基于車載LiDAR 點云的行道樹提取研究

歐陽濤，王山東

（1.河海大學 地球科學與工程學院，江蘇 南京 211100）

目前，行道樹的研究大多在于行道樹的識別與屬性提取[1-5]，或者對相連樹分割[6]等具體情況進行研究。鐘若飛[7]等結合影像數據中RGB 信息將車載LiDAR 點云分為地面點和非地面點兩部分，進而從非地面點云中提取出樹木信息，但此方法需要影像數據，不具有普適性。吳賓[8]等利用投影點密度以及空間分層的思想實現單顆樹木信息提取。

以上針對單行道樹進行信息提取的研究大多有一定的附加條件，實際測量的道路兩旁行道樹點云情況復雜，不僅僅包括相連樹，還包括夾雜在樹中間的路燈或者停在路邊的小車等許多情況，由于車載掃描設備的局限性，靠近道路一側掃描到的點云十分完整，背離道路一側的點云都較為稀疏，在提取研究時應更加注意。本文在結合已有算法[9-11]的基礎上，基于對車載LiDAR 點云，針對構建的格網研究一種提取行道樹以及分割樹干點云的算法。

1 非地面點云提取

車載LiDAR 系統掃描獲取了道路以及周圍大量點云，其中就包含了大量地面點云，但本文研究的行道樹屬于非地面點云，因此大量的地面點數據會對實驗造成障礙，同時也影響提取算法的效率。實驗采用如圖1 所示的車載LiDAR 數據，對原始點云進行濾波處理，提取非地面點云。

圖1 實驗點云數據

1）格網構建。由于點云數量龐大，本文采用分格網處理的方法，即將原始點云投影后，在XOY 平面劃分二維格網。首先將點云投影到XOY 平面，獲取其x，y方向上的最大值xmax和ymax與最小值xmin和ymin，從而獲取實驗區域的大致范圍，設置一定的格網大小xTsd和yTsd將原始點云分割成m×n個規則的網格，每個格網設置點密度、高差與屬性值等信息。其中m，n的值如式（1）:

由于不同地區地勢起伏不同，因此格網大小閾值的選擇需要進行調整，依據區域的大小形狀確定X方向以及Y方向的閾值，在地勢起伏大的區域格網要劃分小一點，地勢平坦地區可以劃分大格網。在格網劃分時，統計每個格網的點云數據，即作為點密度，并計算其最大高差。

2）估算地平面高程。以單個格網為單元，按高程大小對格網內點云進行升序排序，并計算其前1/4 點云高程的平均值Zave。

3）地面點提取。設置高程緩沖值Zbuffer，計算區間[Zave,Zave+Zbuffer]內點云的高程Zave2，若Zave2與Zave差值小于閾值K，則代表格網地勢平坦，將高程Zave2以上的點云作為非地面點提取出來；若大于閾值K，則代表格網地勢起伏較大，則將格網繼續劃分，重復上述3 個步驟，直到所有格網處理完畢，非地面點提取完成。

2 點云降噪

車載LiDAR 系統在移動掃描時，由于空氣中灰塵的反射、鏡面折射等的影響，數據中有時會包含明顯高于地物的異常點，空氣中噪聲點等，這些噪聲點有時會導致地物點提取的不確定性，增加算法的困難程度。點云降噪的方式多種多樣，左志權[12]等利用依據基于鄰接關系的推理規則進行噪聲單元與非噪聲單元聚類，最后進一步選擇更精細剖分閾值迭代剔除低矮噪聲。濾波處理后點云中的噪聲點大多是空氣中的異常點或者樹冠表面的噪聲點，因此采用半徑濾波對其進行點云降噪[13]。

依次查詢所有點，設置搜索半徑和領域點個數2 個閾值，如圖2 所示。設置搜索半徑為r，1 號點鄰域中沒有點，2 號點鄰域有4 個點，3 號點鄰域中有2 個點，若設置領域點個數閾值為3，則1 號點和2 號點即被當成噪聲點剔除。

圖2 半徑濾波示意圖

由于此方法需要遍歷所有的點，因此本文在剔除地面點后在進行點云降噪，可以有效降低算法的時間復雜度，在設置閾值后，對非地面點降噪前后對比如圖3 所示。

圖3 非地面點降噪前后對比圖

3 地物聚類

剔除地面點以及降噪處理后的點云，已經被分割成不同的點云獨立塊，而需要提取的行道樹就在這些點云塊中，因此需要將這些點云塊聚類成獨立的單元，在聚類單元中提取目標地物。本文結合已有改進的區域增長法算法[3,14]，構建格網進行聚類，具體步驟如下:

1）按照非地面點云提取步驟中的格網構建方法，重新構建網格，網格邊長要盡量設置小一點。統計并計算落在格網內的點云個數，設定一個數量閾值K，若格網內點云個數不滿足閾值K，則將格網內點云剔除并賦予此格網空格網屬性，反之則是非空格網，并對其賦予非空屬性值feature。

2）遍歷格網，依次將一個格網作為起始聚類中心格網點，并重新賦予一個新的格網屬性feature2，同時將聚類中心格網周圍8 個格網中的非空格網賦予與中心格網相同的屬性值feature2。

3）依次處理下一個格網單元，若格網屬性為feature，則將其作為聚類中心，然后重新賦予一個新的格網屬性feature3，并對其周圍8 個鄰域進行探測，若格網屬性值為feature 則直接賦予與中心格網相同的屬性值feature3。若格網已經處理過，也賦予與中心格網相同的屬性值feature3，同時將其他與此格網屬性相同的格網都賦予與中心格網相同的屬性值feature3。

4）依次遍歷所有格網，直到找不到中心聚類格網則表示聚類結束。假設非空格網設置屬性值為1，空格網為0，新屬性值按2，3，4，……賦予，有3 個不同點云塊步驟1（如圖4 所示），經上述4 個步驟，最終聚類結果為步驟4。

圖4 聚類流程圖

4 行道樹提取

在上一步驟中，點云已被劃分成有不同屬性值的聚類單元，這些聚類單元具有不同的高度和形態，而車載LiDAR 掃描道路兩旁主要特征地物有建筑物、車輛、路燈、行道樹、桿狀物以及低矮地物等，其具體形態等差異如表1 所示。

表1 不同地物屬性差異表

依據表格中的屬性差異，本文以每個聚類單元為處理對象，按照表格中的屬性依次剔除其他地物，提取行道樹點云。具體步驟如下:

1）剔除噪聲塊，統計每個聚類單元所占格網數量，設定格網閾值Kmesh，點云個數閾值KN，若格網樹不滿足Kmesh，計算其聚類單元的點云個數，若點云個數小于閾值KN，則將該聚類單元看作噪聲點剔除。

2）低矮地物與車輛濾除。設置一個高差閾值H并統計每個聚類單元的最大高差，若聚類單元最大高差小于閾值H，則將其看作低矮地物濾除。經過濾除后剩余基本都是如建筑物、行道樹以及桿狀物等高程較大的地物。

3）行道樹提取。首先計算每個聚類單元投影跨度，即取x，y方向二維投影坐標的最大值與最小值之差中大的差值作為投影跨度，設置投影跨度閾值KP，若投影跨度大于KP，則將其當作疑似建筑物聚類單元提取出來，反之則將其當做桿狀物聚類單元提取。對疑似建筑物聚類單元做高程投影，選取高程值K，將聚類單元高程值K以下點云投影至二維平面；若投影面積與聚類單元投影面積差異大，則作為行道樹點云提取出來；對桿狀物設置面積閾值S，若面積大于閾值S，則將其作為行道樹點云提取出來，剔除桿狀物與路燈點云。

4）相連樹樹冠點云分離。文獻[9]介紹了3 種算法進行相連樹分割，本文結合其中基于距離的提取算法進行相連樹分割。首先確定相連棵數，以及每棵樹的底部重心點坐標；然后遍歷聚類單元所有點，計算點到每棵樹底部重心點的水平距離，將點劃分進水平距離最近的樹木中。提取出相連樹進行實驗，分割結果如圖5b、5c 所示。

圖5 行道樹點云提取結果

將相連樹分割完畢后，對其進行樹干高提取，以每棵樹的聚類單元為數據處理單元，將聚類單元按照高程分為m層，從最底部一層開始，將其點云投影至二維平面，記錄其所占格網數量，作為該層的投影面積，并依次記錄為area1,area1,…,aream。設置閾值N，依據以下公式提取樹干點云:

5 實驗結果與分析

為了驗證本文算法的有效性，選取了圖1 所示的車載LiDAR 點云進行實驗，采用C++結合PCL 對實驗數據進行處理。首先非地面點提取，剔除了地面點以及地面以下的噪聲點，結果如圖3a 所示，然后進行點云去噪，剔除了非地面點中的孤立點與異常點，結果如圖3b 所示。然后對分割的點云塊進行聚類，對聚類單元進行提取，以及相連樹分割，提取最終結果如圖6 所示。

圖6 行道樹提取二維效果圖

為了驗證算法的準確性，對提取的行道樹以及相連樹的準確分割進行驗證，本文采用人工提取與其對比，對比結果如表2 所示。

表2 提取結果對比

從提取結果來看，本文算法提取行道樹準確率為88.89%，相連樹提取準確率為86.36%，由此看來，算法具有可行性。分析上述提取結果發現，由于距離道路兩旁近的樹木茂盛且掃描點云多，所以提取效果較好，距離道路較遠的樹被其他樹的遮擋，掃描點云稀疏，提取相對比較困難，提取效果差或提取不出來。

6 結 語

本文提出的行道樹提取算法，以及相連樹分割的方法具有較高的準確性，不僅能提取出道路兩旁的行道樹，還能對其中的相連樹進行分割提取，并提取每棵樹的樹干與樹冠點云。但本文算法中有多個步驟難度較高，對設備有較高要求，耗時也相對較長。另外，對于穿插在行道邊樹之間的路燈，本文算法并不能很有效的剔除路燈點云，需要進一步改進，使算法更具普適性。