楊 娜, 秦志遠(yuǎn),晏耀華, 周 莎

(1.信息工程大學(xué) 地理空間信息學(xué)院, 河南 鄭州 450052；2.61206部隊(duì)，遼寧 大連 116023; 3.61287部隊(duì)，四川 成都 610036)

面向地面點(diǎn)識(shí)別的機(jī)載LiDAR點(diǎn)云分割方法研究

楊 娜1,2, 秦志遠(yuǎn)1,晏耀華2, 周 莎3

(1.信息工程大學(xué) 地理空間信息學(xué)院, 河南 鄭州 450052；2.61206部隊(duì)，遼寧 大連 116023; 3.61287部隊(duì)，四川 成都 610036)

提出一種面向地面目標(biāo)識(shí)別的機(jī)載LiDAR點(diǎn)云分割方法。方法首先求每個(gè)激光腳點(diǎn)的法向量和殘差，由此確定種子點(diǎn)和種子平面；然后對(duì)種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)，生長(zhǎng)的過(guò)程中以鄰接點(diǎn)到種子平面的距離和鄰接點(diǎn)與種子點(diǎn)的法向量角度差作為相似性的度量標(biāo)準(zhǔn)；當(dāng)全部的掃描點(diǎn)都被劃分，則算法終止。實(shí)驗(yàn)表明，文中提出的分割方法，對(duì)于城區(qū)區(qū)域和農(nóng)村區(qū)域的地面目標(biāo)有很好的識(shí)別效果。

機(jī)載LiDAR；點(diǎn)云分割；特征值；法向量；面向?qū)ο簏c(diǎn)云分析

機(jī)載激光雷達(dá)(LiDAR)測(cè)量技術(shù)是一種全新的測(cè)量手段，其新穎既表現(xiàn)在其獲取數(shù)據(jù)的原理和方式不同，又表現(xiàn)在其獲取數(shù)據(jù)的組織方式和表達(dá)手段也區(qū)別于已有的其他測(cè)量手段。機(jī)載激光LiDAR系統(tǒng)會(huì)獲取一系列的離散點(diǎn)，因?yàn)檫@些離散點(diǎn)成星云狀密集分布，所以形象的稱為激光點(diǎn)云。激光點(diǎn)云這種成果，既不同于經(jīng)典的攝影測(cè)量獲取的光學(xué)影像，又不同于SAR獲取的經(jīng)過(guò)成像處理的復(fù)數(shù)數(shù)據(jù)，是一種新的表現(xiàn)形式。因此，如何組織、管理點(diǎn)云數(shù)據(jù)，以更有利于后續(xù)的信息提取、目標(biāo)識(shí)別和重建，是一個(gè)亟待解決的問(wèn)題。

目前，處理點(diǎn)云時(shí)通常采用兩種處理方式：基于點(diǎn)的和基于對(duì)象的。基于點(diǎn)的處理方式將點(diǎn)云單純看作單點(diǎn)的集合，逐一處理完畢則整個(gè)數(shù)據(jù)集處理完畢；基于對(duì)象的處理方式首先利用三維點(diǎn)的共面(平面和光滑曲面)的特性將點(diǎn)云分割為一系列的圖斑，然后采用面向?qū)ο蟮姆椒ㄟM(jìn)行點(diǎn)云數(shù)據(jù)的處理。由于采用面向?qū)ο蟮姆绞教幚睃c(diǎn)云，可以利用更多的特征和先驗(yàn)知識(shí)，正在日益受到重視[1]，而這種處理方式的第一步就是點(diǎn)云分割。點(diǎn)云分割是一個(gè)點(diǎn)云數(shù)據(jù)的標(biāo)記過(guò)程，經(jīng)過(guò)標(biāo)記后，屬性相同或相近、且空間近鄰的點(diǎn)被劃分為一類(lèi)。即，將三維空間中的點(diǎn)劃分成更小的、連貫和連接的子集的過(guò)程。這些點(diǎn)的子集應(yīng)該是“有意義的”，分割后應(yīng)該得到一系列我們感興趣的對(duì)象，如屋頂面片、街道、墻面等。過(guò)去十幾年學(xué)者們提出了眾多點(diǎn)云分割算法。根據(jù)其所采用的數(shù)學(xué)方法，現(xiàn)有的分割算法分為基于邊緣檢測(cè)、基于掃描線的、基于聚類(lèi)的、基于圖的、基于區(qū)域生長(zhǎng)的多種方法集成的分割方法[2]。通過(guò)已有的文獻(xiàn)分析和應(yīng)用情況看，目前沒(méi)有通用的、普適的點(diǎn)云分割方法，分割方法與場(chǎng)景復(fù)雜度、點(diǎn)云密度、地物尺度等因素密切相關(guān)，另外，與待提取的地物類(lèi)別也有密切的關(guān)系。Wang和Tseng[3]提出的點(diǎn)云分割方法用于提取機(jī)載LiDAR點(diǎn)云中的平面；Chen等[4]提出點(diǎn)云分割方法是面向機(jī)載LiDAR點(diǎn)云中建筑物屋頂面片提取的。但目前還沒(méi)有專(zhuān)門(mén)針對(duì)機(jī)載LiDAR點(diǎn)云中地面點(diǎn)提取的分割方法。地面點(diǎn)本身具有自己的特殊性，在城市和農(nóng)村居民點(diǎn)內(nèi)部，地面局部平坦，可以近似地看做平面；而自然地形，如果不考慮斷裂地形，局部地面一般呈現(xiàn)連續(xù)光滑的形態(tài)。地面這種特殊的形態(tài)對(duì)點(diǎn)云分割方法提出了更高的要求?；诖?，本文基于法向量和距離兩個(gè)特征，提出面向地面識(shí)別的點(diǎn)云分割方法。

1 基于法向量和距離特征的點(diǎn)云分割方法

首先求出每個(gè)激光腳點(diǎn)的法向量和殘差，由此確定種子點(diǎn)和種子平面；然后，對(duì)種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)，生長(zhǎng)的過(guò)程中以鄰接點(diǎn)到種子平面的距離和鄰接點(diǎn)與種子點(diǎn)的法向量角度差作為相似性的度量標(biāo)準(zhǔn)；當(dāng)全部的掃描點(diǎn)都被劃分，則算法終止?；谏鲜鲈砜芍?，本文的點(diǎn)云分割包括兩個(gè)主要的步驟：①法向量和殘差估計(jì)；②區(qū)域生長(zhǎng)。流程見(jiàn)圖1。該方法中有3個(gè)關(guān)鍵的參數(shù)：鄰近點(diǎn)個(gè)數(shù)、法向量間角度差異閾值和距離閾值。其中，鄰近點(diǎn)用于求取當(dāng)前點(diǎn)的法向量，鄰近點(diǎn)的個(gè)數(shù)控制著法向量的尺度；法向量間角度差異閾值、距離閾值分別控制著鄰接點(diǎn)與種子點(diǎn)的法向量角度差、鄰接點(diǎn)到種子平面的距離兩個(gè)相似性的度量。這3個(gè)參數(shù)需要預(yù)先輸入。該點(diǎn)云分割稱為平面生長(zhǎng)方法。

圖1 點(diǎn)云分割方法的技術(shù)流程

1.1 法向量和殘差估計(jì)

點(diǎn)云數(shù)據(jù)中，任意一點(diǎn)的法向量定義為該點(diǎn)及其一定數(shù)量的K個(gè)最鄰近點(diǎn)確定的平面的法向量。任何一點(diǎn)的K個(gè)最鄰近點(diǎn)可以通過(guò)KD-樹(shù)[5]這種空間索引的方法求取。同時(shí)，三維空間中一定數(shù)量的離散點(diǎn)確定的平面可以由特征值法[6]確定?；贙D-樹(shù)空間索引方法和特征值法平面擬合的原理，法向量和殘差估計(jì)的具體過(guò)程包括：

1)建立給定的點(diǎn)云數(shù)據(jù)的KD-樹(shù)空間索引；

2)對(duì)以點(diǎn)云數(shù)據(jù)的每一點(diǎn)，逐一利用KD-樹(shù)空間索引求取其K個(gè)最臨近點(diǎn)，K的取值由用戶輸入，默認(rèn)值為20；

3)對(duì)于每一點(diǎn)及其K個(gè)最臨近點(diǎn)，利用特征值法求取其擬合平面的方程，即確定每一點(diǎn)的法向量及其殘差。

1.2 區(qū)域生長(zhǎng)

該生長(zhǎng)過(guò)程與傳統(tǒng)的基于圖像的區(qū)域生長(zhǎng)極其相似。兩者都包含兩個(gè)必要的因素，鄰接關(guān)系的確定和相似性的度量。鄰接關(guān)系由KD-樹(shù)確定，相似性的度量包括鄰接點(diǎn)到種子平面的距離和鄰接點(diǎn)與種子點(diǎn)的法向量角度差兩個(gè)特征。該區(qū)域生長(zhǎng)的具體過(guò)程包括：

1)輸入法向量間角度差異閾值θ，默認(rèn)值為10°。角度差異閾值θ的使用規(guī)則如下：對(duì)于當(dāng)前要擴(kuò)張的種子點(diǎn)，利用KD-樹(shù)求取其某一鄰接點(diǎn)作為待處理的點(diǎn)。設(shè)當(dāng)前種子點(diǎn)的法向量為φi，待處理的鄰接點(diǎn)的法向量為φj。如果待處理的鄰接點(diǎn)與種子點(diǎn)之間法向量的點(diǎn)積‖φiφj‖小于閾值cosθ，則將此點(diǎn)加入到種子點(diǎn)隊(duì)列中，并作為新的種子點(diǎn)，繼續(xù)判別其他的未處理的點(diǎn)；否則，跳過(guò)該點(diǎn)，處理其他的未處理的點(diǎn)。

2)輸入給定距離閾值Δd，默認(rèn)值為0.1m。如果待處理的鄰接點(diǎn)到種子點(diǎn)確定的種子平面的距離小于閾值Δd，則將此點(diǎn)加入到種子點(diǎn)隊(duì)列中，并作為新的種子點(diǎn)，繼續(xù)判別其他的未處理的點(diǎn)；否則，跳過(guò)該點(diǎn)，處理其他的未處理的點(diǎn)。

3)檢查未被標(biāo)號(hào)的點(diǎn)的數(shù)量。如果數(shù)量為0，則到步驟7)；否則，對(duì)于未被分割的點(diǎn)，求殘差λ最小的點(diǎn)。以殘差λ最小的點(diǎn)為種子點(diǎn)，將該點(diǎn)壓入一個(gè)種子點(diǎn)的隊(duì)列，開(kāi)始進(jìn)行區(qū)域生長(zhǎng)。

4)生長(zhǎng)的過(guò)程中，取種子點(diǎn)隊(duì)列中第一個(gè)尚未被處理過(guò)的種子點(diǎn)，利用KD-樹(shù)求取該種子點(diǎn)的K個(gè)最鄰近點(diǎn)。

5)對(duì)于每一個(gè)鄰近點(diǎn)，逐一進(jìn)行判別。如果該點(diǎn)已經(jīng)在種子點(diǎn)的隊(duì)列中，則不予以處理；否則，分別按照法向量間角度差異和距離差異進(jìn)行相似性的判別。注意，衡量相似差異的時(shí)候，基準(zhǔn)點(diǎn)是當(dāng)前待生長(zhǎng)的種子點(diǎn)。

6)回到步驟4)，檢查種子點(diǎn)隊(duì)列中是否有未被處理的點(diǎn)。如果有，則重新進(jìn)入步驟5)；否則，將種子點(diǎn)隊(duì)列中的點(diǎn)標(biāo)為相同的標(biāo)號(hào)，且該標(biāo)號(hào)與已有的標(biāo)號(hào)不同；然后，返回步驟3)。

7)結(jié)束分割。

2 實(shí)驗(yàn)和分析

為了驗(yàn)證上述分割方法，將選擇兩個(gè)不同場(chǎng)景的數(shù)據(jù)進(jìn)行分割實(shí)驗(yàn)，并將通過(guò)目視分析的手段評(píng)價(jià)分割方法的性能。

2.1 實(shí)驗(yàn)數(shù)據(jù)和實(shí)驗(yàn)過(guò)程

實(shí)驗(yàn)數(shù)據(jù)的情況如下：

數(shù)據(jù)1是加拿大多倫多城區(qū)點(diǎn)密度約為1點(diǎn)/m2的激光掃描數(shù)據(jù)，數(shù)據(jù)的下載網(wǎng)址為http://www.cs.unc.edu/～isenburg/lastools/。數(shù)據(jù)的縮略圖見(jiàn)圖2。數(shù)據(jù)寬度和高度均為250.00 m，高差為123.82 m。該區(qū)域地面比較平坦，街道比較筆直，路面上分布著零星的車(chē)輛，道路兩旁分布著零星的樹(shù)木，建筑物的類(lèi)型復(fù)雜多樣。建筑物的大小不一，建筑物的外輪廓形狀有的呈規(guī)則的矩形、圓形，有的呈不規(guī)則的多邊形。建筑物的層數(shù)也有變化，有的為單層建筑物，有的為多層建筑物。屋頂?shù)臉?gòu)型也形式多樣，有平頂、四坡型、球型和圓錐型等。

數(shù)據(jù)2是我國(guó)天津市某農(nóng)村地區(qū)點(diǎn)密度約為1點(diǎn)/m2的激光掃描數(shù)據(jù)，數(shù)據(jù)由天津市星際空間地理信息工程有限公司提供。數(shù)據(jù)的示意圖見(jiàn)圖3。該數(shù)據(jù)寬度和高度分別為553.19 m和470.95m，高差為84.26 m。該區(qū)域?qū)儆谇鹆甑孛玻w上，從左上角到右下角呈階梯狀分布。點(diǎn)云數(shù)據(jù)的上部和右下部分布著梯田，田塊內(nèi)的田壟清晰可辨；中部偏左下角零星分布著低矮的建筑物，建筑物的形狀比較規(guī)則，其外輪廓呈矩形，屋頂屬于平頂或者人字型；在建筑物之間和斜坡上分布著密集的低矮植被。

圖2 多倫多城區(qū)的點(diǎn)云數(shù)據(jù)分割

圖3 天津農(nóng)村地區(qū)的點(diǎn)云數(shù)據(jù)分割

2.2 結(jié)果和評(píng)價(jià)

點(diǎn)云數(shù)據(jù)分割是一項(xiàng)與數(shù)據(jù)本身的特點(diǎn)和應(yīng)用領(lǐng)域密切相關(guān)的工作，如何評(píng)價(jià)點(diǎn)云數(shù)據(jù)的分割效果，是一個(gè)亟待解決的難題。目前，尚無(wú)統(tǒng)一的定性和定量的評(píng)價(jià)指標(biāo)。本文通過(guò)目視分析的手段進(jìn)行定性的評(píng)價(jià)。本文提出云分割算法的目的是將點(diǎn)云數(shù)據(jù)中空間上鄰接且共平面的點(diǎn)聚為一類(lèi)，而空間上分離或者空間上鄰接且不共平面的點(diǎn)聚為不同的類(lèi)。因此，通過(guò)目視評(píng)價(jià)點(diǎn)云分割效果的共面性評(píng)鑒算法的性能。點(diǎn)云數(shù)據(jù)的分割參數(shù)設(shè)置見(jiàn)表1。

表1 點(diǎn)云數(shù)據(jù)分割參數(shù)設(shè)置

兩個(gè)場(chǎng)景點(diǎn)云數(shù)據(jù)的分割結(jié)果分別如下：

第1個(gè)場(chǎng)景點(diǎn)云分割后，地面與城市建筑物、車(chē)輛、植被分割到不同的面片，且各類(lèi)地物之間的混分的現(xiàn)象基本不存在。對(duì)于地面而言，地面被聚為一個(gè)面片，這符合該城市景觀的事實(shí)：整個(gè)街區(qū)的地面平坦且互相連通，如圖2(b)所示?？梢?jiàn)，使用本文的分割方法對(duì)地面起到了很好的識(shí)別效果。

第2個(gè)場(chǎng)景點(diǎn)云分割后，與第1場(chǎng)景的結(jié)果相似，地面與農(nóng)村房屋、植被分割到不同的面片，且各類(lèi)地物之間混分的現(xiàn)象基本不存在，如圖3(b)所示。地面點(diǎn)被主要聚為3個(gè)面片：連通的整個(gè)地面面片和斜坡上的地面面片、被樹(shù)木和建筑物環(huán)繞的地面面片，這也符合該場(chǎng)景的地形特征，如圖3(b)所示?？梢?jiàn)，使用本文的分割方法也對(duì)地面起到了很好的識(shí)別效果。

綜上所述，通過(guò)上述實(shí)驗(yàn)和分析，可以得到下述結(jié)論：從點(diǎn)云可視化和目視解譯的角度分析，點(diǎn)云分割為點(diǎn)云數(shù)據(jù)的可視化和目視解譯提供了一種新的特征。按分割后的圖斑著色的點(diǎn)云數(shù)據(jù)與按高程著色的點(diǎn)云數(shù)據(jù)相比，其紋理性更強(qiáng)，使點(diǎn)云數(shù)據(jù)具有了影像的某些特征，其信息量更大，目視效果更好。

3 結(jié)束語(yǔ)

本文提出了一種面向地面目標(biāo)識(shí)別的點(diǎn)云分割方法。點(diǎn)云分割過(guò)程中，使用KD-樹(shù)快速獲取空間上鄰近的點(diǎn)，使用特征值法擬合點(diǎn)云形成的平面并求點(diǎn)的法向量和擬合殘差，區(qū)域生長(zhǎng)過(guò)程中使用鄰接點(diǎn)到種子平面的距離和鄰接點(diǎn)與種子點(diǎn)的法向量角度差兩個(gè)特征進(jìn)行相似性的度量。實(shí)驗(yàn)表明，本文提出的點(diǎn)云分割方法，無(wú)論對(duì)于城區(qū)區(qū)域還是森林地區(qū)，對(duì)其中的地面目標(biāo)的分割、識(shí)別效果很好。

[1]VOSSELMAN G, KLEIN R. Visualisation and structuring of point clouds[Z]. In: Airborne and Terrestrial Laser Scanning. Vosselman, G. and Maas, H.-G. (Eds.), Whittles Publishing, 2010:43-79.

[2]劉進(jìn), 武仲科, 周明全. 點(diǎn)云模型分割及應(yīng)用技術(shù)綜述[J]. 計(jì)算機(jī)科學(xué), 2011,38(4): 21-24.

[3]WANG M, TSENG Y H. Automatic segmentation of LiDAR data into coplanar point clusters using an octree-based split-and-merge algorithm[Z]. Photogrammetric Engineering and Remote Sensing, 2010,76(4):407-420.

[4]DONG CHEN, LIQIANG ZHANG, JONATHAN LI, et al. Urban building roof segmentation from airborne lidar point clouds[Z]. International Journal of Remote Sensing, 2012,33:20,6497-6515

[5]ARYA S, MOUNT D M, NETANYAHU N S, et al. An optimal algorithm for approximate nearest neighbor searching in fixed dimensions[J]. Journal of the ACM, 1998, 45: 891-923.

[6]RABBANI T. Automatic Reconstruction of Industrial Installations Using Point Clouds and Images[D]. 2006, NCG, Nederlandse Commissie voor Geodesie, Netherlands Geodetic Commission, Delft, The Netherlands.

[責(zé)任編輯：劉文霞]

An airborne LiDAR point cloud segmentation method for recognizing the ground measurments

YANG Na1，2, QIN Zhi-yuan1, YAN Yao-hua2,ZHOU Sha3

(1.Institute of geospatial information, Information Engineering University, Zhengzhou 450052, China; 2.Troops 61206, Dalian 116023，China; 3.Troops 61287, Chengdu 610036，China)

A region-growing-based airborne LiDAR point cloud segmentation method is proposed to extract the ground measurements in the point clouds. Particularly, the normal and residual for each point is estimated by fitting a plane to some neighboring points, and the seed points and seed planes are determined by the above two features. The region growing process is performed from the seed points, where the distance between the neighbors to the current seed plane and the angle difference between the normal of the current seed and its neighbors are the two criterion for judging the similarity. The experiments show that the proposed method is capable of better recognizing the ground measurements for both the urban regions and the natural regions.

airborne LiDAR; point cloud segmentation; eigenvalue; normal; object-based point cloud analysis

2013-09-13

楊 娜(1976-)，女，工程師，博士研究生.

P237

：A

：1006-7949(2014)10-0018-05