全 文 ：第 51 卷 第 7 期
2 0 1 5 年 7 月
林 业 科 学
SCIENTIA SILVAE SINICAE
Vol. 51，No. 7
Jul．，2 0 1 5
doi:10．11707 / j．1001-7488．20150714
收稿日期: 2014 － 07 － 16; 修回日期: 2014 － 10 － 28。
基金项目: 北京高等学校“青年英才计划”(YETP0759) ; 中国博士后科学基金特别资助项目(2013T60070) ; 国家林业局引进国际先进林
业科学技术(948)项目(2011 － 4 － 02)。
* 刘晋浩为通讯作者。
基于二维激光与图像的人工林采育目标检测方法*
丁小康 闫 磊 孔建磊 刘晋浩
(北京林业大学工学院 北京 100083)
摘 要: 【目的】对人工林区内的采育目标进行检测和识别，为采育作业操作员提供辅助信息，弥补人眼判断的
不足，提高作业效率，降低操作风险。【方法】提出一种基于二维激光和图像的人工林采育目标检测方法，主要内
容包括以下几个方面: 1) 基于二维激光测距仪和红外热像仪搭建采育目标信息采集系统，利用上位机对传感器的
信息采集进行控制，并对采集到的信号进行预处理，获取目标的激光数据、可见光图像和红外热图像; 2) 将激光与
图像进行标定，得到图像中的目标区域，同时由激光坐标得到目标的位置信息，为目标识别和定位打好基础; 3) 将
可见光图像与红外图像进行融合，融合后的图像信息更丰富并减少由单一传感器所引起的不确定性，起到互补的
作用; 4) 根据采育目标的特点，基于激光与图像信息进行特征提取，包括温度特征、颜色特征和形状特征等，为目
标识别提供具体依据; 5) 在获得采育目标特征的基础上，运用当前流行的机器学习算法———支持向量机( SVM)，
通过大量样本训练和学习，建立特征参数与采育目标的数学模型; 6) 在 SVM 模型的基础上，利用 3 种不同的优化
算法对其参数进行优化，提高识别性能。【结果】将不同算法优化后的模型通过受试者工作特征曲线(ＲOC 曲线)
进行对比，结果显示，采用遗传算法优化后的模型对人工林采育目标的识别正确率能够达到 96%以上，具有较好的
识别效果。【结论】将多传感器融合技术引入到林业智能装备中，取代常用的昂贵的三维激光扫描系统，采用二维
激光与图像结合的方式，一方面节省了成本，另一方面，针对二维数据，系统的数据处理速度更快;同时，多传感器
之间的互补作用使得对目标的测量和识别更为准确。
关键词: 激光; 图像; 采育目标; 识别; 检测
中图分类号: S792. 39 文献标识码: A 文章编号: 1001 － 7488(2015)07 － 0129 － 07
A Target Detection Method for Artifical Harvesting Based on 2D Laser and Images
Ding Xiaokang Yan Lei Kong Jianlei Liu Jinhao
( School of Technology，Beijing Forestry University Beijing 100083)
Abstract: 【Objective】When large forestry equipment are in practice，it needs operator to make a lot of observation to
determine due to the complexity of forest environments and the impact of obstacles，which result in intermittent operation，
reducing operational efficiency． Especially in poor light conditions，it will greatly increase the risks for the operator． Based
on 2D laser and images，harvesting targets in artificial forest were detected and identified in this study by using information
fusion technology，which provided supplementary information to the operator to compensate for the lack of the human eyes．
【Method】This paper presented a target detection method for artificial forest harvesting based on 2D laser and images． The
main contents were: 1) Built harvesting target information collection system based on 2D laser scanner and thermal imager，
where PC was applied to control the information collection． Also the collected signal pretreatment was conducted in this part．
Then laser data，visible and infrared images were captured for targets． 2 ) Internal and external joint calibration was
conducted between laser points and image to match them together，thereby obtaining the target area image we need at the
same time to obtain the coordinate position of the target by the laser information，which provided the basis for subsequent
target recognition． 3 ) Fused the visible image and infrared image． Fused image had richer information and reduced
uncertainty caused by a single sensor． 4) According to the collected information，features including temperature，colors and
shape were extracted to provide specific evidence for target identification． 5) On the basis of obtained features，a popular
machine learning algorithms-support vector machineswas applied by training and learning with a number of samples to
establish math model for features and targets． 6) The characteristic parameters of the mathematical model were optimized by
林 业 科 学 51 卷
3 different optimization algorithms to improve recognition performance． 【Ｒesult】Models with different optimizations were
compared by ＲOC curves． Experiment results showed that the optimized model by GA used in this paper could recognize
harvesting targets effectively and it’s correct rate could reach more than 96% ． 【Conclusion】Multi-sensor fusion technology
was introduced into smart forestry equipment in this paper． Instead of the commonly used expensive 3D laser scanning
system，2D laser and images were combined and used． On the one hand，it saved the costs; on the other hand，for the 2D
data，the data processing was faster． At the same time， the complementary among sensorsmade the measuring and
identification more accurate． The results showed that the method used in this study could provide the information needed by
forestry equipment operations，which improved operational efficiency and reduced operational risks．
Key words: laser; image; harvesting target; recognition; detection
据 2014 年第 8 次全国森林资源清查结果显示，
我国现有森林面积 2. 08 亿 hm2，森林覆盖率达
21. 63%，人工林保存面积 0. 69 亿 hm2，居世界前列，
预计到 2020 年，我国森林面积将再增加 4 000 万
hm2。随着我国林地面积的不断增加，必须加快林业
产业的发展，建立发达的林业产业体系。森林采伐是
林业产业的一部分，目前，我国现有的林业机械，大多
功能单一，只能完成单项的林业作业，大多数地区仍
然使用油锯进行伐木，使用拖拉机进行集材，有些地
区甚至还采用牲畜集材。这种落后的人工抚育和采
伐技术已远远满足不了林业生产需要，严重制约了我
国林业产业的发展(刘晋浩等，2006)。
为满足我国林业产业快速发展的需要，作者所
在课题组成功研制了国内首台联合伐木机，集伐木、
打枝、造材、归装等多功能于一体，能够完成人工林
采伐的全部作业过程，作业效率可达人工采伐生产
的 80 倍以上。但由于林地环境复杂及障碍物的影
响，造成连续采伐作业间断，并增加了操作员的危险
性，降低了作业效率，因此，准确识别采育目标并获
取其方位信息十分重要。
在林业装备的智能检测系统研究方面，国外取
得了较显著的成果:芬兰庞赛公司生产的联合采伐
机，通过激光测距仪及角度传感器等信息融合得到
了立木的精确测量数据，提高了工作效率;美国约翰
迪尔公司生产的多个型号联合采伐机装配测量和控
制系统，在作业过程中，可通过三维激光扫描测距系
统自动测量立木的胸径、高度等数据并实时反馈;芬
兰赫尔辛基理工大学在联合采伐机的伐木头上安装
了 2 部 3D 激光测距仪，采用非接触测量的方法，融
合惯性测量系统的数据，自动获取立木信息，提高了
联合采伐机的采伐和造材作业时的效率以及智能化
水平 ( Jutila et al．，2007; Miettinen et al．，2007;
Ohman et al．，2007)。
在林区的立木检测算法方面，国外也开展了
许多工作:Pfeifer 等 ( 2004 )利用三维激光系统实
现了单个树木的三维模型重建，从而可获取树木
参数信息;Hopkinson 等(2004)采用地面激光测量
系统获取了立木的位置、高度、立木间距密度等数
据;Thies 等(2004)采用地面激光测量系统对树木
胸径、树高和倾斜度等参数进行了估测，并进行了
试验验证;Simonse 等(2003)利用霍夫变换和圆拟
合提出了一种基于数字地面模型的树干自动检测
方法;在此基础上，Aschoff 等 ( 2004 )加入了椭圆
拟合算法来检测树干，并用线性回归法对检测结
果进行了验证;Király 等 (2007 )提出了一种聚类
算法和所谓的“新月”算法来测量树木的高度。
在国内，吴春峰等 (2009 )采用三维激光扫描
系统对立木进行扫描，得出胸径、树高等数据，从
而得出立木材积，试验结果表明激光扫描获得的
立木材积数据可以替代传统方法测算的立木材积
数据，在森林资源调查中可大大提高工作效率;罗
旭等(2007)、韩光瞬等 (2005 )利用三维激光扫描
系统对立木进行扫描，通过对点云数据进行分析，
获取了立木高度、胸径、树冠体积、表面积等测树
因子，与伐倒木后的实测数据比较表明，此方法可
以满足森林资源调查的精度要求;王典等 (2011)
进行了基于二维激光扫描的林木联合采育机作业
环境测量，提出了最小二乘法拟合活立木直径的
策略，并通过系统聚类的方法对作业林木间大型
障碍物进行了区分识别。
综上可以看出，虽然国内已经使用激光扫描
系统来测量树木，但多传感器信息融合技术尚没
有在联合伐木机的障碍物识别中应用。因此本文
将多传感器信息融合技术引入到林木联合采伐装备
中，基于二维激光测距仪和红外热像仪对目标进行
信息采集，用二维激光测距仪获取障碍物位置数据，
利用可见光图像提取图像中的颜色和区域特征，并
将红外图像与可见光图像进行融合得到物体反射特
性，有效对采育目标进行识别与定位，以提高作业效
率，降低操作风险。
031
第 7 期 丁小康等: 基于二维激光与图像的人工林采育目标检测方法
1 基于激光与图像的信息采集系统
本研究中，采用 SICK LMS291 二维激光扫描仪
和 FLUKE Ti55 红外热像仪搭建信息采集系统，如图
1 所示。2 种传感器设置在同一平面上，以便于数据
标定，并安装在三脚架上来调整位置和角度，同时连
接至上位机进行数据采集控制。采集到的激光和图
像数据如图 2 所示，其中，二维激光测距仪用来获取
障碍物位置数据，可见光图像用来提取图像中的颜色
和区域特征，红外图像则可以得到物体的温度特性。
图 1 基于激光和图像的信息采集系统
Fig. 1 Information collection system based on laser and image
2 激光数据与图像的标定
基于相机和激光的测量系统，其标定过程分为
2 部分: 单传感器标定和多传感器联合标定。
2. 1 红外热像仪内部参数标定
图 3 所示为红外照相机的针孔成像模型。任意
选取空间点 Pw，其在世界坐标系的值为( Xw，Yw，
Zw)，p( u，v)是 Pw在像平面坐标系的投影点，其相
机坐标系的值为(Xm，Ym，Zm )。相机坐标系 Z c轴
与像平面垂直，且相机坐标系与像平面 XO2Y 平行，f
为相机的焦距。通过坐标归一化，可得相机坐标系
到像素坐标系的转化关系(Bouguet，2013)如下:
u
v

1
= k·K·
X c /Z c
Y c /Z c

1
= k /Z( )c
fu s u0 0
0 fv v0 0

0 0 1 0
X c
Y c
Z c

1
。
(1)
式中: u，v 为像素坐标系的纵向和横向坐标; k 为
比例系数; Z c为设定已知的摄像机垂直方向的坐
标; fu，fv为图像在像素坐标系中 u 向和 v 向的投影
焦距; u0，v0为像素坐标系中心原点。
本试验的相机视场角很小，畸变不明显，因此畸
变系数设置为 s = 0，只需求解内部参数 K，fu，fv，u0
图 2 信息采集系统采集到的图像与激光数据
Fig. 2 Images and laser data captured by
information collection system
和 v0。在 Matlab 相机标定工具工作环境中，自行设
计黑白标定板，运用张氏标定法，摆放不同位置，获
取相机内部参数的求解:
K =
5 983 ． 82 0 1 310 ． 5
0 5 894 ． 61 859 ． 4

0 0 1
。 (2)
2. 2 外部参数联合标定
图 4 所示为激光与图像外部联合标定的坐标系
转换关系。假设空间中一点 Pw在激光雷达坐标系
下的坐标为 P l = X l，Y l，Z[ ]l ，经过坐标系的旋转和
平移后得到该点在摄像机坐标系下的坐标为 P c =
X c，Y c，Z[ ]c 。激光扫描仪获取的激光数据具有真
实的空间信息，因此通过 3 × 3 的空间旋转矩阵 Φ
131
林 业 科 学 51 卷
和 3 × 1 的平移矩阵 Δ，可得相机坐标系和激光坐标
系的转换关系(Bouguet，2013)如下:
P c = ΦP l + Δ。 (3)
展开可得:
X c
Y c
Z c

1
=
φ1 φ2 φ3 Δ1
φ4 φ5 φ6 Δ2
φ7 φ8 φ9 Δ3

0 0 0 1
·
X l
Y l
Z l

1
。 (4)
由式(4)可知，坐标系间的旋转矩阵和平移矩
阵转化为求解上式矩阵中 12 个未知数的问题，通过
选取已知点，得到求解上式的超定方程组，通过求解
可得到旋转矩阵和平移矩阵的解如下:
Φ =
0 ． 870 8 0 ． 040 9 1 ． 000 0
0 ． 004 4 － 0 ． 041 3 2 ． 000 0
－ 0 ． 000 0 － 0 ． 000 0 3 ．

000 0
。(5)
Δ = ［－ 150. 976 5，214. 363 6，2 920］T。 (6)
将计算出的结果代入式(3)，得到激光与图像
的标定结果如图 5 所示。
图 3 单目相机的针孔成像模型
Fig. 3 Pinhole imaging model of monocular camera
图 4 外部参数联合标定原理
Fig. 4 Joint calibration principle for external parameters
图 5 激光与图像标定结果
Fig. 5 Calibration result for laser points and image
信息采集系统的高度基本为胸径位置，图 5 中
树木位于斜坡上，采集系统平行于斜坡对目标进行
测量，因此使得激光标定点位置偏高;但数据点仍集
中在树干部位，不影响检测结果。
3 图像融合与特征提取
3. 1 可见光图像与红外图像融合
本文中采用的红外热像仪可以同时采集可见光
图像和红外图像。单用一种图像会受到环境条件的
限制，当光线条件差或者有障碍遮挡时，红外图像可
以有效检测目标; 当温差不明显时，可见光图像可
以更好地检测目标。因此，将二者进行图像融合，可
以避免单一传感器信息的不准确性，取长补短，使图
像信息更加丰富。
本文利用“轮廓波”变换来进行像素级的图像
融合。“轮廓波”变换是 Do 等(2002)提出来的，它
可以将图像进行多尺度、多方向分解，在细微的方向
轮廓和线条表达方面具有独特的优势。图 2 中可见
光图像和红外图像的融合结果如图 6 所示。
图 6 图像融合结果
Fig. 6 Image fusion result
231
第 7 期 丁小康等: 基于二维激光与图像的人工林采育目标检测方法
3. 2 特征提取
基于上述工作基础，对目标进行特征提取。特
征的选择要具有代表性，能够对目标进行描述并代
表其特性。本文根据信息数据以及目标特点，选择
了温度、颜色和形状特征 3 个方面。
温度特征是根据红外温度对照表，计算目标区
域内平均温度得出; 颜色特征由 ＲGB 表示，也是通
过计算区域内的平均 ＲGB 获得; 形状特征包括宽
高比和矩形度，宽高比是目标区域最大宽度和最大
高度的比值，矩形度是目标区域面积与其最小外接
矩形面积的比值，这 2 项形状特征都可有效地表达
树木的特性。
基于以上提取的特征，每一个目标样本对应一
个 6 维的特征向量，作为目标识别算法的输入。
4 采育目标识别模型的选择
支持向量机( SVM)最早是由 Vapnik(1995)提
出的，是一种新的机器学习算法，其主要思想是将线
性不可分的问题通过映射到高维空间转换为线性可
分问题。与其他模式识别算法相比，SVM 计算复杂
度低且具有更好的泛化能力，因此本文选取 SVM 模
型对采育目标进行识别。
SVM 模型主要是通过样本训练学习来求解分
类最优平面，只考虑离平面最近的点。广义的最优
平面求解问题可转化为求下列函数的最小值
(Vapnik，1995):
 w，( )ξ =
1
2 w·
( )w + C ∑
n
i = 1
ξ( )i 。 (7)
式中: ω 为超平面上的单位法向量; C 为惩罚参数，
其取值会影响分类器的泛化能力; ξ 为松弛变量，反
映噪点对分类结果的重要性。
当样本数据线性不可分时，需要引入核函数
Ψ( xi，x)，将样本向量映射到高维空间，变成高维空
间中线性可分。引入核函数的目标函数可表示
如下:
f( x) = sgn ∑
m
i = 1
α i y iΨ( xi，x)[ ]+ b 。 (8)
常用的核函数有线性函数、多项式函数、径向基
函数等，其中最为广泛使用的是径向基函数，其参数
复杂性较低，并能够实现非线性映射，因此，本文采
用径向基函数作为核函数:
Ψ( x，y) = exp － ‖x － y‖
2
2σ( )2 。 (9)
SVM 模型的分类性能取决于误差惩罚参数 C
和内核参数 σ，2 个参数各自的取值大小会对分类
器性能造成相反的影响，因此，需要找到平衡点，使
得 2 个参数的取值能够得到最优的分类结果。本文
采用 3 种不同的参数优化算法: 网格搜索法(GS)
(Liu et al．，2010)、粒子群优化 ( PSO) ( Eberhart et
al．，1995)和遗传算法(GA)(Chen et al．，2004)对 C
和 σ 的取值进行优化，计算得到 2 个参数最佳的
取值。
4. 1 网格搜索法
网格搜索法是一种统计分析算法，其基本实现
过程为:
1) 首先对 C 和 σ 给定取值范围，在该范围内
将 C 和 σ 的取值进行网格划分;
2) 然后遍历每一个网格的取值，计算每个网格
取值时分类器的分类结果;
3) 最后选出分类结果最优时所对应的 C 和 σ
取值，作为其最优解。
4. 2 粒子群优化
粒子群算法是一种基于群体智能的启发式全局
搜索算法，其基本原理是在一个复杂的搜索空间中，
通过粒子群间的竞争与合作来实现全局最优搜索。
其实现过程为:
1) 在某一范围内初始化 C 和 σ 的取值，形成
一组粒子群，并设定其每个粒子的位置和速度;
2) 计算每一组取值下分类器的分类结果，将其
与当前的个体极值和全局极值进行对比并更新;
3) 同时更新当前粒子的位置和速度;
4) 当误差小于设定值或者满足迭代次数时，停
止计算并输出结果，否则返回步骤 2。
4. 3 遗传算法
遗传算法是一种模仿生物进化的优化算法，其
实现过程为:
1) 在某一范围内初始化 C 和 σ 的取值，形成
第一代个体，并设定其选择概率、交叉概率和变异
概率;
2) 计算每个个体取值下分类器的分类结果;
3) 通过选择因子、交叉因子和变异因子完成生
物进化过程，生成下一代个体;
4) 当满足进化代数时停止计算并输出结果，否
则返回步骤 2。
5 结果与分析
本研究的数据采集地点在北京奥林匹克森林公
园，公园模拟北京当地乡土生态环境及植物自然群
落的组合规律。奥林匹克森林公园现有绿化面积
478 hm2，乔灌木 55 万余株，植物品种 280 余个，绿
331
林 业 科 学 51 卷
化覆盖率 95. 61%。试验中，信息采集系统对采育
目标采集数据的高度基本固定在胸径位置，并且平
行于地面，数据分析主要集中在树干位置，因此不受
林地坡度以及林下大量灌草植被的影响。另外，本
研究中只对图像中激光标定的区域进行目标识别，
即只考虑激光扫描到的最前端的目标，因此也基本
不受复杂背景林地的影响。基于激光与图像的信息
采集系统是安装在林业装备上的，受复杂林地条件
影响的是林业装备，安装有该系统的林业装备能适
用的林地，该系统就能适用。
本研究中，针对不同树种共采集了 400 组采育
目标样本，经过激光和图像预处理后，提取了包括温
度、颜色、宽高比、矩形度等样本特征。样本数据中，
随机选取 300 个作为训练样本集，其余 100 个作为
测试样本。
采用 3 种优化算法对向量机参数进行了优化，
包括网格搜索法(GS)、粒子群优化算法(PSO)和遗
传算法(GA)，另外还选取了模型默认值作为对照
组，优化结果如表 1 所示。
表 1 不同优化算法优化后的支持向量机分类效果①
Tab. 1 Classification results of SVM with different optimization algorithms
优化算法 Optimization algorithm C σ
最佳适应度
Best fitness(% )
识别正确率
Identification accuracy rate(% )
默认值 Default 2 0. 5 － 86. 3
网格搜索法 Grid search 16 0. 006 92. 52 95. 0
粒子群算法 Particle swarm optimization 2. 026 3 0. 000 6 92. 66 93. 3
遗传算法 Genetic algorithm 1. 341 0. 01 94. 83 96. 7
①最佳适应度: 优化过程中获得的最佳分类结果;识别正确率: 目标被正确识别的数目与目标总数的比值。Best fitness: The best
classification result during optimization process． Identification accuracy rate: the ratio of the accurately identified number and total number of targets
从表 1 可以看出，不同优化算法优化后的 C 和
σ 取值结果有很大不同。其中，默认参数C = 2，σ =
0. 5 作为参考对比。显然，经过优化后的 SVM 模型
具有更好的识别正确率，可以达到 90%以上。其中
经过遗传算法优化后的 SVM 模型具有最高的识别
正确率，达到了 96. 7%。图 7 是通过 ＲOC 曲线来显
示不同优化算法下 SVM 模型的分类性能。
图 7 不同优化算法下 SVM 模型的 ＲOC 曲线
Fig. 7 ＲOC curves of SVM models with different
optimization algorithms
图 7 中，纵坐标 TPＲ 表示正类样本分类正确
率，横坐标 FPＲ 表示有多少负类样本被错误判断成
为了正类样本。图 7 形象地说明了每个模型的性
能，越接近左上角的 ＲOC 曲线具有越高的识别精
度，其分类性能越好。
选取优化后性能最好的 SVM 模型对本研究采
集的 400 组数据进行训练和测试，其结果如图 8
所示。
图 8 采育目标识别结果
Fig. 8 Identification result for harvesting targets
从图 8 可以看出，被正确检测到的采育目标由
矩形框出来显示在可见光图像中，并按照从左到右
的顺序由数字序号标示出来，每个目标所对应的位
置信息也同时被显示出来，便于操作者进行下一步
操作。
6 结论与讨论
本文提出了一种基于多传感器融合的采育目标
识别方法。首先，基于二维激光测距仪和红外热像仪
搭建了信息采集系统，其中激光可获取采育目标的方
位信息，可见光图像可获取的颜色和区域特征，红外
图像可获取物体的温度特性; 然后将激光与图像进
行标定，获取图像中的目标区域; 同时，将可见光图
像与红外图像进行融合，融合后的图像信息更丰富，
并减少了由单一传感器所引起的不确定性，起到互补
431
第 7 期 丁小康等: 基于二维激光与图像的人工林采育目标检测方法
的作用; 之后在目标区域内对采育目标进行特征提
取，包括温度、颜色和形状特征等，为目标识别提供具
体依据; 最后，在获得采育目标特征的基础上，运用
当前流行的机器学习算法———支持向量机，通过大量
样本训练和学习，建立特征参数与采育目标的数学模
型，并对其参数进行优化，提高识别性能。结果显示，
本文中采用的优化后的模型识别正确率能够达到
96%以上，具有较好的识别效果。
本文将多传感器融合技术引入到林业智能装备
中，取代常用的昂贵的三维激光扫描系统，采用二维
激光与图像结合的方式，一方面节省了成本，另一方
面，相对于庞大的三维激光数据，本研究中的数据复
杂度较低，处理速度更快;同时，多传感器之间的互
补作用，使得对目标的测量和识别更为准确，为采育
目标的实时识别提供理论基础。本研究中采用的方
法能够为林业装备林间作业提供所需的信息，提高
作业效率，降低操作风险。
参 考 文 献
韩光瞬，冯仲科，刘永霞，等 ． 2005．三维激光扫描系统测树原理及
精度分析 ． 北京林业大学学报，27( S2) : 187 － 190．
(Han G S，Feng Z K，Liu Y X，et al． 2005． Forest measurement
principles and precision analysis of three-dimensional laser scanning
system． Journal of Beijing Forestry University，27( S2) : 187 － 190．
［in Chinese］)
刘晋浩，王 丹 ． 2006． 谈国内外人工林抚育机械的现状及发展趋
势 ． 森林工程，22(3) :12 － 14．
(Liu J H，Wang D． 2006． The actuality and development trend of
plantation tending machines at home and abroad． Forest
Engineering，22(3) :12 － 14． ［in Chinese］)
罗 旭，冯仲科，邓向瑞，等 ． 2007． 三维激光扫描成像系统在森林
计测中的应用 ． 北京林业大学学报，29( S2) : 82 － 87．
(Luo X，Feng Z K，Deng X Ｒ，et al． 2007． Application of 3D laser
scanning imaging system in forest measuring． Journal of Beijing
Forestry University，29( S2) : 82 － 87． ［in Chinese］)
王 典，刘晋浩，王建利 ． 2011． 基于系统聚类的林地内采育目标
识别与分类 ． 农业工程学报，27(12) : 173 － 177．
(Wang D，Liu J H，Wang J L． 2011． Identification and classification of
scanned target in forest based on hierarchical cluster． Transactions of
the Chinese Society of Agricultural Engineering，27 ( 12 ) : 173 －
177． ［in Chinese］)
吴春峰，陆怀民 ． 2009． 基于激光扫描的立木材积测定关键技术研
究 ． 哈尔滨: 东北林业大学硕士学位论文 ．
(Wu C F，Lu H M． 2009． Ｒesearch of measuring standing volume based
on laser scanning system． Harbin: MS thesis of Northeast Forestry
University． ［in Chinese］)
Aschoff T，Spiecker H． 2004． Algorithms for the automatic detection of
trees in laser scanner data． International Archives of
Photogrammetry，Ｒemote Sensing and Spatial Information Science，
36(8) :71 － 75．
Aschoff T，Thies M，Spiecker H． 2004． Describing forest stands using
terrestriallaser-scanning． International Archives of Photogrammetry，
Ｒemote Sensing and Spatial Information Sciences，35 (5 ) : 237 －
241．
Bouguet J Y． 2013． Camera calibration toolbox for matlab． http:∥www．
vision． caltech． edu / bouguetj / calib_doc / htmls / parameters． html．
Chen P W，Wang J Y，Lee H． Model selection of SVMs using GA
approach． Proc of 2004 IEEE Int Joint Conf on Neural Networks，
2035 － 2040．
Do M N，Vetterli M． 2002． Contourlets: a directional multi-resolution
image representation． Proceedings 2002 International Conference on
Image processing，357 － 360．
Eberhart Ｒ，Kenney J． 1995． A new optimizer using particle swarm
theory． Proc of the Sixth International Symposium on Micro Machine
and Human Science，39 － 43．
Hopkinson C，Chasmer L，Young-Pow C，et al． 2004． Assessing forest
metrics with a ground-based scanning lidar． Canadian Journal of
Forest Ｒesearch，34(3) :573 － 583．
Jutila J，Kannas K，Visala A． 2007． Tree measurement in forest by 2D
laser scanning． International Symposium on Computational
Intelligence in Ｒobotics and Automation，491 － 496．
Király G，Brolly G． 2007． Tree height estimation methods for terrestrial
laser scanning in a forest reserve． ISPＲS Workshop on Laser
Scanning 2007 and Silvi Laser 2007，36(3) :211 － 215．
Király G，Brolly G． 2008． Modelling single trees from terrestrial laser
scanning data in a forest reserve． The Photogrammetric Journal of
Finland，21(1) :37 － 50．
Liu X L， Jia D X， Li H． 2010． Ｒesearch on Kernel parameter
optimization of support vector machine in speaker recognition．
Science Technology and Engineering，10(7) : 1669 － 1673．
Miettinen M， Ohman M， Visala A， et al． 2007． Simultaneous
localization and mapping for forest harvesters． IEEE International
Conference on Ｒobotics and Automation，517 － 522．
Ohman M，Miettinen M，Kannas K，et al． 2007． Tree measurement and
simultaneous localization and mapping system for forest harvesters．
The 6th International Conference on Field and Service Ｒobotics，
369 － 378．
Pfeifer N，Gorte B，Winterhalder D． 2004． Automatic reconstruction of
single trees from terrestrial laser scanner data． ISPＲS XXth
Congress，114 － 119．
Simonse M，Aschoff T，Spiecker H，et al． 2003． Automatic determination
of forest inventory parameters using terrestrial laser scanning．
Institute for Forest Growth，Freiburg，Germany，1 － 7．
Thies M，Pfeifer N，Winterhalder D， et al． 2004． Three-dimensional
reconstruction of stems for assessment of taper， sweep and lean
based on laser scanning of standing trees． Journal of Forest
Ｒesearch，19(6) : 571 － 581．
Vapnik V． 1995． The nature of statistical learning theory． New York:
Springer．
(责任编辑 石红青)
531