1.基于神经网络复杂场景的树木检测方法，包括如下步骤：步骤1，构建树冠高度模型；

在生成神经网络检测样本之前，需要对LiDAR点云数据进行处理，构建出树冠高度模型；具体步骤如下：

11)对LiDAR点云数据进行高度归一化操作；初始的LiDAR点云数据可以被分为地面点和非地面点，进行高度归一化操作后，将会改变点云数据的高度值，使地面点的高度值为0，非地面点也会随着地面点而改变；

12)构建数字地面模型,即Digital Ground Model,简称DTM；使用高度归一化后的点云数据将所有的地面点构建并生成数字地面模型DTM；

13)构建局部树冠高程模型；使用高度归一化后的点云数据来构建不同高度的局部CHM，局部CHM是过滤掉特定高度值以下的点云数据生成的CHM，每隔5米并且通过步骤14)中的方法构建DSM的方法来构建相应局部无尖峰CHM；

14)构建数字表面模型DSM；考虑所有的Lidar返回，从最高点开始使用增量Delaunay算法构造三角化网格，即Triangulated Irregular Network,简称TIN，根据本实验数据所得的冻结距离为1米，然后冻结高度值小于1米的小三角形来防止Delaunay TIN中生成向下的尖峰，也就是在光栅化的DSM中会变成“凹坑”；

15)将多个无尖峰CHM合并为一个CHM，将所有不同高度值的局部CHM进行叠加，在每个像素位置上去最高值，最终获得无凹坑无尖峰的树冠高程模型；

步骤2，种子点生成，待检测样本生成；

21)动态窗口确定；树冠模型通常呈圆形，所以窗口形状使用圆形；通常树木高度和树冠大小存在联系，当树木越高时，树冠面积就越大，因此可以设计出树冠大小与树木高度之间的关系，阔叶林中可以用公式(1)表示：2

CW＝3.09632+0.00895H (1)其中，CW代表树冠直径，H为树木高度；针叶林环境中可以用公式(2)表示：2

CW＝3.75105‑0.17919H+0.01241H (2)而针叶林与阔叶林混合的场景中可以用公式(3)表示：2

CW＝2.51503+0.00901H (3)根据以上公式，能够通过数据的高度值来自动调整窗口大小；

22)种子点确定；在确定的动态窗口中，利用树木大多存在树中心最高，而且树冠高度会随着离树中心的距离越远而降低的特点来将局部最高点作为树冠中心并作为种子点；

23)在点云数据俯视图基础上，以种子点为中心，提取出不同半径的圆形区域作为待检测样本，样本包含点云数据的位置信息和强度信息；

步骤3，神经网络树木检测；

31)数据预处理；对带检测样本进行零均值归一化，归一化样本重采样，采样方法使用最远点随机采样，随机选取一个起始点为起点，迭代计算并添加最远点直至达到指定数目要求的点数；

32)网络训练；通过标定拥有完整单木结构信息的正样本和包含建筑地面、不完整单木、两颗或多棵树木粘连、树木与建筑粘连的负样本来作为网络模型训练的输入，使用基于PointCNN的神经网络进行训练，在进行卷积操作之前通过将前一层的候选点输入多层感知机，即Multi‑Layer Perceptron,简称MLP，学习获得一个K×K大小的变换矩阵，即X变换，如公式(4)所示：

X＝MLP(p1,p2,…,pk) (4)其中p1,p2,…,pk为候选点，将X变换后的矩阵对前一层的特征进行变换后再进行卷积操作，卷积结果可以通过公式(5)表示：其中，Xi，Xii，Xiii是从不同形状中学习得到的变换矩阵，Conv为卷积操作，fi，fii，fiii为卷积结果；

PointCNN网络结构包含四个卷积层；将n个点云数据坐标和强度信息(x1,y1,z1,i1),…(xn,yn,zn,in)输入卷积层中进行X变换卷积操作X‑Conv，经过前卷积层的X变换层维度信息N,C,K，及网络层深度序号D变更过后再输入下一卷积层，经过四个卷积层后再进入全连接层FCs，最后计算出模型损失值Loss；

33)树木检测；基于PointCNN的神经网络训练完成后，将步骤2生成的待检测样本输入网络模型中，将分类为树木且属于同一个种子点的样本中选取概率最高的样本作为最终的检测结果。