基于HDBSCAN 算法的LiDAR 建筑點云自動提取研究

淦立琴

（1.廣州市城市規(guī)劃勘測設計研究院，廣州 510060；2.廣州市資源規(guī)劃和海洋科技協(xié)同創(chuàng)新中心，廣州 510060；3.廣東省城市感知與監(jiān)測預警企業(yè)重點實驗室，廣州 510060）

激光雷達（Light Detection And Ranging，LiDAR）是一種可以安裝在不同遙感平臺上的激光探測、測距和定位系統(tǒng)。其集激光測距、慣性測量、高精度定位等技術于一體，通過記錄單個激光信號從發(fā)射到接收被地物反射的能量所歷經(jīng)的時間，并根據(jù)信號發(fā)出瞬間由定位定姿系統(tǒng)（Position and Orientation System，POS）測定激光掃描系統(tǒng)的位置和姿態(tài)，計算出地物目標的三維坐標，并繪制地形圖[1]。與常規(guī)攝影測量、傳統(tǒng)的激光測距技術和遙感技術相比，LiDAR 技術是一種新的獲取高分辨率三維地球空間信息的手段，其優(yōu)點是受天氣影響小、抗干擾性強、采集速度快和幾何精度高[2]。

近年來，LiDAR 技術在生物量估計[3]、水下地形探測[4]和建筑三維建模[5]等方面具有廣泛的應用。尤其在建筑物提取和三維建模方面，LiDAR 相較于傳統(tǒng)技術，有著巨大的優(yōu)勢。在對建筑物提取的算法中，最主要的問題為激光點云分類問題，王刃等[6]利用點云的相鄰點關系和點密度估計，從點云數(shù)據(jù)生成的數(shù)字地表模型（Digital Surface Model，DSM）中，直接分類出建筑表面點云; 李亮等[7]利用點云構成的法向量特征和連通成分分析方法區(qū)分墻面點和建筑點，并結合數(shù)字高程模型（Digital Elevation Model，DEM）獲取建筑屋頂點云。本文提出一種簡單高效的方法，利用CSF 點云濾波方法進行地面和地上點云分離，采用HDBSCAN 聚類算法對地上點云進行密度聚類分割，最后設定高程閾值提取建筑物點云。

1 數(shù)據(jù)及預處理

本文選用的點云數(shù)據(jù)來自https://portal.opentopography.org/datasets。該網(wǎng)站提供免費高質量的機載點云數(shù)據(jù)集。所選的點云數(shù)據(jù)來自于數(shù)據(jù)集Oregon Department of Geology and Mineral Industries Lidar Program Data。該數(shù)據(jù)為機載激光雷達數(shù)據(jù)，點云密度為10.30 pts/m2，點云數(shù)量共計約390 000。場景中包括街道、灌木、樹木和房屋（圖1）。

圖1 原始點云數(shù)據(jù)圖

由于受測量設備、天氣等其他因素影響，點云數(shù)據(jù)在測量獲取過程中會產(chǎn)生很多噪聲。噪聲會對實體形狀的提取產(chǎn)生干擾，構造出來的實體形狀與原實體會存在一定差距。因此，為降低噪聲對結果的影響，有必要進行噪聲點云去除的預處理工作。使用CloudCompare 軟件的統(tǒng)計濾波器（Statistical Outlier Removal Filter，SOR filter）工具對原始點云數(shù)據(jù)進行去噪處理，去除明顯離群點。

2 研究方法

2.1 CSF 濾波

點云濾波是LiDAR 點云應用中基礎和關鍵的一步，指的是將地面點云與地上點云分離，這一步驟將直接影響后續(xù)各種地物分割、分類和建模的精確度。現(xiàn)有研究已經(jīng)開發(fā)了許多濾波算法，不過大部分算法都需要設置一些復雜的參數(shù)才能達到較好的效果，尤其是對于不同的場景如城區(qū)和山區(qū)，參數(shù)設定差異較大。復雜多變的調參過程提高了用戶使用的門檻。布料濾波[8]（Cloth Simulation Filtering，CSF）的設計思路則非常巧妙，促進了點云地面濾波算法易用性、通用性的提升。CSF 濾波算法假設有一塊虛擬的布料因重力作用落在地形表面上，假設布料足夠柔軟，能緊密貼附在地形上，隨地形起伏，此時布料的形狀即為DSM。當將地形翻轉，落于表面的布料形狀即為DEM。CSF 濾波具體實現(xiàn)包括：首先對LiDAR 點云進行翻轉；再用剛性布料覆蓋翻轉后的表面，分析布料的各個節(jié)點與對應點云之間的相互作用，確定節(jié)點的位置，從而產(chǎn)生布料曲面近似表示地表形狀；最后，比較原始點云和布料曲面之間的距離，實現(xiàn)從點云中過濾地面點的作用。

2.2 基于HDBSCAN 的建筑點云提取

2.2.1 HDBSCAN 算法

HDBSCAN （Hierarchical Density-Based Spatial Clustering of Applications with Noise） 是由Campello等[9]提出的一種基于密度的空間數(shù)據(jù)聚類方法，是常用聚類方法DBSCAN 和層次聚類的一個結合，其基本原理是通過計算相鄰點與核心點的可達距離，構建互達圖，最后引入層次聚類和聚類樹壓縮，獲得最終聚類簇。HDBSCAN 不需要用戶預先確定簇的數(shù)量或簇內(nèi)點周圍的距離閾值，并且可達距離的設計能有效應對不同密度距離簇，生成基于密度聚類的層次結構，從而更有效地提取不連續(xù)性。兩點之間的互可達距離如式（1）。本文使用Python 的hdbscan 第三方庫進行點云數(shù)據(jù)聚類編程。

式中：d（p，q）表示p、q 兩點之間的距離，核心距離ck（p）=d（p，Nk（p））值表示核心點p 和第k 個鄰近點之間的距離。

2.2.2 基于HDBSCAN 的點云聚類

HDBSCAN 聚類方法將所有的點云分為163 個簇，即將其分割成為163 個單一分離對象。為了進一步辨別各聚類簇的具體類型，將所有的簇按照高程的大小重新排列（圖2）。因為激光雷達具有較強穿透性，所以用每一簇高程的最大值作為其標簽來反映地物的類型。

圖2 HDBSCAN 聚類簇內(nèi)高程最大值和方差

從圖2 可以直觀看出，所有簇中，高程最高為480m，最低接近200 m。不同聚類分割的對象在高程上存在顯著差異，且方差和最大值的整體趨勢與拐點保持基于一致，表現(xiàn)為在高程最大值地區(qū)，其高程的方差隨之增大，這與實際情況中樹木高程高于房屋但其離散程度高相符，說明在聚類的過程中基本將同屬性的地物聚為一簇。

2.2.3 基于高程閾值的建筑分類

為了進一步分割開喬木、房屋與灌木，通過簇的高程經(jīng)驗閾值對其進行分類。由于不同地區(qū)基礎海拔不同，所以難以通過通用閾值選定。在實際觀察數(shù)據(jù)后選擇具體的經(jīng)驗閾值對其進行分割（表1）。其中低矮灌木的方差在0~1 m2之間，其海拔的最大值為340~350 m；房屋的高度方差在1~350 m2，其海拔的最大值為351~389 m；喬木的高度方差大于350 m2，其海拔總體高于390 m。建筑和喬木最終提取結果分別如圖3 和圖4 所示，可以看出通過本方法較好地提取了房屋建筑形狀。

表1 高程經(jīng)驗閾值

圖3 房屋建筑分類結果

圖4 喬木分類結果

3 結束語

本文基于高精度的激光雷達點云數(shù)據(jù)，設計了一種簡單易執(zhí)行的建筑分類方法，利用HDBSCAN 算法進行聚類分割，再通過高程的經(jīng)驗閾值進行分類，無須先驗樣本信息，即可達到快速正確提取建筑點云的目的。后續(xù)研究可考慮將HDBSCAN 二維聚類算法提升至三維，結合面法向量多維信息，進一步提高地物分割和分類的精度和效率。