基于LiDAR點云的城區地表變化檢測

曾靜靜，張曉剛，王剛

(1.青島市勘察測繪研究院，山東 青島 266032； 2.青島市西海岸基礎地理信息中心有限公司，山東 青島 266555；3.海陸地理信息集成與應用國家地方聯合工程研究中心(青島)，山東 青島 266032)

1 引 言

近年來，我國社會經濟快速發展，城市地表變化迅速且復雜，對基礎地理信息數據的現勢性要求也越來越高。而作為基礎地理信息數據的重要組成部分，地形圖及數據庫成果的快速準確更新對城市管理具有重要意義。更新的關鍵之一在于對變化區域的檢測，準確的變化檢測結果是合理選擇更新方法和更新模式的重要依據，根據整體變化檢測結果設計合理的更新方案，可以有效提高更新效率，確保成果質量。

城市區域地表變化的檢測方法主要有：全野外巡圖、影像人工解譯對比、影像自動檢測變化以及利用已有資料等。其中，全野外巡圖方法準確度高，但效率低、投入的人力和時間成本高；利用兩期影像目視解譯、人工勾繪變化區域的方法準確度高，但是效率低；利用兩期影像自動檢測變化方法誤判率高；利用已有資料方法易產生變化丟漏，只能作為一種補充手段。以上幾種方法均有各種弊端，無法滿足快速、準確識別變化區域的要求。

LiDAR技術融合了激光測量、飛行器姿態控制、GNSS等多種前沿技術[1，2]，能快速獲取地表形態，數據精度高、處理成本低，是一種新型的三維信息數據獲取手段。目前，利用LiDAR數據進行地表變化檢測已有一定的研究成果：張良提出了基于多層局部ICP匹配的地形三維變化探測算法，通過差異信息熵判斷窗口變化，在最優窗口下匹配，實現了基于多時相LiDAR數據的地表變化檢測[3]。鞏翼龍等人提出了一種利用多層次規則分類算法解決點云與影像建筑物變化檢測難題，形成了基于多源數據的建筑物變化檢測技術方法[4]。奚以成針對城市地表變化特點，重點研究了改進型ICP算法的匹配、基于坡度熵的地表抽稀算法，并在此基礎上提出了變化檢測的策略[5]。總的來看，前人研究主要集中于多期點云數據的配準算法，而針對城市區域地表變化檢測的實際應用研究及生產總結較少。本文主要探索使用成熟的商業LiDAR處理軟件對城市區域進行變化檢測，根據生產經驗總結出一套完整的數據處理流程，對實際工程應用具有一定的指導意義。

2 研究區域和數據

區域1：研究區域總面積2 km2，屬于人工島嶼一部分(圖1)。2017年～2019年整個島嶼屬于建筑施工階段。該島嶼是人工填海而成，地形平坦，建筑物較多、植被較少，地面全部是硬化地表和鋪裝路面。

圖1 區域1范圍圖

區域2：總面積為5 km2，包含平地和丘陵地兩種地形，屬于城鄉接合部(圖2)。建筑物包括：農村房屋、棚房、城市居民樓房、商場、工業廠房；道路包括城市道路、等級路；橋梁包括一般橋梁、立交橋、高架橋；測區內有三條地面河流；植被以闊葉林和針葉林為主。實驗區地形、地物豐富，具有代表性。

圖2 區域2范圍圖

本研究所用到的兩期LiDAR點云數據如表1所示：

研究區域數據參數列表 表1

3 技術方法

采用兩期機載LiDAR點云數據進行快速變化檢測的主要流程是：

(1)數據預處理：分別對兩期點云數據進行數據預處理，主要包括解算點云數據、剔除粗差點、坐標轉換匹配、計算數據相對精度等。其中，相對精度的作用是確定變化閾值。在計算相對精度之前首先需根據研究區域的面積判斷是否需要將整個區域分成多個區塊，并分別計算各個區塊的相對精度，以防止區域過大導致整體相對精度與局部最優相對精度差異較大，影響后續變化分析。

利用兩期影像數據，通過目視解譯法均勻地選取未變化的平坦的鋪裝路面以及硬化地表作為未變化區域，計算兩期數據中相對應的未變化區域的高程差異均值作為該兩期數據的相對高程精度。經過計算，區域1相對精度為 6 cm，區域2相對精度為 10 cm。

基于建筑物房屋角點、地物特征點等進行局部平面位置匹配，采用局部四參數糾正方案，進一步提高原始數據的相對一致性精度，使得后續變化分析更加準確。

(2)數據分類：可將地物點云分為道路、水域、房屋、植被四大類。其中部分房屋比如尖頂房屋和屋頂結構復雜的房屋，不同期的點云數據柵格化后高程差異較大，如圖3所示：A、B、C點和D、E、F點為不同時期的點云數據，雖然都在同一個柵格中，但很明顯用不同時期的點云數據得到的高程均值差異是比較大的，因此房屋的檢測閾值選取原則是數值盡量大，但要小于測區內最低房屋的高度值。地面相對比較平緩，檢測閾值選取應盡量小，因房屋和地面點所用的檢測閾值不同，需要將地面和房屋點區分出來；道路和河流都屬于地面點層，應用同一檢測閾值；植被無法根據高度判斷變化，只可以判斷是否新增和消失。數據分類將點云數據分為：地面層、建筑物層、植被層。

(h)A+hB+hC)/3>(h)D+hE+hF)/3

(1)

注：h是點的高程值。

圖3 尖頂建筑物不同時期點云數據高程均值差值圖

首先對原始點云數據構建不規則三角網，設置高度閾值，通過不斷的迭代計算各個點的高差與閾值的關系，判斷該點是否為地面點，從而將地面點與非地面點分開[6]。然后在非地面點云中通過判斷點云的平整度以及高度識別出建筑物屋頂區域。

(3)點云柵格化：分別對兩期建筑物、地面、植被點進行柵格化處理，在柵格化過程中，兩期數據采用的網格大小需要相同，即保證兩期數據生成的柵格圖像的分辨率一致[7]。網格大小需根據點云密度選取，網格閾值Z由有下面的公式得出：

Z=(z1+z2+z3+…+zi)/i

(2)

其中Z表示每個格網點高程值，zi表示每個點的高程值，i表示每個柵格內點的個數。

(4)變化檢測：對建筑物柵格圖像進行聚類約束差值計算，首先按照空間鄰域高程相近原則進行聚類平滑，降低孤立噪聲干擾；然后基于聚類后的柵格進行比較，計算待分析格網到上一期同名格網的高程差值，得到提取變化圖斑后計算變化率，最后對結果進行精度驗證。

4 變化結果分析與評價

4.1 實驗結果

房屋的檢測閾值選取原則是數值盡量大，避免尖頂房屋或者房屋細部結構對結果造成的影響，但要小于測區內最低房屋的高度值。本次實驗區最低房屋的高度 2.3 m，因此選擇 2 m為建筑物檢測閾值，分類統計結果如圖4、表2所示：

圖4 建筑物變化檢測結果

建筑物變化結果統計 表2

對兩個不同時期地面圖像進行計算并按照閾值進行分割，主要分為地面升高區域、地面降低區域、未變化區域，結果如圖5、表3所示：

圖5 地形變化檢測結果

表3

4.2 分析與評價

(1)總體分析

測區1是填海造陸的人工島嶼，2017年～2019年間測區變化大?；诒疚奶岢龇椒ǖ贸龅淖兓瘷z測結果可知，整個測區大部分區域呈高度增加趨勢，與實際相符。根據建筑物變化檢測結果可以得出近年來該區域內建筑物變化明顯，其中消失的建筑較多，多為建設工地中臨時搭建的棚房。

測區2是屬于城鄉接合部，2017年～2019年總體變化較小，變化區域多集中在新建小區、新建廠房多，拆遷村莊。經過圖像對比驗證，實驗提取的變化圖斑，符合實際變化情況。

(2)準確性分析

建筑物分析結果：基于兩期影像利用人工判讀的方法驗證建筑物的變化檢測結果，所有變化情況全部符合實際情況，利用該方法不但能夠判斷出是否變化，而且還能進一步分析出建筑物的新增、擴建、拆除情況。其中，點云分類結果的正確性對變化檢測結果有影響，所以選擇合適的分類參數，保證分類的正確性對于建筑物變化檢測至關重要，實驗區建筑物的正確率達到87%。

圖6 (a)建筑物旁存在安全網 (b)建筑物安全網拆除

在研究區域中存在第一期數據中建筑物已經封頂，安全網沒有拆除，而在第二期數據中該建筑物安全網拆除的情況，如圖6所示。此時由于建筑物高程未變化，本文方法將該建筑歸為未變化建筑物，而人工統計方法更加依賴影像紋理信息會將該建筑歸為變化建筑物。

地形分析結果：基于兩期影像利用人工判讀的方法驗證地形的變化檢測結果，兩個實驗區的地形變化情況全部符合實際情況。試驗區準確率達到76.5%，可以很好地檢測出地形變化情況，且目前濾波算法比較成熟，準確率和流程自動化程度高。

水域、植被分析結果：不同時期河流、湖泊水位差異和不同季節植被長勢差異會對變化分析結果產生較大的影響，因此直接利用該方法求水域和植被的變化情況，準確率低。

(3)效率分析

本文提出的方法簡單、自動化程度高，可以借助Terrasolid、LiDAR360等成熟軟件對點云進行批處理，不需要過多的人工干預，降低了生產成本。通過本文提到的方法，節約了38%的人工工作量，具體分析如表4所示：

表4

以建筑物和地形變化檢測結果為依據選擇基礎地形圖和數據庫更新方式、更新機制、更新頻次，對于城市的基礎地理信息數據定期更新具有重要意義[8]。該方法已經成功應用于地形圖更新項目中。

5 結 論

本文利用兩期點云數據檢測城市地表變化，得到城市區域地表變化圖斑和變化率。所用方法準確率較高、自動化程度高，能減少人工判讀的工作量，提高了地表變化檢測的效率，滿足了地形圖、數據庫更新前期了解區域變化情況的需求。但該方法也存在局限性，對植被、水域的變化檢測準確率低于50%，不建議用該方法對植被和水域進行變化檢測，因此如何提高變化檢測的全面性仍是后續研究的重點。