线性骨架是物体形态特征的重要体现，是物体几何形态的一种重要描述，线性骨架与物体有着相同或相似的拓扑结构。近年来，随着信息技术的发展，关于物体三维线性骨架获取的研究也越来越多，大田农作物的三维骨架提取研究正是在这一大的背景下兴起的。玉米植株的三维线性骨架包含了植株生长过程的许多重要参数，如株高、叶长、叶倾角、叶方位角等，这些参数对后续研究玉米的三维重建、生长过程模拟、受力形变过程模拟、产量预测等有着非常重要的作用。常规获取玉米植株线性骨架方式主要包括：人工测量、基于图像的骨架提取、利用三维数字化仪及利用三维扫描仪获取等方式，获取的过程工作量大、效率低，且由于需较多的人工参与易造成人为误差。如何使用一种普适性的手段进行玉米植株三维骨架的快速提取，成为数字植物研究中一个重要问题。　　Kinect是一款低成本的体感摄像机，其内部算法能够自动完成人体骨架的匹配与行为识别，由于玉米植株与人体存在显著差异，该算法并不适用于玉米植株的骨架提取。Kinect具有能够根据不同光斑识别目标物点的深度值的能力，因此，可将其获取的深度数据转换为点云数据。与常规三维扫描仪相比，Kinect具有较为明显的价格优势；同时其所获取的由深度数据转换而来的点云数据，经预处理基本能够满足玉米植株骨架提取的要求。鉴于Kinect的以上特性，本文提出了基于Kinect的玉米植株三维线性骨架提取方法，主要包括以下几方面：　　（1）根据玉米植株的生长特性，选取九叶展时期的玉米植株，将其移载到实验盆放置在空旷的实验环境中，并保证玉米植株在Kinect的适当的视野范围内。基于开源框架OpenNI构建深度数据获取程序并利用其转换深度数据为点云数据，最后存储为PCD点云文件。　　（2）与市场上主流的三维扫描仪相比，Kinect分辨率较低，在数据的精度与数据完整性方面具有明显不足，且由Kinect直接获取的点云数据包含了大量无效的背景数据和冗余数据。为了更好地对数据做后续处理，同时又不显著的增加计算量，采用了基于空间分布的阈值分割方法对目标点云的前景与背景进行分割，并去除周围的冗余数据，并基于K-邻近点的思想对点云进行初步去噪，实现对原始点云的预处理。　　（3）基于Kinect的单帧预处理点云数据，提出了一种玉米植株三维线性骨架提取方法，首先按照点云的垂直高度进行分层，然后对分层后的点云再用二次循环迭代的方法对每个点云层进行聚类，并求取每个聚类后子类的中心点，即可获得玉米植株的骨架点，最后，对于获取的玉米植株骨架点，使用二次B样条曲线方法进行插值拟合,可以获得更具真实形态的玉米植株骨架线。实验结果表明，本文采用的方法能够较为准确获取玉米植株的三维线性骨架。　　（4）为了将本文提出的方法应用于玉米植株数据获取，更好的服务玉米实验，基于所提的算法及实验方案，在Qt、Unity3D平台下实现了基于Kinect的玉米植株骨架提取系统。该系统具有数据获取、点云数据处理、玉米植株骨架提取及骨架分析的功能，系统具有交互操作便捷、界面友好等特点。　　本文基于Kinect的深度数据，提出了一种新的玉米植株骨架提取方法，首次的实现了基于Kinect的玉米植株骨架提取。该方法不仅有效的弥补了基于图像提取方法中深度值较难估算的缺陷，同时相对于基于高精度三维扫描仪获取点云的方法，该方法具有廉价、快速、简便的特点。但受制于Kinect分辨率较低特性，本文提出的方法在算法的精度方面存在着一定的不足，比如对于存在严重遮挡的叶片，本方法提取效果较差，有待进一步提高。　　通过本课题的研究，不仅为玉米植株骨架获取提供了一种新的途径，而且也扩展了深度数据在数字植物领域的进一步应用。随着算法的不断改进及新一代Kinect设备分辨率的提高，该方法能够应用于基于Kinect进行骨骼驱动的植物动画模拟、提高基于实测数据的玉米植株三维重建等领域。