基于雙目視覺的樹木高度測(cè)量方法研究

張真維，趙鵬, 韓金城

(東北林業(yè)大學(xué)信息與計(jì)算機(jī)工程學(xué)院，哈爾濱 150040)

隨著現(xiàn)代科學(xué)技術(shù)的迅速發(fā)展，林業(yè)管理工作效率需要不斷提高，精準(zhǔn)林業(yè)成為林業(yè)領(lǐng)域的發(fā)展趨勢(shì)。樹木參數(shù)是林業(yè)調(diào)查的重要指標(biāo)，其中樹高是森林調(diào)查的重要指標(biāo)，對(duì)于樹木生長(zhǎng)具有一定參考價(jià)值[1-2]。機(jī)器視覺可代替人眼對(duì)物體進(jìn)行檢測(cè)和識(shí)別，較為常見的是利用單目攝像頭[3-4]。若要獲取物體的深度信息，僅憑單目攝像頭是不完善的，通常情況下需選擇雙目攝像頭來獲取物體三維信息。目前，智能手機(jī)后置鏡頭數(shù)大多不少于2個(gè)，已達(dá)到雙目視覺測(cè)量的物理環(huán)境，未來將雙目視覺技術(shù)應(yīng)用在智能手機(jī)上可以達(dá)到成本低、操作便捷的效果。同樣的，可以將雙目視覺技術(shù)應(yīng)用在無人機(jī)上，實(shí)現(xiàn)對(duì)地勢(shì)復(fù)雜、不易拍攝的樹木進(jìn)行樹高測(cè)量。此外，雙目視覺技術(shù)對(duì)傾斜樹木的樹高測(cè)量具有一定價(jià)值和意義。

目前，大多采用傳統(tǒng)的望遠(yuǎn)測(cè)樹儀來測(cè)量樹木高度[5]。邱梓軒等[6]利用PDA模塊、遠(yuǎn)程EDM模塊、長(zhǎng)焦CCD鏡頭模塊和云臺(tái)組成望遠(yuǎn)測(cè)樹儀測(cè)量立木高度。有研究人員選擇手持智能手機(jī)通過內(nèi)置傳感器獲取參數(shù)，從而計(jì)算測(cè)得立木高度信息[7-8]。李亞東等[9]以Android智能手機(jī)作為測(cè)量設(shè)備，調(diào)用Android中API接口中的三角函數(shù)對(duì)立木高度進(jìn)行測(cè)量。也有研究人員采用激光雷達(dá)點(diǎn)云數(shù)據(jù)對(duì)樹高信息進(jìn)行提取[10]。劉金鵬等[11]基于Skel Tre算法對(duì)帶有噪聲的TLS(terrestrial laser scanning)數(shù)據(jù)生成骨架模型和圖深度優(yōu)先搜索算法提取單木信息。Maas等[12]對(duì)真實(shí)世界的植被進(jìn)行了主動(dòng)激光掃描，并提出了一種魯棒地重建樹木骨骼結(jié)構(gòu)的自動(dòng)方法。Wu等[13]提出了一種新的基于體素的標(biāo)記鄰域搜索方法，用于從移動(dòng)激光掃描(mobile laser scanning，MLS)點(diǎn)云數(shù)據(jù)中有效地識(shí)別行道樹并獲取其立木形態(tài)參數(shù)。Chen等[14]針對(duì)測(cè)量輸電線路走廊中的樹障，提出了一種雙目視覺測(cè)距方法，用于測(cè)量輸電線路與樹木之間的距離。倪超等[15]采用了NCC(normalized cross correlation)立體匹配算法對(duì)苗木圖像進(jìn)行匹配，提取形態(tài)學(xué)參數(shù)。Ni等[16]用雙目視覺的方法對(duì)樹冠進(jìn)行三維重建。因此，選擇一種具有良好準(zhǔn)確率以及魯棒性，并且較為經(jīng)濟(jì)的測(cè)量樹木高度的方法可以滿足精準(zhǔn)林業(yè)的需求。

筆者采用基于雙目立體視覺原理的樹木高度測(cè)量方法，對(duì)相機(jī)前方樹木提取深度信息，獲取樹木關(guān)鍵點(diǎn)的空間三維坐標(biāo)，從而計(jì)算樹木高度；隨機(jī)選取行道樹進(jìn)行試驗(yàn)研究，并驗(yàn)證該方法的合理性、有效性。

1 雙目視覺與相機(jī)標(biāo)定

1.1 雙目立體視覺模型

雙目立體視覺原理是根據(jù)在同一時(shí)間內(nèi)拍下的雙目圖片所產(chǎn)生的視差，并對(duì)兩張圖片中的信息進(jìn)行三維重建。雙目立體視覺理論中最重要的是獲取物體在圖像中的深度信息。將雙目立體視覺系統(tǒng)應(yīng)用在樹木高度測(cè)量中，獲取樹木關(guān)鍵點(diǎn)的空間坐標(biāo)，即可通過算法計(jì)算樹高結(jié)果。

雙目立體視覺的實(shí)現(xiàn)模型流程為：雙目圖像采集；攝像機(jī)標(biāo)定；圖像校正；特征點(diǎn)立體匹配；樹高測(cè)量。雙目立體視覺架構(gòu)如圖1所示。

圖1 雙目立體視覺架構(gòu)Fig. 1 Binocular stereo vision architect

1.2 雙目視覺系統(tǒng)測(cè)距原理

雙目立體視覺利用雙目圖片的視差而獲取深度信息，其測(cè)量原理如圖2所示。

圖2 視差測(cè)距原理Fig. 2 Parallax distance schematic

圖2中，左、右目相機(jī)位置分別對(duì)應(yīng)B、E兩點(diǎn)；P點(diǎn)為實(shí)際待測(cè)點(diǎn)；CC′為P點(diǎn)在雙目圖像中的成像點(diǎn)距離(d)；兩個(gè)相機(jī)之間的固定距離BE為基線距離(m)；GE為雙目相機(jī)的焦距(f)；P點(diǎn)的深度為D。因此，只要確定C、C′的位置，就可根據(jù)三角關(guān)系確定D。由圖2可知：

(1)

1.3 相機(jī)標(biāo)定試驗(yàn)設(shè)備

選取型號(hào)為GP200(每個(gè)小方格邊長(zhǎng)15 mm)和GP400(每個(gè)小方格邊長(zhǎng)30 mm)，黑白格子數(shù)為12×9的張正友單面棋盤格標(biāo)定板(圖3a)。選取雙目相機(jī)作為圖像采集設(shè)備，相機(jī)為武漢萊娜機(jī)器視覺科技有限公司生產(chǎn)的高幀率可變基線USB3.0雙目相機(jī)(圖3b)。

圖3 試驗(yàn)設(shè)備Fig. 3 Experimental facilities

1.4 標(biāo)定方法與步驟

相機(jī)的標(biāo)定基于MATLAB平臺(tái)，共拍攝了13組標(biāo)定板圖片，將13組雙目圖片分別拆分為左目和右目圖片，并按規(guī)律命名。通過標(biāo)定工具箱對(duì)兩個(gè).mat 文件進(jìn)行雙目標(biāo)定，運(yùn)行工具箱中的“Load left and right calibration files”功能加載兩個(gè)校準(zhǔn)文件；運(yùn)行“Run stereo calibration”功能來優(yōu)化左右相機(jī)的內(nèi)在參數(shù)，即完成雙目標(biāo)定。左、右目鏡頭標(biāo)定再投影誤差均以彩色編碼的十字形顯示，如圖4所示。

圖4 再投影誤差分布 Fig. 4 Distribution of reprojection error

試驗(yàn)中，圖片里標(biāo)定板以世界為中心的相機(jī)有效視場(chǎng)見圖5，可以顯示標(biāo)定過程中標(biāo)定板的13種姿態(tài)和空間位置等信息。

圖5 相機(jī)的有效視場(chǎng)Fig. 5 The effective field of view of the camera

2 匹配算法及樹高測(cè)量方法

2.1 立體匹配

立體匹配是雙目視覺系統(tǒng)中的核心部分，可確定多幅圖像之間投影點(diǎn)間的一一對(duì)應(yīng)關(guān)系，有效的立體匹配可以使關(guān)鍵點(diǎn)更加容易被提取。

2.2 SGBM算法

SGBM算法[17-18]的整個(gè)過程如圖6所示。

圖6 SGBM算法流程Fig. 6 SGBM algorithm flow

1)采用水平Sobel算子提取圖像中的邊緣，獲取圖像的梯度信息，保存起來的預(yù)處理圖像將會(huì)進(jìn)行代價(jià)計(jì)算。Sobel算子公式為：

Sobel(x,y)=2[P(x+1,y)-P(x-1,y)]+P(x+1,y-1)-P(x-1,y-1)+P(x+1,y+1)-

P(x-1,y+1)

(2)

2)代價(jià)計(jì)算。對(duì)左目圖像和右目圖像同時(shí)有兩種處理方式：對(duì)輸入圖像經(jīng)過SobelX水平算子處理后計(jì)算BT代價(jià)[19]；對(duì)輸入圖像直接進(jìn)行BT代價(jià)計(jì)算。前者可以更好地保留圖像邊緣和細(xì)節(jié)信息，后者將會(huì)更好地保留原圖信息。

3)塊計(jì)算。塊計(jì)算的方法是根據(jù)選定像素點(diǎn)周圍8個(gè)鄰接像素的代價(jià)之和進(jìn)行塊匹配，在相對(duì)應(yīng)的右目圖片中，逐一對(duì)像素點(diǎn)周圍8個(gè)代價(jià)值之和進(jìn)行計(jì)算，當(dāng)計(jì)算周圍8個(gè)像素點(diǎn)的絕對(duì)值之和相差最小時(shí)，即認(rèn)為匹配成功。

4)SGM算法。可達(dá)到多路徑約束聚合的目的，使當(dāng)前像素點(diǎn)受到周圍多個(gè)方向路徑的約束。為了優(yōu)化更新像素點(diǎn)的代價(jià)，采用聚合公式來解決這些問題：

E(D)=∑p{C(p,Dp)+
∑q∈NpP1T[(|Dp-Dq|=1)]+
∑q∈NpP2T(|Dp-Dq|>1)}

(3)

式中：E(D)為構(gòu)建的能量函數(shù)；p、q為圖中的像素點(diǎn)；Np為像素點(diǎn)p周圍8個(gè)相鄰像素點(diǎn)的集合。式(3)中的第一項(xiàng)表示像素點(diǎn)p視差為Dp時(shí)的匹配代價(jià)；第2項(xiàng)表示當(dāng)視差差值為1個(gè)像素時(shí)，將增加1個(gè)懲罰系數(shù)P1；Dq為視差，Dp-Dq表示視差差值；第3項(xiàng)表示當(dāng)視差差值大于1個(gè)像素時(shí)，將增加1個(gè)懲罰系數(shù)P2。通常P2>P1，P1是為了適應(yīng)傾斜或彎曲的表面，P2則是為了保留不連續(xù)性。

單一方向上，整張圖片的像素通過動(dòng)態(tài)規(guī)劃公式參與：

Lr(p,d)=C(p,d)+min[Lr(p-r,d),Lr(p-r,d-1)+P1,Lr(p-r,d+1)+P1,miniLr(p-r,i)+

P2]-minkLr(p-r,k)

(4)

式中:C(p,d)表示當(dāng)前代價(jià)；第2項(xiàng)中4個(gè)式子分別表示像素p在某方向上的像素在視差值為d時(shí)的代價(jià)、視差值為d-1時(shí)的代價(jià)加上P1、視差值為d+1時(shí)的代價(jià)加上P1、視差值在非d-1和d+1時(shí)的代價(jià)最小值加上P2；最后一項(xiàng)可起到防止聚合結(jié)果過大的作用。

共有16個(gè)約束方向，則把16個(gè)方向的值加和完成聚合過程，即完成了SGM的代價(jià)優(yōu)化。

5)視差計(jì)算和視差后處理。進(jìn)行后處理操作的目的是處理視差圖在前面步驟中可能造成的視差誤差、圖像魯棒性較差、圖像不連貫等問題。

2.3 BM算法

BM算法對(duì)8位的灰度圖像進(jìn)行處理時(shí)運(yùn)行時(shí)間較短，可生成灰度視差圖像，圖像越亮代表距離越近。在用BM算法進(jìn)行立體匹配時(shí)，模式串(用于匹配原灰度圖像文本串的灰度模板)的移動(dòng)方向?yàn)閺淖蟮接遥Ｊ酱c文本串進(jìn)行比較時(shí)的方向?yàn)閺挠业阶蟆Ｆヅ溥^程中引入壞字符算法和好后綴算法，當(dāng)匹配過程中存在不匹配的情況時(shí)，采用這2種算法進(jìn)行處理，直到完成匹配[20-21]。

2.4 雙目視覺與深度學(xué)習(xí)

通過深度學(xué)習(xí)的方法可以對(duì)樹木進(jìn)行目標(biāo)檢測(cè)與識(shí)別。林朝劍等[22]利用遷移學(xué)習(xí)實(shí)現(xiàn)林業(yè)業(yè)務(wù)圖像識(shí)別；劉嘉政等[23]使用改進(jìn)的CNN模型對(duì)樹種圖像進(jìn)行識(shí)別。雙目視覺可以良好地獲取樹木的深度信息。將深度學(xué)習(xí)技術(shù)與雙目視覺技術(shù)進(jìn)行結(jié)合，使用雙目相機(jī)作為圖像采集設(shè)備，既可以實(shí)現(xiàn)樹種的識(shí)別及檢測(cè)，又可以對(duì)樹高、樹距等空間深度信息進(jìn)行計(jì)算。在同一時(shí)間內(nèi)實(shí)現(xiàn)了二維和三維空間中樹木信息的提取，在林業(yè)工程的實(shí)際工作中具有較好的價(jià)值與意義。采用Yolo v4算法，基于Pytorch框架，對(duì)樟子松和云杉2種樹木在雙目相機(jī)所拍攝的圖像上進(jìn)行目標(biāo)檢測(cè)和識(shí)別。選取139張樟子松圖片以及278張?jiān)粕紙D片作為數(shù)據(jù)集，使用Labelme工具制作標(biāo)簽后進(jìn)行深度學(xué)習(xí)訓(xùn)練。目標(biāo)檢測(cè)與識(shí)別在雙目圖像中的檢測(cè)結(jié)果見圖7。

圖7 雙目圖像中的目標(biāo)檢測(cè)與識(shí)別Fig. 7 Target detection and recognition in binocular images

2.5 提高測(cè)量精度的方法分析

在雙目視覺技術(shù)的基礎(chǔ)上，提高測(cè)量精度(即深度距離)較為關(guān)鍵。

1)算法角度：在圖2中，設(shè)基線距離與焦距恒定，視差為d，視差偏差為Δd，深度距離偏差為ΔD，由式(5)可得，視差偏差越小，則深度距離偏差越小。

(5)

2)硬件角度：設(shè)Δd恒定，由式(6)可得，基線距離與焦距更大時(shí)，深度距離偏差越小。

(6)

3)像素角度：像素越小、物理尺寸恒定時(shí)，參與的像素越多，深度距離偏差越小。

4)深度范圍角度：深度范圍對(duì)精度有影響，設(shè)基線距離、焦距、視差偏差均恒定，由式(7)可得，測(cè)量目標(biāo)越近，深度偏差越小。

(7)

綜上所述，提高測(cè)量精度的方法有：選取高精度視差估計(jì)算法；在合適的場(chǎng)景下，適當(dāng)增加雙目相機(jī)基線距離并酌情采用焦距大的鏡頭；選取像素尺寸小的高分辨率相機(jī)；在合適的情況下，拉近拍攝距離。

在提高測(cè)量精度方面，針對(duì)算法角度，選取SGBM算法，在SGBM算法后處理的過程中進(jìn)行置信度檢測(cè)、亞像素插值、左右一致性檢測(cè)的步驟，達(dá)到了消除錯(cuò)誤視差以及優(yōu)化視差圖像的效果，從而提高了視差的準(zhǔn)確性，即提高了測(cè)量精度。針對(duì)硬件角度，選用了高幀率可變基線USB3.0雙目相機(jī)，以及一對(duì)4 mm和一對(duì)12 mm的鏡頭，在合適的場(chǎng)景下進(jìn)行拍攝試驗(yàn)。針對(duì)像素角度，選用了分辨率為1 280×720的雙目相機(jī)，提高在相同物理尺寸下的像素?cái)?shù)量。針對(duì)深度范圍角度，在拍攝樹木圖像時(shí)，在圖像成像合適的情況下拉近拍攝距離。

2.6 樹高計(jì)算方法

在測(cè)樹學(xué)中，樹高是指樹干的根頸處至主干稍頂?shù)拈L(zhǎng)度[24]，是表示樹木高矮的調(diào)查因子。

樹高示意圖如圖8所示，P點(diǎn)為樹梢頂端點(diǎn)，Q點(diǎn)為地面上根莖與地面的接觸點(diǎn)，P和Q的距離L即為樹高。若要計(jì)算出樹木高度L，可將樹木置于一個(gè)空間直角坐標(biāo)系下，通過P、Q兩點(diǎn)的空間坐標(biāo)計(jì)算L。在雙目立體視覺標(biāo)定過程中已建立了以雙目相機(jī)左鏡頭的中心作為原點(diǎn)空間坐標(biāo)系，此時(shí)，在經(jīng)過SGBM、BM算法之后，獲得的視差深度圖可以較好地獲取樹木關(guān)鍵點(diǎn)的深度信息。設(shè)P點(diǎn)坐標(biāo)為(X,Y,Z)，Q點(diǎn)坐標(biāo)為(A,B,C)，則：

圖8 樹高示意圖Fig. 8 Tree height diagram

(8)

3 結(jié)果與分析

3.1 雙目標(biāo)定結(jié)果

隨機(jī)選擇行道樹作為數(shù)據(jù)進(jìn)行樹木高度測(cè)量試驗(yàn)， 通過MATLAB分別對(duì)雙目相機(jī)左右目鏡頭進(jìn)行標(biāo)定并分別獲取.mat文件，同時(shí)將2個(gè).mat文件作為參數(shù)進(jìn)行雙目標(biāo)定。雙目標(biāo)定后的參數(shù)提取結(jié)果見表1。

表1 雙目標(biāo)定結(jié)果Table 1 Binocular calibration results

3.2 圖像校正

圖像校正的目的是為了使雙目相機(jī)2個(gè)鏡頭的光軸處于平行狀態(tài)，同時(shí)可以檢驗(yàn)雙目標(biāo)定結(jié)果是否準(zhǔn)確，從而達(dá)到像素點(diǎn)在左右目圖像上高度一致的效果。即只有當(dāng)雙目標(biāo)定結(jié)果準(zhǔn)確時(shí)，左右圖像才會(huì)處于像素點(diǎn)一致的狀態(tài)。圖像校正的方法：獲取雙目標(biāo)定結(jié)果參數(shù)；通過Remap函數(shù)實(shí)現(xiàn)圖像校正。圖像校正成功后便可進(jìn)行圖像的立體匹配，深度計(jì)算以及生成深度圖像。試驗(yàn)圖像校正結(jié)果見圖9，點(diǎn)云深度圖圖像見圖10。圖9中，2個(gè)左圖像為雙目相機(jī)左鏡頭拍攝圖片，2個(gè)右圖像為右鏡頭拍攝圖片。圖9a、b、c為針葉、有葉樹冠形態(tài)樹(云杉)，對(duì)應(yīng)圖10a；圖9d、e、f為闊葉、無葉樹冠形態(tài)樹(杏樹)，對(duì)應(yīng)圖10b。由此可知在樹木圖像校正時(shí)，校正結(jié)果準(zhǔn)確，樹木類型(針葉和闊葉)和樹冠形態(tài)(有葉和無葉)對(duì)校正結(jié)果無較大影響。

圖9 待測(cè)樹木圖像校正后的圖像Fig. 9 The corrected images of trees to be measured

圖10 點(diǎn)云深度圖圖像Fig. 10 Point cloud depth image

3.3 立體匹配

獲取樹木有效特征參數(shù)較重要[25-27]。立體匹配雙目圖像最重要的作用是獲取樹木關(guān)鍵點(diǎn)的深度信息，將圖像校正后的2張圖像通過SGBM算法與BM算法獲得樹木的視差深度圖。在這個(gè)過程中，SGBM算法經(jīng)過預(yù)處理、代價(jià)計(jì)算、塊計(jì)算、SGM處理、視差計(jì)算和視差后處理，得到彩色視差深度圖像；BM算法經(jīng)過模式串與文本串進(jìn)行匹配，并通過2種規(guī)則進(jìn)行處理，得到灰度視差深度圖像。圖10顯示了云杉、杏樹、榆樹、樟子松經(jīng)立體匹配后得到的深度圖像：圖10a、b、c的拍攝距離分別約為25，42和6 m；圖10d為多棵樹木圖像。結(jié)果顯示，在近距離及中距離拍攝時(shí)，SGBM算法得到的深度圖像表面平滑，輪廓較分明，結(jié)果較好，而BM算法輪廓分明，但樹的表面有部分失真。在遠(yuǎn)距離拍攝時(shí)，BM算法得到的深度圖像輪廓分明，效果良好，但SGBM算法出現(xiàn)失真，如圖10b所示。

3.4 樹高測(cè)量結(jié)果

SGBM算法和BM算法試驗(yàn)測(cè)得的樹高結(jié)果分別見表2和3。以雙目相機(jī)左鏡頭為原點(diǎn)建立空間直角坐標(biāo)系，P點(diǎn)(樹木最高點(diǎn))的選擇方式為樹木輪廓Y軸值最大的點(diǎn)，Q點(diǎn)的選擇采取多點(diǎn)取平均值的方式確定，由于存在著很多樹根和地面的接觸點(diǎn)，采取視野范圍內(nèi)樹根左邊與地面接觸點(diǎn)與樹根右邊與地面接觸點(diǎn)的三維空間坐標(biāo)，并取平均值作為Q點(diǎn)。P、Q兩點(diǎn)的坐標(biāo)如表2和3所示。樹木實(shí)際高度采用全站儀10次測(cè)量的平均結(jié)果得到。由表2和3可知，通過獲取樹木關(guān)鍵點(diǎn)的空間坐標(biāo)計(jì)算樹木高度的方法具有一定的可行性，誤差相對(duì)較小，與實(shí)際數(shù)據(jù)具有較強(qiáng)的相關(guān)性。

表2 SGBM算法試驗(yàn)樹高結(jié)果Table 2 SGBM experiment tree height results

表3 BM算法試驗(yàn)樹高結(jié)果Table 3 BM experiment tree height results

3.5 樹木重疊

當(dāng)拍攝過程中出現(xiàn)樹木重疊的情況時(shí)，可以通過視差圖的明亮程度來判斷最高點(diǎn)的位置屬于哪棵樹，出現(xiàn)此類情形時(shí)的深度圖見圖11。圖11a為原始圖像，紅色方框區(qū)域?yàn)榇舜闻臄z樹木所遮擋的2棵其他樹的樹尖，這2個(gè)樹尖在圖像中高于待測(cè)樹木高度，對(duì)待測(cè)樹木最高點(diǎn)的判斷產(chǎn)生了影響；圖11b和c為SGBM算法和BM算法所生成的深度圖，紅色方框內(nèi)的部分為重疊樹木樹尖的位置。因此，當(dāng)樹木重疊時(shí)，越靠近相機(jī)的樹木顏色越明亮，以此可以解決樹木重疊覆蓋時(shí)其他樹木對(duì)待測(cè)樹木最高點(diǎn)判斷的影響。

圖11 樹木重疊時(shí)的深度圖Fig. 11 Depth map of overlapping tree

3.6 誤差分析

試驗(yàn)誤差分布見表4。由表4可知，基于雙目視覺的樹木高度測(cè)量方法計(jì)算樹高的結(jié)果，SGBM算法相對(duì)實(shí)際值的最大相對(duì)誤差為3.93%，最小為0.76%；BM算法相對(duì)實(shí)際值的最大誤差為3.41%，最小為0.29%，根據(jù)2.5中提高精度的測(cè)量方法，對(duì)于拍攝5～6 m以上較高的樹木誤差可以控制在3%左右，2種算法均滿足精準(zhǔn)林業(yè)的精度需求。此外，造成誤差的原因可能有：樹木背景距離樹木本身太近，造成深度圖不明顯；相機(jī)標(biāo)定時(shí)出現(xiàn)誤差；樹頂端出現(xiàn)失真等問題。SGBM算法生成的深度圖表面平滑、連貫，但在拍攝遠(yuǎn)距離樹木時(shí)易造成輪廓不清晰；BM算法輪廓清晰，但深度圖表面有輕微失真，在實(shí)際應(yīng)用中要根據(jù)實(shí)際情況選擇算法。

表4 試驗(yàn)誤差Table 4 Experimental error

4 結(jié) 論

針對(duì)能實(shí)現(xiàn)樹木無接觸式的測(cè)量方法，以及綜合考慮樹木生長(zhǎng)過程中存在的傾斜、彎曲等不規(guī)則形態(tài)，提出了基于雙目立體視覺的樹高測(cè)量方法。將深度學(xué)習(xí)與雙目視覺相結(jié)合，可以實(shí)現(xiàn)樹木同時(shí)在二維和三維空間的信息提取。雙目視覺包括相機(jī)標(biāo)定、圖像校正、立體匹配等技術(shù)；樹木的目標(biāo)檢測(cè)技術(shù)則基于Yolo v4和Pytorch框架。此外，筆者基于雙目視覺理論分析了提高樹木測(cè)量精度的方法，如從算法角度、硬件角度、像素角度等多方面分析。試驗(yàn)部分闡述了雙目視覺方法測(cè)量樹高的全過程，通過相機(jī)標(biāo)定獲取相機(jī)鏡頭參數(shù)，結(jié)合SGBM算法與BM算法進(jìn)行匹配，獲得待測(cè)樹木的深度圖像，進(jìn)而對(duì)樹木關(guān)鍵點(diǎn)的空間坐標(biāo)進(jìn)行提取，計(jì)算測(cè)得樹高結(jié)果。其次，考慮到測(cè)量樹木高度過程中可能存在樹木遮擋重疊的問題，從而對(duì)樹木關(guān)鍵點(diǎn)的判斷產(chǎn)生影響，因此，在試驗(yàn)部分分別用兩種算法的深度圖像清晰地描繪了解決該問題的途徑。在試驗(yàn)誤差方面，SGBM算法樹高測(cè)量結(jié)果的相對(duì)誤差范圍為0.76%～3.93%，BM算法相對(duì)誤差范圍為0.29%～3.41%。總體來看，該方法具有較好的應(yīng)用價(jià)值，可以滿足精準(zhǔn)林業(yè)的需求。