一種基于高度差異的點云數據分類方法

馬東嶺，王曉坤，李廣云(. 信息工程大學導航與空天目標工程學院，河南 鄭州 45000； . 山東建筑大學測繪地理信息學院，山東 濟南 500)

機載LiDAR測量技術是一種有廣闊前景的地表信息獲取技術，它融合了激光測量、飛行器姿態控制、高速GPS定位等多種前沿技術[1]，具有作業安全、速度快、主動式測量等優勢。基于上述優勢，該技術在森林調查、環境監測、地形測繪等方面被廣泛應用[2]。但是現階段，點云的數據處理仍存在相應的問題需要解決，如激光點云數據含有目標對象表面豐富的三維信息，但是這些信息是通過大量掃描點的點位信息體現的，進而導致點云信息儲存量大、調用困難，并且無法作為矢量信息被直接利用。為了解決這個問題，需要LiDAR點云數據處理中的一項重要的技術——點云分類技術[3]。點云分類是將獲取到的機載LiDAR點云數據分離為不同種類，如地面點類、建筑點類等。

對于激光點云分類問題，目前已有眾多學者進行過諸多研究。主要集中在從LiDAR獲取的激光點云數據分類單一地物的研究，大多數研究集中在對于道路、植被、建筑分類等方面。如關于地面點云分類，文獻[4]提出了一種通過繼承的方式使用多分辨率的小格網分類算法， 從機載LiDAR點云中獲取高大植被覆蓋地區的DEM。關于植被點云分類，文獻[5]將高差作為SVM特征變量輸入，使用SVM方法結合徑向基函數，完成植被點云分類；文獻[6]使用了Axelsson改進的加密TIN的方法對地面點和非地面點云分類，并通過使用高清航攝影像進一步分類出玉米葉面點云。關于建筑物與構筑物點云分類，文獻[7]采用一種估計輪廓密度的方法，根據原始LiDAR數據通過計算機求得所需網格密度的閾值，進而通過該值提取建筑物外表層格網，進而利用該格網分類整個建筑物外形和建筑物棱角；文獻[8]通過利用點云的相鄰點關系和點密度估計，從點云數據直接生成的DSM數據中，直接分類出建筑表面點云；文獻[9]用激光點云特征和點云構成的法向量來判斷植被和墻面點并利用連通成分分析分類建筑點，結合DTM獲取建筑屋頂點云。關于水體的分類，文獻[10]除了利用LiDAR回波強度信息計算OAI，還采取了選取對象面積和OAI構建特征空間提取水體的方法；文獻[11]提出了采用雙層格網法分類狹長水體的方法。關于道路的分類，文獻[12]使用基于邊長和面積閾值的約束 Delaunay 不規則三角網方法精化初始道路點云的方法。

以上算法大都分類手段簡單，處理復雜，細節處理不細致，因此尋找一種更為理想的方法迫在眉睫。本文基于現有的激光點云數據處理手段，提出基于高度差值的二次導數的建筑物、植被分類點云的方法。該方法在建筑物、植被點云分類中有分類清晰、界線合理的優勢。

1 點云分類原理

高程差值信息是人造建筑和綠色植物的重要區分特征，可以用這個特征來區分人造建筑和綠色植物點云。建筑表面比較規則，除了邊緣地區變化比較劇烈外，其他地方基本沒有劇烈變化，比較連續；相反，由于植被生長不規則，因而植被點云沒有連續性，變化劇烈。因此利用高差信息和掃描線方向的二次導數可以用來區分相鄰點云是否連續，進而區分出建筑物、植被。

1.1 建筑物點云分類原理

假定建筑模型是平面連接構成，在同一噪聲水平上的、同一平面上相鄰的TIN面片有相同的方向。因此，在相鄰掃描線上的點在高度差的二階導數為零的情況下，這些點在一條直線上。屋脊線在其他方向的高度變化會導致二階導數為零。因此，建筑物的幾何模型沿著掃描線形成。

點在直線上為

(1)

點為斷點為

(2)

式中，x為掃描線的方向變化的值；z為高差。這個公式可以作為點云分類的主要區分標準。由于點云由密集的點組成，這些點除了大面積的高差相似點，還包括不規則屋頂和高斯偏差估計點及離散點云。通過給后兩者點云附加閾值來分離相應的點云。因此建筑物模型的描述長度DLbuildings包含3個部分：

(1) 參數模型中的二階導數為零的掃描線DLpar。這個模型是固定的，即Cconstant。

(2) 從參數模型的高斯偏差的統計模型DLgauss和近似房屋邊線模型DLroof。

(3) 斷點的統計模型DLbreak(類似于植被) 。

后兩者需要相應判別標準nroof和nbreak來判讀是否為建筑物模型。則有

DLbuildings=DLpar+(DLroof+DLgauss)nroof+DLbreaknbreak

(3)

其中

DLpar=Cconstant

(4)

(5)

(6)

(7)

nroof+nbreak=ntot

(8)

式中，L為建筑物的長度；Rxy、Rz為定義構建的搜索空間的平面尺寸和高度；σ2為方差；ε為數據的分辨率；lb為以2為底的對數；ntot為辨別標準的集合。通過該描述長度可以獲得建筑物內部點云、邊緣點云和離散破碎點云，通過這些點云來共同構成建筑物點云。

1.2 植被點云分類原理

首先，植被為天然生長形成，與人造的建筑物有明顯區別。其中植被生長存在隨機性，形狀不像建筑物一樣整齊、規律，因此，植被點云在邊緣部分存在高差突變。其次，由于建筑物多為實體堆砌而成，而植被枝葉之間會有大大小小的空隙且激光可以穿過植被表層，因此在內部也存在高差上的不連續性。根據植被與人造建筑的不同，采用類似分類人造建筑斷裂線的方式。植被點的模型為隨機分布的二階導數

(9)

式中，x為掃描線的方向；z為高差。點為隨機的植被點。由于植被不存在大區域的高差相似和形狀規律區域，只需要尋找高差不規則變化區域，因此利用植被點云不連續性特性，植被的描述長度DLveget被假定類似于破裂線的隨機統計模型

DLveget=DLrandntot

(10)

(11)

其中，建筑模型和植被模型中存在平衡高斯偏差估計和最優斷點數的最小值，將該最小值作為區分建筑和植被的閾值。

2 試驗與結果分析

試驗數據采用Autzen_Stadium地區的點云數據。首先利用TerraSolid軟件，對試驗地區的機載LiDAR點云數據進行濾波、分類地表點云等前期處理工作[13-15]。然后，利用本文提出的基于高度差值的二次導數的建筑物、植被點云分類方法對TerraSolid軟件初步預處理的點云結果進行分類，得到完整的人造建筑、植被點云。流程如圖1所示。

2.1 通過TerraSolid軟件分離地面點云

對于原始點云數據，本文利用TerraSolid軟件進行降噪等點云預處理工作。點云通過降噪，將其中的云、鳥等點云剔除出去。然后，將經過降噪后的點云通過最低點迭代法[16]將地面點云初步提取出來并手動修正將地面點云分類出來，剩下以建筑、植被為主體的目標點云數據。

圖1 數據處理流程

2.2 建筑物點云分類

首先，根據地面點云數據求得目標點云數據的相對高程信息。將目標點云進行編碼并建立點云搜索空間，通過高度差值二次導數的分類模型將點云分為規則點云和不規則點云，進而對不規則點云進行分離，進一步分離為可能的屋頂點云、可能滿足高斯偏差估計的點云、其他雜亂點云(主要是植被點云)。然后，給可能的屋頂點云和可能滿足高斯偏差估計的點云一個閾值，利用閾值將上述點云中屬于建筑物的點云分離出來。最后，將離散點中符合高差二次導數條件的點提取出來，并且利用離散點閾值條件篩選目標點。通過所有篩選出的點建立DSM，并進行光滑得到建筑點云。

2.3 植被點云分類

將建筑點云和地面點云分離后，剩余點云以植物點云為主體。由于激光可以穿透高大植物樹冠，造成樹冠點云內部分布散亂。利用與離散點識別相似的手段，在點云搜索空間中搜索各方向上高差二階導數值散亂的點。將這些點云定義為樹木或灌木和草叢。將剩余點云與DEM對比，高于地面且有相應二階導數值的部分為地面植被點云。由于高度的差異，將低于2 m的植物定義為低矮灌木、草叢，反之，將高于2 m的植物定義為高大樹木。

通過上述方法分類效果如圖2所示。

圖2 分類效果

圖2中的A區域為高大樹木點云，B區域為建筑點云，C區域為地面點云和低矮灌木、草叢點云，其中灌木、草叢點云顏色較深。

部分研究區域的試驗結果見表1。

表1 部分研究區域試驗結果

從點云分類效果可以看出，建筑點云提取完整性好，正確性高，能夠合理地反映出建筑的結構，基本沒有缺失、多余的部分，保證了建筑的完整。尤其是在小型建筑點云分類方面，該算法的分類效果尤其突出，可以將小型建筑從周圍的點云中分類出來。對于植被點云分類，能夠保證樹冠等細節的完整。

通過試驗發現，本文提出的LiDAR點云數據分類效果理想，能夠正確將建筑物、高大植被、低矮灌木及地面點云分類。通過該算法分類出的建筑、植被點云界限清晰、分類合理，證明該方法可行性高、有效性強。由于該算法需要的人為干預少，計算機可以自主完成分類工作，因此克服了點云數據分類中遇到的分類自動化程度低、分類效果差等難題，大大縮減了LiDAR后處理過程中的時間和人力成本。

3 結 語

本文根據機載LiDAR點云數據的數據特性，提出了一種基于高度差值的二次導數的人造建筑物、植被的點云分類方法。首先使用TerraSolid進行點云分類預處理，然后對預處理結果使用基于高度差的二次導數的分類方法進行完整的點云分類最后利用該方法對一個比較復雜的場景點云數據進行試驗，精確地分離出了建筑物、植被等目標點云。試驗結果表明，該方法分類效果好、分類速度快，分類的建筑物、植被點云效果理想。尤其在細節部分，分類建筑物細節分類清晰。由于該方法搜索尺寸大，對于人造小型設施識別度不高，因此，如何改變搜索范圍并精細分類地面設施將是下一步研究的內容。

參考文獻：

[1] 楊必勝，梁福遜，黃榮剛.三維激光掃描點云數據處理研究進展、挑戰與趨勢[J].測繪學報，2017，46(10)：1509-1516.

[2] 張蕊，李廣云，李明磊，等.利用PCA-BP算法進行激光點云分類方法研究[J].測繪通報，2014(7)：23-26.

[3] 張利明.機載激光雷達點云數據分類方法研究[D].成都：西南交通大學，2013.

[4] 唐菲菲，劉經南，張小紅，等.基于機載LiDAR數據獲取森林地區DTM新方法[J].武漢大學學報(信息科學版)，2009，34(4)：459-462.

[5] 劉峰，龔健雅.基于3D LiDAR數據的城區植被識別研究[J].地理與地理信息科學，2009(6)：5-8.

[6] 劉婷，蘇偉，王成，等.基于機載LiDAR數據的玉米葉面積指數反演[J].中國農業大學學報，2016，21(3)：104-111.

[7] 童禮華，程亮，李滿春，等.地面LiDAR數據中建筑輪廓和角點提取[J].中國圖象圖形學報，2013，18(7)：876-883.

[8] 王刃，徐青，朱新慧.用多種策略從機載Lidar數據中提取建筑腳點[J].武漢大學學報(信息科學版)，2008，33(7)：688-691.

[9] 李亮，王成，李世華，等.基于機載LiDAR數據的建筑屋頂點云提取方法[J].中國科學院大學學報，2016，33(4)：537-541.

[10] 陳性義，黃遲，倪標.融合LiDAR數據與航空影像的面向對象水體提取[J].測繪科學，2017，42(3)：114-119.

[11] 王宗躍，馬洪超，徐宏根，等.基于LiDAR點云數據的水體輪廓線提取方法研究[J].武漢大學學報(信息科學版)，2010，35(4)：432-435.

[12] 彭檢貴，馬洪超，高廣，等.利用機載LiDAR點云數據提取城區道路[J].測繪通報，2012(9)：16-19.

[13] 陳云，丁思磊，王鐵軍.基于TerraSolid軟件的Lidar數據處理初探[J].測繪與空間地理信息，2009(4)：40-42.

[14] 李蓮芳，邵秋銘.基于Terrasolid軟件的激光雷達點云數據處理[J].城市勘測，2013(5)：67-70.

[15] 劉沛，李英成，薛艷麗，等.基于TerraSolid與Inpho的LiDAR數據處理方法分析與研究[J].遙感信息，2010(1)：17-21.

[16] 羌云娟，吳侃，秦臻.基于三維TIN的非地面點云剔除方法研究[J].測繪工程，2011，20(2)：43-45.