割的单木树冠提取研究 . 北京林业大学学报, 2017, 39(3): 16-23. doi: 10.13332/j.1000--1522.20160373
    [3] 冯静静, 张晓丽, 刘会玲.  基于灰度梯度图像分割的单木树冠提取研究 . 北京林业大学学报, 2017, 39(3): 16-23. doi: 10.13332/j.1000-1522.20160373
    [4] 杨坤, 赵艳玲, 张建勇, 陈超, 赵鹏鹏.  利用无人机高分辨率影像进行树木高度提取 . 北京林业大学学报, 2017, 39(8): 17-23. doi: 10.13332/j.1000-1522.20160428
    [5] 张帅, 淮永建.  基于分层卷积深度学习系统的植物叶片识别研究 . 北京林业大学学报, 2016, 38(9): 108-115. doi: 10.13332/j.1000-1522.20160035
    [6] 刘金鹏, 张怀清, 刘闽, 李永亮, 李伟娜.  基于点云骨架的单木分枝参数提取研究 . 北京林业大学学报, 2016, 38(10): 15-20. doi: 10.13332/j.1000-1522.20150490
    [7] 刘念, 阚江明.  基于多特征融合和深度信念网络的植物叶片识别 . 北京林业大学学报, 2016, 38(3): 110-119. doi: 10.13332/j.1000-1522.20150267
    [8] 符群, 徐明慧, 王振宇.  红松种鳞多酚超声波辅助提取优化工艺及其抗氧化性研究 . 北京林业大学学报, 2015, 37(11): 128-135. doi: 10.13332/j.1000-1522.20140251
    [9] 赵青, 吕肖斐, 朱晓冉, 张娜, 郭庆启.  紫丁香多酚提取工艺优化及抗氧化活性的研究 . 北京林业大学学报, 2015, 37(10): 125-129. doi: 10.13332/j.1000-1522.20140174
    [10] 张凝, 冯跃文, 张晓丽, 樊江川.  结合航空影像纹理和光谱特征的单木冠幅提取 . 北京林业大学学报, 2015, 37(3): 13-19. doi: 10.13332/j.1000-1522.20140309
    [11] 郭庆启, 张娜, 孙瑶, 王振宇.  超声波辅助提取落叶松树皮多酚的动力学和热力学研究 . 北京林业大学学报, 2014, 36(3): 115-120. doi: 10.13332/j.cnki.jbfu.2014.03.018
    [12] 包颖, 张国财.  单凝聚法制备豚草提取物微胶囊剂的研究 . 北京林业大学学报, 2013, 35(4): 101-105.
    [13] 李丹, 庞勇, 岳彩荣, 赵旦, 徐光彩.  基于TLS数据的单木胸径和树高提取研究 . 北京林业大学学报, 2012, 34(4): 79-86.
    [14] 李明泽, 范文义, 张元元.  基于全数字摄影测量的林分立木高度量测 . 北京林业大学学报, 2009, 31(2): 74-79.
    [15] 马玲, 于海霞, 许景伟, 奚如春, 宋先亮, 吴家兵, 雷妮娅, 邵杰, 吕文华, 高克昌, 陆平, 周睿, 张志山, 郎璞玫, 李俊, 郑景明, 周艳萍, 刘足根, 武林, 李黎, 孙志蓉, 张春晓, 焦雯珺, 张建军, 于文吉, 金则新, 索安宁, 饶兴权, 赵广杰, 李传荣, 朱教君, 朱清科, 陈勇, 戴伟, 翟明普, 纳磊, 李钧敏, 毕华兴, 郑红娟, 赵秀海, 张小由, 陈少良, 于志明, 关德新, 蔡锡安, 葛剑平, 韦方强, Kwei-NamLaw, 习宝田, 马履一, 盖颖, 余养伦, 赵文喆, 张宇清, 李笑吟, 王天明, 方家强, 崔鹏, 张弥, 王瑞刚, 于波, 杨永福, 江泽慧, 曾小平, 谭会娟, 马履一, 夏良放, 李俊清, 樊敏, 朱艳燕, 李增鸿, 张春雨, 王文全, 袁小兰, ClaudeDaneault, 贾桂霞, 赵平, 郭孟霞, 李庆卫, 贺润平, 刘丽娟, 殷宁, 吴秀芹, 张欣荣, 何明珠, 李丽萍, 王贺新, 陈雪梅, 唐晓军, 王卫东, 袁飞, 邓宗付, 韩士杰, 毛志宏, 刘鑫, 王旭琴, 王娜, 熊颖, 王月海, 吴记贵, 孔俊杰, 蒋湘宁, 江杰, 于贵瑞, 郑敬刚, 王贵霞, 葛剑平, 李新荣, 林靓靓, 孙晓敏, 王瑞辉, 聂立水, 董治良, 郭超颖.  圆锯片横向变形与加工表面锯痕高度 . 北京林业大学学报, 2007, 29(1): 141-145.
    [16] 刘美芹, 范丙友, 王丰俊, 石娟, 周章义, 段旭良, 雷庆哲, 张玲, 曲红, 郝晨, 隋金玲, 贺窑青, 李在留, 王莉, 姚娜, 陈佳, 孙青, 胡海英, 李艳华, 刘丽, 胡晓丹, 孙月琴, 欧阳杰, 金莹, 程堂仁, 熊丹, 李莉, 乔海莉, 冯秀兰, 张艳霞, 骆有庆, 陈发菊, 陈晓阳, 沈昕, 郭锐, 李云, 郑彩霞, 张德权, 骆有庆, 周燕, 阎伟, 尹伟伦, 康向阳, 张志毅, 武彦文, 续九如, 孙爱东, 李凤兰, 张香, 田呈明, 陆海, 路端正, 王建中, 冯菁, 尹伟伦, 赵亚美, 王华芳, 马钦彦, 梁华军, 吴晓成, 高述民, 阎晓磊, 赵蕾, 安新民, 卢存福, 骆有庆, 沈繁宜, 武海卫, 姜金仲, 王晓东, 郝俊, 李忠秋, 骆有庆, 蒋湘宁, 史玲玲, 王百田, 梁宏伟, 郑永唐, 胡晓丹, 胡德夫, 孙爱东, 冯晓峰, 吴坚, 赵兵, 邹坤, 高荣孚, 骈瑞琪, 李凯, 严晓素, 王玉兵, 温秀凤3, 郭晓萍, 谢磊, 王冬梅, 冯仲科, 崔彬彬
    , 王瑛, 王华芳, 于京民2, 刘玉军, 尹伟伦, 王建中, 王晓楠, 张志翔, 孙建华, 张兴杰, 沈应柏, 李镇宇, 陈卫平, 张庆, 王民中, 王玉春, 丁霞, 林善枝, 刘艳, 李凤兰, 刘玉军, 呼晓姝, 陶凤杰, 杨伟光, 汪植, 蒋平, 马建海, 付瑞海, 赵新丽.  苹果多酚的超声波提取及抗氧化作用研究 . 北京林业大学学报, 2007, 29(5): 137-141.
    [17] 高凯, 李文彬, 阚江明.  基于计算机视觉的立木树干曲率自动测量方法 . 北京林业大学学报, 2007, 29(4): 10-14.
    [18] 阚江明, 李文彬, 孙仁山.  基于计算机视觉的立木枝干直径自动测量方法 . 北京林业大学学报, 2007, 29(4): 5-9.
    [19] 马文辉, 
    王保平, 侯亚南, 李景文, 王明枝, 张一平, 殷亚方, 李梅, 杨海龙, 詹亚光, 黄国胜, 杜华强, 符韵林, 张秋英, 李慧, 龙玲, 李全发, 刘震, 宋小双, 杨晓晖, 李景文, 熊瑾, 饶良懿, 李吉跃, 徐峰, 韩海荣, 梁机, 秦瑶, 赵敏, 陆熙娴, 朱金兆, 朱金兆, 刘文耀, 李发东, 耿晓东, 李妮亚, 窦军霞, 李俊清, 吕建雄, 陈晓阳, 范文义, 王雪军, 李俊清, 尹立辉, 王洁瑛, 张克斌, 孙玉军, 唐黎明, 李云, 乔杰, 陈素文, 陈晓阳, 慈龙骏, 齐实, 于贵瑞, 赵宪文, 刘桂丰, 李黎, 秦素玲, 沈有信, 刘雪梅, 倪春, 康峰峰, 毕华兴, 欧国强, 李凤兰, 王玉成, 刘伦辉, 赵双菊, 王雪, 宋献方, 任海青, 李伟, 蒋建平, 魏建祥, 朱国平, 文瑞钧, 黎昌琼, 韦广绥, 张桂芹, 马钦彦, 李伟, 周海江, 孙涛, 丁霞, , 宋清海, 张万军, 李慧, 杨谦, 孙晓敏, 刘莹, 孙志强, 李宗然, 
    , .  杜仲全叶深度综合利用技术路线研究 . 北京林业大学学报, 2005, 27(5): 115-117.
    [20] 宗世祥, 韩轶, 吴延熊, 杨期和, LIYong-ning, 李春干, 李悦, 王登芝, 杨华, 李崇贵, 瞿超, 耿宏生, MENGXian-yu, 聂立水, 贾峰勇, 李吉跃, 叶万辉, 孟宪宇, 张云, HUANGXuan-rui, 景海涛, 李吉跃, 刘燕, 骆有庆, , 续九如, 高润宏, 廖富林, 胡磊, , 胡涌, WANGJin-mao, 程俊, 许志春, 张连生, 孙丹峰, , , , 梁树军, 贾黎明, 刘云慧, , , 赵世华, .  单株立木图像信息的提取与解算 . 北京林业大学学报, 2005, 27(1): 51-54.
  • 加载中
图(7) / 表 (3)
计量
  • 文章访问数:  199
  • HTML全文浏览量:  115
  • PDF下载量:  10
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-08-30
  • 修回日期:  2019-12-03
  • 网络出版日期:  2020-07-21
  • 刊出日期:  2020-09-07

基于智能手机单目视觉的多株立木高度提取方法

doi: 10.12171/j.1000-1522.20190345
    基金项目:  国家自然科学基金项目(31670641),浙江省科技重点研究计划资助项目(2018C02013)
    作者简介:

    陈相武。主要研究方向:林业信息技术。Email:791569410@qq.com 地址:311300浙江省杭州市临安区浙江农林大学信息工程学院

    通讯作者: 徐爱俊,博士,教授。主要研究方向:资源与环境信息系统。Email:xuaj1976@163.com 地址:同上
  • 中图分类号: S758.4

摘要:   目的  提出一种智能手机单目视觉下的多株立木高度提取方法。  方法  该方法以智能手机为采集设备,利用Graph Cut 算法对输入的立木图像进行分割定位,实现单幅图像中多株立木轮廓的自动获取;再通过智能手机相机对摄像头进行标定,从而基于几何相似法获取智能手机相机图像的深度信息。在不同角度下拍摄标靶,进行深度提取模型的精度优化,进而确定信息提取的最优方位。同时,结合高精度陀螺仪获取相机俯视角,根据提取的深度信息和相机俯视角实现非接触条件下的多株立木高度测量。  结果  使用型号为MI 2S的小米智能手机为试验设备,在本方法中的立木高度测量模型具有良好的稳定性,并且试验中最高相对误差为2.45%,树高测量精度可达97.55%。  结论  基于智能手机单目视觉下的立木高度提取方法精确度高、操作简便,能够有效满足国家森林资源二类调查中对于树高测量精度的要求。

English Abstract

陈相武, 徐爱俊. 基于智能手机单目视觉的多株立木高度提取方法[J]. 北京林业大学学报, 2020, 42(8): 43-52. doi: 10.12171/j.1000-1522.20190345
引用本文: 陈相武, 徐爱俊. 基于智能手机单目视觉的多株立木高度提取方法[J]. 北京林业大学学报, 2020, 42(8): 43-52. doi: 10.12171/j.1000-1522.20190345
Chen Xiangwu, Xu Aijun. Height extraction method of multiple standing trees based on monocular vision of smart phones[J]. Journal of Beijing Forestry University, 2020, 42(8): 43-52. doi: 10.12171/j.1000-1522.20190345
Citation: Chen Xiangwu, Xu Aijun. Height extraction method of multiple standing trees based on monocular vision of smart phones[J]. Journal of Beijing Forestry University, 2020, 42(8): 43-52. doi: 10.12171/j.1000-1522.20190345
  • 森林是陆地生态系统的主体,具有涵养水源、保持水土、改善气候等多种生态功能,经济价值巨大[1-2]。及时掌握森林资源的数量、质量和生长,以及与自然环境、经营之间的关系,对于制定林业生产计划以保证森林资源在国民经济建设中的发展具有重大意义[3-5]。在森林资源调查中,立木高度是评价立木生长状况和立木质量的重要依据[6]。目前,随着精准林业、数字林业的发展,国内外学者研究了很多关于立木高度的测量方法。越来越多的专业化、智能化设备被应用于森林资源的调查[7-9]。其中,除了传统的目测法、人工接触式测绘等简易方法外[10-11],以传感器为主体的物联网相关技术[12-14],并耦合不同功能来进行立木高度测量的方法也得到了广泛的应用。长久以来,传统的测量方法劳动强度大、人力成本高、效率低;而专业的林业测量设备,存在着操作复杂、不易携带、成本较高等问题[15-16]。另外,三维激光扫描、无人机遥感等新技术也已大量地投入林业的研究与应用[17-18],其中三维激光扫描技术是一种新兴的实景复制技术,能以较高的准确度对指定的立木建立数据模型,得到立木的三维信息[19-20];无人机遥感技术则通过拍摄高分辨率影像,产生三维点云,由此来提取树干底端及梢顶的高度信息,最终获得立木高度[21-23]。目前,随着图像处理技术和近景摄影测量技术的不断发展,立木高度的测量也更趋向于集成化、智能化和一体化[24-27]。邱梓轩等[28]研制了以PDA模块、远程EDM模块、长焦CCD镜头模块和云组成的望远测树仪,该仪器通过获取倾角、方位角、远程距离等图像信息参数,在Android Studio 2.1开发环境下利用JAVA实现立木高度的测量功能。徐伟恒等[29]通过测量距离、倾角、磁方位角3个参数,基于三角函数原理,设计手持式数字化多功能电子测树枪,嵌入操作软件后,实现了树高测量。王佳等[30]以轻小型航空遥感系统为获取数据工具,通过激光雷达获取树木点云数据,以地面实测林分数据为真值,根据建立的遥感数据与实测数据关系模型来测量立木高度。管昉立等[31]通过数字图像提取待测立木的最小外接矩形,通过相机标定获取的相机内参,建立二维图像坐标到三维坐标的空间映射模型实现立木高度的测量。但从目前看来,以上有关信息化立木高度测量的研究,大多都需要复杂的试验步骤或昂贵的设备,且难以实现在同一场景中的多株立木测量。

    鉴于此,本文提出一种智能手机单目视觉下多株立木高度的提取方法。该方法以智能手机为采集设备,基于Graph Cut 算法[32]对拍摄的单幅多株立木图像进行分割定位,实现单幅图像中多株立木轮廓的自动获取;通过标定得到智能手机摄像头内部参数,建立深度信息提取模型,获得待测立木的深度信息。结合高精度陀螺仪获取相机俯视角,根据提取的深度信息和相机俯视角,实现非接触条件下的多株立木高度测量。

    • 在实际测量中,当待测目标和智能手机相机处于同一地平线时,待测目标所在的平面和智能手机相机的像平面能够构成对应的几何关系。据此,通过几何相似法计算待测目标与智能手机像平面的三维空间几何关系,可获得树木的实际参数。根据手机相机内部成像原理,在同一地平面建立的图像像素坐标系与世界坐标系的几何相似模型如图1所示。

      图  1  深度信息几何推导

      Figure 1.  Geometric derivation of depth information

      图1中,ABCD为智能手机相机的像平面,像平面上的点(x0y0)为光轴与图像像平面的交点。点(x0y0)射出的光轴垂直于像平面,且经过镜头中心。f表示镜头中心到像平面的距离,即焦距的大小。P点为几何相似模型中的待测点,在地平面L上,P点在二维平面图像坐标系中的投影点为(xy)。设定h为镜头中心到地平面的垂直高度,γ为相机的垂直俯视角,β为相机内部投影线与光轴的夹角。d表示智能手机相机在地平面上距离P点的水平距离(深度值)。通过上述的深度信息图可以推导出像素坐标系与世界坐标系的关系式:

      $$d = \frac{h}{{\tan (\gamma + \beta )}}$$ (1)

      式中:d为待测深度值;h为当前所在相机高度;γ为相机俯视角;β为投影线与光轴的夹角。

      根据图1中的反三角函数关系,β的表达式为:

      $$\beta = \arctan \left( {\frac{{ - \left( {y - {y_0}} \right)}}{f}} \right)$$ (2)

      式中:f为相机焦距;y为目标点在图像上的y轴坐标;y0为图像像平面y轴主点。

      结合式(1)和式(2)可以得出公式:

      $$d = \frac{h}{{\tan \left( {\gamma + \arctan \left( {\dfrac{{ - \left( {y - {y_0}} \right)}}{f}} \right)} \right)}}$$ (3)

      在图像坐标系上的点(xy)在像素坐标系(uv)中的坐标为(u0v0),像面上每一个像素点在y轴方向上的物理尺寸为dy。根据图2中的图像坐标与像素坐标之间的几何转换关系可知:

      图  2  图像坐标系与像素坐标系转换

      Figure 2.  Transformation between image coordinate system andpixel coordinate system

      $$v = \frac{y}{{d_y}} + {v_0}$$ (4)

      式中:v为该坐标系中y轴坐标的大小;v0为相机内部参数;dy为相机y轴方向的物理尺寸。

      故有

      $$ y = (v - {v_0})d_y $$ (5)

      y0 = 0,故

      $$d = \frac{h}{{\tan \left( {\gamma + \arctan \left( {\dfrac{{ - \left( {v - {v_0}} \right)}}{f}d_y} \right)} \right)}}$$ (6)

      最后,由${f_v} = \dfrac{{d_y}}{f}$可得距离公式:

      $$ d = \frac{h}{{\tan \left( {\gamma + \arctan \left( {\dfrac{{ - \left( {v - {v_0}} \right)}}{{{f_v}}}} \right)} \right)}} $$ (7)

      式中:参数h是手机相机的高度,γ为智能手机相机内部的垂直俯视角,这两个量可以在试验之前测得;v为图像中的y轴坐标,可从拍摄的图像中自动获取;图像平面的y轴方向焦距fy和图像平面的y轴主点v0都是智能手机相机的内部参数,可以通过相机标定法标定获得。

      根据以上已知的参数,可通过上述公式求得待测的深度信息d

    • 为验证深度提取模型的可行性及精度,本文采用型号为MI 2S,版本为Android4.1.2的小米智能手机,在不同角度下拍摄标靶获取深度验证模型输入图像。根据前面的推导公式得出,影响本模型精度的因素有以下两点:(1)选取的图像像素行;(2)智能手机相机垂直俯视角的准确度。本试验固定智能手机相机高度为37.1 cm,通过改变智能手机相机的俯视角(相机的其他内部参数不变),计算同一二维平面中不同位置像素行的深度提取值的精确度。

      图3包含了俯视角γ = { 40°,30°,20°,10°,0°}的像平面。像平面中每一个格子的实际大小为4.4 cm × 4.4 cm。

      图  3  深度信息模型验证

      Figure 3.  Verification of depth information model

      经相机标定计算出MI 2S智能手机相机内部参数为:fx = 3 486.563 7,u0 = 1 569.038 3,fy = 3 497.465 2,v0 = 2 107.989 88,h = 37.1 cm ,图像分辨率为3 120 × 4 208。将求得的参数代入深度信息模型,并通过以下几组试验进行验证(表1),每个试验组的相机俯视角各不相同。

      表 1  深度信息测量数据

      Table 1.  Measurement data of depth information

      俯视角
      Top view angle
      γ)/(°)
      试验编号
      Experiment No.
      像素行
      Pixel row (v
      实际距离
      Actual distance/cm
      测量距离
      Measuring distance/cm
      视场角
      Field of view angle
      β)/(°)
      相对误差
      Relative error/%
      40 1 3 224 88.00 82.234 − 17.697 0.044
      2 3 293 92.40 86.593 − 18.717 0.041
      3 3 360 96.80 91.168 − 19.696 0.041
      4 3 422 101.20 95.738 − 20.591 0.041
      5 3 477 105.60 100.096 − 21.377 0.039
      30 1 2 589 92.40 86.316 − 7.831 0.013
      2 2 651 96.80 90.794 − 8.825 0.013
      3 2 705 101.20 95.012 − 9.687 0.011
      4 2 753 105.60 99.040 − 10.449 0.007
      5 2 803 110.00 103.546 − 11.239 0.007
      20 1 2 025 101.20 94.866 1.359 − 0.015
      2 2 071 105.60 98.672 0.606 − 0.020
      3 2 117 110.00 102.754 − 0.148 − 0.022
      4 2 156 114.40 106.456 − 0.786 − 0.028
      5 2 197 118.80 110.610 − 1.458 − 0.029
      10 1 1 636 112.50 115.664 7.686 0.028
      2 1 674 117.00 120.082 7.074 0.026
      3 1 713 121.50 124.962 6.443 0.028
      4 1 750 126.00 129.952 5.844 0.031
      5 1 779 130.50 134.137 5.374 0.028
      0 1 1 121 127.60 131.466 15.759 0.030
      2 1 151 132.00 135.588 15.303 0.027
      3 1 181 136.40 139.976 14.845 0.026
      4 1 210 140.80 144.496 14.400 0.026
      5 1 238 145.20 149.147 13.969 0.027

      通过以上几组试验可知,在提取深度信息较大的像素行时,智能手机相机的俯视角越小,提取的深度信息就越高。在智能手机相机旋转角度变化时,深度信息精确度的变化程度较为稳定,且越靠近光轴所在直线的目标点,深度信息的误差值就越小。因此,在实际测量树木中,使用较小的俯视角来提取图像深度信息,并由此计算智能手机相机内部靠近主点的深度信息,可获得更加精确的目标点深度。

    • 基于小孔成像原理,建立多株立木高度测量模型如图4所示。其中,ABCD为像平面,三维空间中目标立木tree1、tree2、tree3投影到二维像平面的成像画面显示为h1h2h3。以H1H2H3的值为目标立木的实际高度,h1h2h3的值为立木图像在二维平面上的像素差。此时,智能手机距离地面的高度为h,用γ表示智能手机的俯视角,d为目标立木的深度信息。在实际测量中,相机的俯视角会随着测量的需求发生变化。根据相机投影模型可知,当俯视角发生变化时,各成像面之间的相对夹角不会发生变化。以h1为例,根据智能手机相机内部成像原理,得出目标立木的测量公式:

      图  4  多株立木成像图

      Figure 4.  Imaging of multiple standing trees

      $$\frac{{{H_1}}}{{\rm PQ}} = \frac{{{{h}_{\rm{1}}}}}{{{f_y}}}$$ (8)

      图4h1为立木在二维平面图像上的成像像素差,可以通过立木在图像上最高点和最低点的差计算得出;fy是相机标定所得的已知参数;PQ为智能手机相机沿光轴方向到目标立木H1的距离。综上可得d与PQ之间的几何关系为:

      $$ {\rm PQ} = \frac{d}{{\cos (\gamma )}}$$ (9)

      已知${\rm{tree1}} = {H_{\rm{1}}}$,结合式(8)和式(9)可得公式:

      $$H = \frac{{{\rm{v 'v}}\cdot{d}}}{{{f_y}\cos (\gamma )}}$$ (10)

      又已知d为目标立木的深度。根据深度提取出公式(11)如下:

      $$H = \frac{h}{{\tan \left( {\gamma + \arctan \left( {\dfrac{{ - \left( {v - {v_0}} \right)}}{{{f_v}}}} \right)} \right)\cos(\gamma )}}\dfrac{{{\rm y'}\rm y}}{{{f_y}}}$$ (11)

      以上公式通过获取立木图像在成像面上的像素差h和相机内部高精度陀螺仪获得的俯视角γ来获取立木的高度H,其中h的单位为m,vfy的单位均为像素(pixel),H的单位为m;v'v是在像素坐标系下待测立木的像素差,y'y 是图像坐标系下待测立木的像素差。

    • 本文使用型号为MI 2S,版本为4.1.2的小米智能手机,使用Java语言和C++语言实现相关功能。经相机标定后求得相机内部参数为:fx = 3 486.563 7,u0 = 1 569.038 3,fy = 3 497.465 2,v0 = 2 107.989 88,设定智能手机距离地面的垂直高度h = 1.30 m,图像分辨率为3 120 × 4 208。输入待测立木图像,利用Graph Cut 图像处理技术对立木图像进行分割。该算法针对自然环境下光线、阴影等因素,通过进行多次图像前背景像素标记完成感兴趣区内局部立木图像初分割,并对多张分割结果进行二值化、腐蚀、膨胀等图像预处理达到去噪、简化图像、减小其他复杂环境因素影响的目的。

    • 在试验场景中,本文针对4株树高分别为4.176、5.109、8.161和11.998 m的立木,分别在不同角度和不同距离下进行了45次测量,对本文立木高度提取的方法进行了验证。结果如表2所示。以激光测树仪、全站仪多次测量的平均值作为立木实际高度的真值记入表中。

      表 2  立木高度测量数据表

      Table 2.  Measuring data of standing tree height

      试验编号
      Experiment No.
      实际值
      Actual value/m
      距离
      Distance/m
      俯视角
      Top view angle/(°)
      测量值
      Measured value/m
      相对误差
      Relative error/%
      1 4.176 6 1.11 4.121 1.32
      2 4.176 6 1.11 4.188 0.29
      3 4.176 6 1.11 4.126 1.19
      4 5.109 6 − 5.45 5.049 1.17
      5 5.109 6 − 5.45 5.383 5.36
      6 5.109 6 − 5.45 5.269 3.13
      7 5.109 6 − 8.11 4.873 4.61
      8 5.109 6 − 8.11 5.167 1.14
      38 5.109 14 15.41 4.912 3.86
      39 5.109 14 15.41 4.967 2.78
      40 8.161 14 2.89 8.002 1.95
      41 8.161 14 2.89 8.050 1.36
      42 8.161 14 2.89 7.936 2.76
      43 11.998 14 − 5.81 11.461 4.48
      44 11.998 14 − 5.81 11.598 3.34
      45 11.998 14 − 5.81 11.514 4.04

      经试验结果分析可知,45组数据的绝对误差范围在0.012 ~ 0.67 m之间(图5)。从图5a可知:在不同的俯视角下进行测量时,当俯视角接近0°,测量值和真实值的误差较小,测量结果较为精确;在俯视角近似的情况下,待测立木的高度增加时,其测量误差也随之增大。

      图  5  误差分析图

      Figure 5.  Chart of error analysis

      分析在不同距离下本方法的精度。如图5b所示:可以得出在较近的距离下,测量立木时能够取得良好的精度;但随着拍摄距离的增大,受图像畸变的影响,不能准确获得立木的图像信息,所以在测量较高树木时会产生较大的误差。

      对本试验所测量的45组数据建立相对误差分布图(图6)。从图6可知,大部分的相对误差显示在图像的左侧,且相对误差的值在5%以下。此外,通过对不同树木的高度、拍摄距离以及对应的相对误差建立三维点云模型,在不同维度上构建误差点云分布图进行比较分析。

      图  6  三维误差点云分布图

      Figure 6.  Point cloud distribution map of 3D error

      在误差点云分布图中,数据点的分布趋于稳定状态。其中,树高测量的最高相对误差为8.33%,最低相对误差为0.29%。在误差折线图中,同一角度和距离下所测得的平均相对误差也呈现稳定状态。其中最高的平均相对误差为4.36%,最低的平均相对误差为0.93%。在不同距离下,使用该方法对不同树木高度进行测量的相对误差、同一距离下平均误差的分析可知,在多株立木的高度测量中本方法具有较强的实用性。

      经树高测量试验分析,针对本模型的树高测量功能得到以下结论:

      (1)在森林资源调查中,获取立木图像时选取的距离对后续的处理有很大的影响,选择立木图像位置在主点处能够取得更好的效果。

      (2)测量时,智能手机摄像机内部俯视角越小,能够获得的深度信息越准确,立木高度测量的精度就越高。

      (3)在实际场景中,测量人员的距离和待测立木的高度相接近时,可有效地提高测量结果的精度,得到更理想的高度。

    • 为了验证本方法在实际外业中的可行性和稳定性,试验随机选取了60棵树木进行树高测量。其中树高测量的真值通过全站仪、激光测树仪进行多次测量求平均值获得(图7)。

      图  7  外业树高测量结果

      Figure 7.  Measurement results of field tree height

      为了得知本方法在不同高度下立木高度测量结果误差分布情况,以3 m为跨度把60组数据划分为5个小组。5个小组的误差分析结果如表3所示。

      表 3  树高计算结果误差分析

      Table 3.  Error analysis on calculating results of tree height

      树高
      Tree height/m
      株数
      Plant number
      平均绝对误差
      Mean absolute error/m
      平均相对误差
      Mean relative error/%
      3 ~ 6 9 0.13 2.79
      6 ~ 9 10 0.17 2.22
      9 ~ 12 11 0.23 2.29
      12 ~ 15 17 0.34 2.56
      > 15 13 0.38 2.39
      总计 Total 60 0.27 2.45

      通过试验结果分析可知:60株立木的树高测量结果在5个小组内平均绝对误差范围为0.13 ~ 0.38 m,平均相对误差为2.22% ~ 2.29%,树高测量结果在不同小组内误差范围相差不大,较为稳定;同时,相对误差范围为− 3.59% ~ 3.99%,平均相对误差为2.45%。由此得出,在外业试验中,本文高度测量模型的平均单次测量精度能够与测试数据中误差小于5%的精度吻合。同时,根据上面的试验分析结果,选取合适的距离、俯视角进行测量,能使其测量精度得到进一步提升,更能满足国家森林资源连续清查对树高测量精度的要求。

    • 本文提出了单目视觉下多株立木的高度测量方法。以智能手机设备为输入设备,利用几何相似法和摄影测量中三维空间到二维空间的坐标映射关系,能够实现林业调查中立木高度的快速精确测量。

      利用智能手机设备,结合智能手机相机成像系统内部的几何关系,能有效建立树木高度测量模型。同时,用智能手机设备的内部处理器对收集到的数据进行处理,反应速度完全可以达到林业生产的要求,从而为获取精确的树高提供了硬件支持。本文根据单目视觉下的物体成像系统,通过事先对相机进行标定从而获得相机的内部参数和外部参数;选择几何相似法,对该模型进行逆求解,获取智能手机到立木底端的深度信息;再结合陀螺仪获取的俯视角,能有效地以低成本的方式通过深度信息和角度信息实现多株立木高度的快速测量,并且在部分遮挡下,待测立木只有部分的树冠被遮挡,其余主要部分的树干和顶部的树冠没有被遮挡住,就可以在待测立木高度相近的距离下寻找适当的角度拍摄待测立木。本方法能够应用且测得较为精准的立木高度。最后,对被测立木进行试验验证,得知利用本方法进行外业树高测量提取立木高度的绝对误差小于0.38 m,相对误差最大值为4.7%,且在5个小组内,其平均绝对误差均小于0.40 m,平均相对误差均小于3%,在不同高度的范围内都具有较高的精确性。同时,实际外业树高测量的总计平均相对误差为2.45%,树高测量精度可达97.55%,能够满足国家森林资源二类调查中树高测量精度的要求。

      相较于现有的单目视觉立木高度测量的方法,大多都是针对单株立木进行测量。针对这一缺陷,本文所提出的测量方法成本低且工作效率高,能够较为准确地在单目视觉下测得多株立木的高度。但本文仍然存在一些不足,如在进行实际拍摄时,容易受到智能手机相机的畸变影响;不同的待测立木之间的实际距离相差过大时,容易在成像时产生较大的畸变,导致该方法的精度受到影响。在后续研究中,如何在不同环境下尽可能消除图像边缘地区的畸变,将是研究的重点方向。

参考文献 (32)

目录

    /

    返回文章
    返回