Relaxation labeling-based matching for tree point cloud registration

The use of high-resolution LiDAR (Light Detection and Ranging) systems has become important in precision agriculture, supporting applications such as autonomous navigation, automated harvesting, yield estimation, and disease detection. Reliable three-dimensional (3D) data acquisition is essential for these tasks, and a key challenge lies in point cloud registration, which must align point clouds into a common coordinate system without relying on artificial targets or accurate external positioning. This Master’s Thesis proposes an automatic registration pipeline designed for tree point cloud registration. First, individual tree stems are detected using a vertical continuity approach, from which trunk centers and diameter at breast height (DBH) are extracted as natural primitives for coarse registration. A relaxation labeling (RL) algorithm is then applied to establish correspondences between stem candidates from both point clouds based on attribute similarities and neighborhood compatibility. After establishing correspondences via RL, the coarse alignment is computed as a rigid-body transformation in 2D space, expressed in planimetric coordinates (x, y), followed by a vertical translation along the Z-axis estimated from local ground references of matched trees. Finally, refinement is performed using the Iterative Closest Point (ICP) algorithm, which adaptively adjusts the correspondence search radius based on the residuals from the coarse-stage alignment. The experiments were conducted using data acquired by a Terrestrial LASER Scanner (TLS) in two distinct areas: urban forest (A1) and eucalyptus plantation forest (A2). In A1, the proposed method resulted in an average RMSE3D of 0.013 m, with errors mainly in the horizontal components (X, Y). In A2, the RMSE3D increased to 0.033 m, mainly due to vertical discrepancies (Z) associated with terrain slope and insufficient ground sampling.

Resumo (português)

O uso de sistemas LiDAR (Light Detection and Ranging) de alta resolução tem se tornado cada vez mais relevante na agricultura de precisão, apoiando aplicações como navegação autônoma, colheita automatizada, estimativa de produtividade e detecção de doenças. Para essas aplicações, a aquisição confiável de dados tridimensionais (3D) é essencial, sendo o registro de nuvens de pontos um dos principais desafios, uma vez que requer o alinhamento das nuvens em um sistema de coordenadas comum sem a dependência de alvos artificiais ou de posicionamento externo preciso. Esta dissertação de mestrado propõe um processo automático para o registro de nuvens de pontos de árvores. Inicialmente, os fustes individuais são detectados por meio de uma abordagem de continuidade vertical, a partir da qual são extraídos os centros dos troncos e os diâmetros à altura do peito (DAP), utilizados como primitivas naturais para o registro aproximado. Em seguida, um algoritmo de Rotulação por Relaxação (Relaxation Labeling – RL) é aplicado para estabelecer correspondências entre candidatos de ambas as nuvens de pontos, com base na similaridade de atributos e na compatibilidade espacial de suas vizinhanças. Após a definição das correspondências pelo RL, o alinhamento aproximado é estimado por meio de uma transformação rígida em duas dimensões, no plano (x, y), seguida de uma translação vertical ao longo do eixo Z, estimada a partir de referências locais de terreno associadas às árvores correspondentes. Por fim, o refinamento do registro é realizado utilizando o algoritmo Iterative Closest Point (ICP), que ajusta de forma adaptativa o raio de busca por correspondências com base nos resíduos do alinhamento aproximado. Os experimentos foram conduzidos com dados obtidos por um escâner LASER terrestre (Terrestrial LASER Scanner – TLS) em duas áreas distintas: uma floresta urbana (A1) e um plantio florestal de eucalipto (A2). Na área A1, o método proposto resultou em um RMSE3D médio de 0,013 m, com erros predominantemente associados às componentes horizontais (X, Y). Na área A2, o RMSE3D aumentou para 0,033 m, principalmente devido a discrepâncias verticais (Z) decorrentes da inclinação do terreno e da amostragem insuficiente do solo.

Palavras-chave

Terrestrial LASER scanning, Precision agriculture, Tree detection, Iterative closest point, Escaneamento LASER terrestre, Agricultura de precisão, Detecção de árvores, Iterative closest point

Idioma

Inglês

Citação

SILVA, Matheus Ferreira da. Relaxation labeling-based matching for tree point cloud registration. Orientador: Maurício Galo. 2026. 71 f. Dissertação (Mestrado em Ciências Cartográficas) - Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista, Presidente Prudente, 2025.