基于高度上下文描述子的ULS-TLS森林点云配准新方法

本研究针对森林多源点云数据（ULS与TLS）因视角差异、分辨率悬殊导致的配准难题，提出了一种基于地面点高度上下文描述子的自动化配准方法。通过将局部点云高度转化为极坐标矩阵，直接推导垂直变换参数，摆脱了对树木属性提取的依赖，在12个样地124次扫描中实现平均旋转误差2.06 mrad、平移误差6.51 cm的高精度配准，并创新性地提出基于人工球形靶标的客观评估方案，为复杂森林环境下的三维重建提供了新范式。

　　

在森林资源调查领域，如何整合无人机激光扫描（ULS）的冠层数据与地面激光扫描（TLS）的林下信息，一直是三维重建的核心挑战。传统方法依赖树干位置等树木属性进行配准，但在树种混杂、地形复杂的山地森林中，树干提取易受遮挡影响，且ULS对树干的空间采样不足。更棘手的是，两类数据存在厘米级与毫米级的分辨率差异、俯视与侧视的视角鸿沟，现有基于几何特征（点线面）或深度学习的方法往往难以奏效。

中国湖北省林业科学研究院的研究团队在《Forest Ecosystems》发表创新成果，提出完全基于地面点的高度上下文描述子配准方法。该研究在神农架山区12个60m×20m样地展开，这些样地涵盖1500-2400米海拔梯度，包含冷杉、四照花等100余树种，地形坡度12.12°-31.26°，散射维度0.15-0.50，代表了典型的复杂森林环境。研究人员使用RIEGL VUX-120机载激光雷达（飞行高度50米）和Leica RTC360地面扫描仪（测距精度2mm@100m）获取数据，通过六个人工球形靶标建立基准坐标系。

关键技术包括：1）形态学滤波提取ULS/TLS地面点云；2）构建极坐标网格化的高度上下文描述子（径向间隔0.5m，360方位分区），将局部高度信息编码为矩阵；3）基于平面维度a₂、散射维度a₃和法向量夹角建立初始对应关系；4）通过矩阵列平移直接求解旋转参数θ_m；5）结合点对面ICP算法实现精细配准。创新性的评估方案利用TLS-ULS变换参数反推TLS间变换，与球形靶标结果对比验证精度。

【单扫描TLS-ULS配准性能】
在未裁剪原始ULS数据（最大覆盖24.64公顷）条件下，所有124次扫描均成功配准。传统评估法显示平均旋转误差从粗配准的3.62 mrad优化至2.03 mrad，平移误差从13.28 cm降至7.63 cm；而基于球形靶标的新评估法则分别录得2.06 mrad和6.51 cm。地形起伏明显的4号样地（坡度13.67°）达到最佳平移精度2.83 cm，验证了方法在非平坦地形的优势。

【多扫描TLS-ULS配准验证】
将搜索半径r扩展至20米后，多扫描配准平均误差1.67 mrad/6.59 cm。在16.93°坡度的12号样地，其0.28 mrad旋转精度超越传统树基方法，证明该方法可绕过繁琐的TLS间预配准步骤。

【参数敏感性分析】
实验表明当ULS点间距超过0.7米时，需将邻域半径r从5米增至10米以保持稳定性。高度描述子的径向间隔Δr=0.5m与360°方位分区构成最优参数组合，在保证描述力的同时控制计算量在289秒/扫描均值。

这项研究的意义在于：首次实现完全基于地面点的跨平台森林点云配准，突破了对树木属性提取的依赖，使处理效率提升50%以上。提出的高度上下文描述子通过均值高度编码和矩阵平移操作，巧妙解决了ULS与TLS间的分辨率差异问题。特别值得注意的是，该方法在神农架陡峭山地（最大坡度31.26°）的表现优于平坦区域，这与传统树基方法形成互补，为全球山地森林的三维建模提供了普适性方案。未来研究可探索该方法与深度学习在特征提取方面的结合，以进一步提升在热带密林等极端环境下的适应性。