歐陽君， 王樹根*， 陳 奇， 康一飛， 孫明偉

(1.武漢大學(xué) 遙感信息工程學(xué)院， 武漢 430079； 2.中國地質(zhì)大學(xué)(武漢) 信息工程學(xué)院， 武漢 430074)

基于LiDAR點(diǎn)云的建筑物檢測(cè)方法研究

歐陽君1， 王樹根1*， 陳 奇2， 康一飛1， 孫明偉1

(1.武漢大學(xué) 遙感信息工程學(xué)院， 武漢 430079； 2.中國地質(zhì)大學(xué)(武漢) 信息工程學(xué)院， 武漢 430074)

提出了一種基于三角面元的LiDAR數(shù)據(jù)建筑物檢測(cè)方法.首先對(duì)點(diǎn)云數(shù)據(jù)構(gòu)建不規(guī)則三角網(wǎng)，然后根據(jù)三角面元的特征信息對(duì)其進(jìn)行分類，接著利用面元之間的鄰接關(guān)系對(duì)其進(jìn)行聚類，最后對(duì)聚類點(diǎn)云進(jìn)行跟蹤得到建筑物的輪廓.以國際攝影測(cè)量與遙感學(xué)會(huì)(ISPRS)提供的城區(qū)LiDAR點(diǎn)云為實(shí)驗(yàn)數(shù)據(jù)進(jìn)行建筑物檢測(cè)試驗(yàn).與以點(diǎn)云或分割塊為處理基元的檢測(cè)方法相比，該方法能夠更加準(zhǔn)確地提取建筑物輪廓，正確率可達(dá)96%，完整率可達(dá)85%.

LiDAR； 建筑物檢測(cè)； 不規(guī)則三角網(wǎng)

建筑物是城市場景的重要組成部分，也是攝影測(cè)量、地理空間信息領(lǐng)域主要研究對(duì)象之一.從高分辨率影像中檢測(cè)建筑物的研究已經(jīng)開展多年，建筑物結(jié)構(gòu)和分布的多樣性，給基于影像的自動(dòng)檢測(cè)工作帶來了不小的困難[1].近年來，LiDAR技術(shù)逐步成為城市三維信息獲取的主要手段，它能夠更迅速、精確地獲取目標(biāo)表面的三維坐標(biāo)[2]，為建筑物的檢測(cè)提供了新的方向，引起了越來越多學(xué)者的積極關(guān)注.Lodha等[3]直接從離散點(diǎn)云數(shù)據(jù)中提取特征，對(duì)其進(jìn)行支持向量機(jī)(SVM)分類；杜娜娜等[4]基于決策樹的方法，通過對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行分割來提取LiDAR點(diǎn)云中的建筑物等地物；Gerke等[5]采用RT分類器在影像輔助下對(duì)分割后的LiDAR點(diǎn)云進(jìn)行分類.當(dāng)前基于LiDAR數(shù)據(jù)的建筑物檢測(cè)算法中，大多數(shù)是以點(diǎn)或分割塊為分類基元.以點(diǎn)作為分類基元，則無法充分利用法向量、粗糙度等信息，得到的分類結(jié)果準(zhǔn)確度較低，當(dāng)點(diǎn)云分辨率較低時(shí)，這一缺點(diǎn)尤其明顯；以分割塊作為分類基元，得到的分類結(jié)果準(zhǔn)確度較高，但它十分依賴于良好的點(diǎn)云分割結(jié)果，在實(shí)際生產(chǎn)中難以自動(dòng)化實(shí)現(xiàn).

針對(duì)上述問題，提出了一種基于三角面元的建筑物檢測(cè)方法，該方法以不規(guī)則三角網(wǎng)(TIN)中的三角面元為處理基元，能充分地利用點(diǎn)云數(shù)據(jù)的細(xì)節(jié)信息，準(zhǔn)確地從中提取建筑物的屋頂輪廓.

1基于三角面元的建筑物檢測(cè)

圖1表示基于LiDAR點(diǎn)云進(jìn)行建筑物檢測(cè)時(shí)使用不同的分類基元，其中1(a)、1(b)和1(c)分別表示以點(diǎn)云、分割塊和三角面元為分類基元.從圖中可以看出，以三角面元作為處理基元進(jìn)行分類，具有一定的優(yōu)勢(shì)：與直接使用點(diǎn)云相比，三角面元更好地利用了周圍點(diǎn)云的特征信息，在信息量較多的情況下分類錯(cuò)誤的概率會(huì)更低；與使用分割塊相比，三角面元不依賴于分割的效果，且更能反映原始地物的真實(shí)細(xì)節(jié).

圖1 不同分類基元示意圖Fig.1 Diagram of classification based on different primitives

鑒于此，本文提出一種以三角面元為處理基元的建筑物檢測(cè)方法：首先對(duì)LiDAR點(diǎn)云數(shù)據(jù)建立不規(guī)則三角網(wǎng)，然后以三角面元作為處理基元，對(duì)其進(jìn)行SVM分類，接著利用三角面元的鄰接關(guān)系對(duì)分類結(jié)果進(jìn)行聚類，最后使用Alpha Shapes算法對(duì)聚類點(diǎn)云進(jìn)行跟蹤，得到建筑物的輪廓.其算法流程如圖2.

圖2 算法流程圖Fig.2 Flow chart of the proposed algorithm

1.1三角面元特征空間構(gòu)建

Delaunay三角剖分是普遍采用的構(gòu)建TIN的一種方法，Tsai根據(jù)實(shí)現(xiàn)過程，把Delaunay三角網(wǎng)的各種生成算法分為3類：逐點(diǎn)插入法、三角網(wǎng)生長法、分裂-歸并法[6].其中，分裂-歸并法有著效率高、穩(wěn)定性強(qiáng)的優(yōu)點(diǎn)[7]，因此本文采用分裂-歸并法構(gòu)建Delaunay三角網(wǎng).

生成三角網(wǎng)后，需要為三角面元構(gòu)建特征空間.特征的選擇對(duì)后續(xù)的分類結(jié)果有著很大的影響，能否準(zhǔn)確的選擇出有效區(qū)分建筑物與非建筑物之間的特征，密切關(guān)系到算法的分類精度.本文研究分析建筑物目標(biāo)在現(xiàn)實(shí)場景中的特點(diǎn)以及三角面元的一些特性，選擇以下3種特征：距地高度、法向量方向和粗糙度作為SVM的輸入特征.

圖3為3種特征的示意圖，其中圖3(a)為三角面元的距地高度，此特征可用于區(qū)分建筑物屋頂和地面，由原始LiDAR數(shù)據(jù)與LiDAR數(shù)據(jù)濾波處理后得到的DEM數(shù)據(jù)做差得到；圖3(b)為三角面元的法向量方向，可用于區(qū)分屋頂和墻壁；圖3(c)為三角面元的粗糙度，可用于區(qū)分建筑物和植被，將三角面元及其鄰接三角面元的頂點(diǎn)構(gòu)成離散點(diǎn)集擬合平面得到粗糙度，其公式為：

(1)

式中，di為離散點(diǎn)集與擬合平面間的距離，粗糙度R即為平均距離.

圖3 三角面元特征Fig.3 Features of triangle primitives

1.2基于SVM的三角面元分類

支持向量機(jī)是Vapnik等人于1995年提出的一種通用機(jī)器學(xué)習(xí)方法[8]，相比于神經(jīng)網(wǎng)絡(luò)、決策樹等傳統(tǒng)的機(jī)器學(xué)習(xí)方法，SVM建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小原則之上，能根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳平衡點(diǎn)，降低分類誤差風(fēng)險(xiǎn)[9]，所以本文選擇了SVM算法對(duì)三角面元進(jìn)行分類.

SVM是一種監(jiān)督分類方法，分類過程中不需要人工給出三種特征的閾值，僅需要選定足夠數(shù)目的樣本進(jìn)行訓(xùn)練得到分類器模型即可實(shí)現(xiàn)自動(dòng)分類.因此實(shí)施時(shí)需要首先從試驗(yàn)數(shù)據(jù)中選取一部分進(jìn)行人工解譯作為訓(xùn)練樣本，將訓(xùn)練樣本的上述三個(gè)特征以及樣本類別一起輸入訓(xùn)練器進(jìn)行訓(xùn)練，根據(jù)特征的重要程度給予不同的權(quán)重，得到一個(gè)非線性映射的分類器模型.然后基于訓(xùn)練得到的分類器模型對(duì)剩余數(shù)據(jù)進(jìn)行自動(dòng)分類.所有參與分類的三角面元將被自動(dòng)檢測(cè)為建筑物(僅屋頂部分)和非建筑物兩個(gè)類別.

1.3基于三角鄰接關(guān)系的三角面元聚類

將所有三角面元分為建筑物和非建筑物兩類后，需要進(jìn)一步利用三角面元之間的鄰接關(guān)系，對(duì)這些三角面元進(jìn)行聚類，將位于同一房屋的三角面元聚合到一起，進(jìn)而將不同建筑物分開.具體做法是：

1)面片生成.遍歷所有建筑物三角面元，將相鄰的三角面元聚集成小面片.對(duì)于三角面元Ti及其相鄰的三個(gè)三角面元Ti1、Ti2和Ti3，若Ti、Ti1、Ti2、Ti3已經(jīng)有了歸屬的面片號(hào)，則找到其中序號(hào)最小的三角面元所歸屬的面片Pj，將四個(gè)三角面元都存入面片Pj；若均沒有面片號(hào)，則將四個(gè)三角面元都存入新的面片Pi；

2)面片合并.遍歷生成的面片，將具有鄰接關(guān)系的面片合并到同一個(gè)對(duì)象中，一個(gè)對(duì)象即可初步認(rèn)定為一棟建筑物.對(duì)于面片Pi，記下與其有鄰接關(guān)系的對(duì)象的序號(hào)O:{O1，O2，…，On}，對(duì)象全部遍歷過后，將面片Pi和這些對(duì)象并入同一個(gè)對(duì)象中；若不存在對(duì)象與面片有鄰接關(guān)系，則將面片Pi存入新的對(duì)象中.

3)去除小面積噪聲點(diǎn)，將三角面元個(gè)數(shù)少于100的對(duì)象去除，減小算法對(duì)與建筑物等高的植被的誤判.

圖4 基于三角鄰接關(guān)系的聚類Fig.4 Cluster result based on triangle adjacency

圖4(a)表示面片生成后的結(jié)果，可以看出分類后的建筑物三角面元已經(jīng)聚集成小面片；圖4(b)表示面片合并后的結(jié)果，相鄰的小面片合并成為獨(dú)立的對(duì)象；圖4(c)表示去除小面積噪聲后的結(jié)果，其中植被等誤判被去除.

1.4建筑物輪廓提取

Alpha Shapes算法能夠?qū)σ幌盗袩o序點(diǎn)進(jìn)行幾何形狀的重建，由唯一的參數(shù)α決定重建的結(jié)果[10].Alpha Shapes提取輪廓線的原理非常簡單，如圖5所示：假設(shè)有一個(gè)半徑為α的圓在點(diǎn)集邊緣滾動(dòng)，當(dāng)α足夠大時(shí)，這個(gè)圓就不會(huì)滾到點(diǎn)集內(nèi)部，而其在滾動(dòng)過程中的痕跡則構(gòu)成了點(diǎn)集的邊界線.參數(shù)α的選取在很大程度上決定提取出的輪廓形態(tài)：α取值過大，則可能導(dǎo)致凹多邊形的輪廓鈍化；α取值過小，則可能導(dǎo)致點(diǎn)集提取出不當(dāng)?shù)淖虞喞€.

圖5 Alpha Shapes算法提取離散點(diǎn)輪廓Fig.5 Outline of discrete points extracted by Alpha Shapes algorithm

2實(shí)驗(yàn)與分析

2.1實(shí)驗(yàn)數(shù)據(jù)

本文采用的實(shí)驗(yàn)數(shù)據(jù)為ISPRS提供的位于德國Vaihingen地區(qū)的LiDAR點(diǎn)云數(shù)據(jù).如圖6所示，其中圖6(a)為訓(xùn)練數(shù)據(jù)，將點(diǎn)云人工分類為建筑物與非建筑物兩類，其中紅色為建筑物，白色為非建筑物，圖6(b)和6(c)分別為其對(duì)應(yīng)的影像和建筑物真值位置圖；圖6(d)為測(cè)試數(shù)據(jù)，點(diǎn)云類別未知，圖6(e)和圖6(f)分別為其對(duì)應(yīng)的影像和建筑物真值位置圖.

圖6 實(shí)驗(yàn)數(shù)據(jù)Fig.6 Experimental data

2.2結(jié)果評(píng)價(jià)

評(píng)價(jià)本文提出的基于三角面元的建筑物檢測(cè)結(jié)果如圖7所示.

圖7 建筑物檢測(cè)結(jié)果Fig.7 Building detection results

圖7(a)為對(duì)三角面元執(zhí)行SVM分類后得到的結(jié)果，其中紅色為建筑物，綠色為非建筑物；圖7(b)為三角面元的聚類結(jié)果，不同顏色代表著不同的建筑物，可以看出，屬于相同房屋的三角面元被準(zhǔn)確地聚合到一起；圖7(c)為建筑物輪廓提取的結(jié)果，可以看出，大多數(shù)建筑物輪廓被準(zhǔn)確提取出來，且邊緣較為平滑，在點(diǎn)云聚類結(jié)果中的細(xì)小的空洞處，也不會(huì)生成內(nèi)輪廓.

同時(shí)，選取ISPRS公布的兩種算法的實(shí)驗(yàn)結(jié)果作對(duì)比，圖8為三種算法檢測(cè)結(jié)果與真值進(jìn)行比較后生成評(píng)價(jià)效果圖，其中黃色表示正確檢測(cè)的點(diǎn)，紅色表示錯(cuò)誤檢測(cè)的點(diǎn)，藍(lán)色表示遺漏檢測(cè)的點(diǎn).算法UTMA為L. Feng提出的以點(diǎn)云為處理基元的建筑物檢測(cè)算法，其評(píng)價(jià)效果圖為圖8(a)；算法TON為Liu Chun提出的以分割塊為處理基元的建筑物檢測(cè)算法，其評(píng)價(jià)效果圖為圖8(b)；圖8(c)為本文算法的評(píng)價(jià)效果圖.

圖8 建筑物檢測(cè)評(píng)價(jià)效果對(duì)比圖Fig.8 Comparison of building detection results

從圖中可以看出：在建筑物的邊緣點(diǎn)云分辨率較低，周圍特征信息較少，使UTMA算法存在較多誤檢；實(shí)驗(yàn)數(shù)據(jù)區(qū)域同一建筑物屋頂存在高低不一致的情況，給分割算法造成較大的阻礙，導(dǎo)致TON算法存在大量漏檢；而本文提出的基于三角面元的檢測(cè)算法能夠更加充分地利用周圍的特征信息，且能更加清晰地反映建筑物細(xì)小結(jié)構(gòu)，很少產(chǎn)生誤檢，尤其在建筑物的邊緣，同時(shí)盡可能地保證低矮建筑物檢測(cè)結(jié)果的完整性，減少漏檢.

此外，為了評(píng)價(jià)檢測(cè)結(jié)果的精度，本文選用了三種定量指標(biāo)對(duì)建筑物檢測(cè)結(jié)果進(jìn)行定量評(píng)價(jià)，分別是完整率(Completeness)、正確率(Correctness)和質(zhì)量(Quality).這3種指標(biāo)中，完整率表示目標(biāo)建筑物的檢測(cè)完整程度，正確率表示所有檢測(cè)結(jié)果中正確部分所占的比例，質(zhì)量代表了檢測(cè)結(jié)果的整體水平.具體公式如下：

(2)

(3)

(4)

式中，TP為正確檢測(cè)像素總數(shù)；FP為錯(cuò)誤檢測(cè)像素總數(shù)；FN為遺漏檢測(cè)像素總數(shù)指標(biāo).3種算法在測(cè)試區(qū)域的評(píng)價(jià)結(jié)果如表1所示，從表中可以看出，本文算法在正確率和質(zhì)量兩項(xiàng)指標(biāo)上均優(yōu)于其他兩種算法，本文算法的特點(diǎn)主要在于能夠保證較高正確率的前提下保證一定的完整率，同時(shí)質(zhì)量指標(biāo)高于80%，可滿足實(shí)際生產(chǎn)操作的需求.

表1 建筑物檢測(cè)評(píng)價(jià)結(jié)果

3結(jié)論

針對(duì)基于LiDAR數(shù)據(jù)的建筑物檢測(cè)問題，本文提出了一種以三角面元為處理基元的檢測(cè)算法，該方法克服了傳統(tǒng)的以點(diǎn)云或分割塊為處理基元的相關(guān)算法的缺陷，充分利用了周圍點(diǎn)云的特征信息，實(shí)現(xiàn)了建筑物輪廓的準(zhǔn)確提取，且算法實(shí)現(xiàn)方便，自動(dòng)化程度高，對(duì)實(shí)際生產(chǎn)及相關(guān)研究都有著一定意義.

以ISPRS提供的城區(qū)LiDAR點(diǎn)云為實(shí)驗(yàn)數(shù)據(jù)，實(shí)驗(yàn)結(jié)果驗(yàn)證了本文算法的可行性和優(yōu)勢(shì).另一方面，本文方法還有些方面需要完善，在SVM中可考慮更多的特征，比如三角面元內(nèi)各腳點(diǎn)的強(qiáng)度信息等，后期將針對(duì)此問題進(jìn)行深入研究.

[1] BIGDELI B， SAMADZADEGAN F. Classification of LiDAR data based on Multi-class SVM[G]. Isprs Proceeding of Canadian Geomatics Conference， 2010．

[2] 賴旭東. 機(jī)載激光雷達(dá)基礎(chǔ)原理與應(yīng)用[M]. 北京: 電子工業(yè)出版社， 2010．

[3] LODHA S K， KREPS E J， HELMBOLD D P， et al. Aerial LiDAR Data Classification Using Support Vector Machines (SVM)[C]//International Symposium on 3d Data Processing， Visualization， and Transmission. IEEE Computer Society， 2006： 567-574．

[4] 杜娜娜， 彭軍還. 基于決策樹的機(jī)載LiDAR點(diǎn)云數(shù)據(jù)分類[J]. 測(cè)繪科學(xué)， 2013， 38(3):118-120．

[5] GERKE M， XIAO J. Fusion of airborne laserscanning point clouds and images for supervised and unsupervised scene classification[J]. ISPRS Journal of Photogrammetry & Remote Sensing， 2014， 87(1):78-92．

[6] VICTOR J D， TSA I. Delaunay triangulations in TIN creation: an overview and a Linear-Time algorithm.[J]. Geographical Information Systems， 1993， 7(6):501-524.

[7] 武曉波， 王世新， 肖春生. Delaunay三角網(wǎng)的生成算法研究[J]. 測(cè)繪學(xué)報(bào)， 1999， 28(1):28-35．

[8] CORTES C， VAPNIK V. Support-Vector Networks[J]. Machine Learning， 1995， 20(3):273-297．

[9] 許建華， 張學(xué)工， 譯. 統(tǒng)計(jì)學(xué)習(xí)理論[M]. 北京: 電子工業(yè)出版社， 2004．

[10] EDELSBRUNNER H. Three-dimensional alpha shapes[J]. Acm Transactions on Graphics， 1994， 13(1):43-72．

Study on building extraction with LiDAR point cloud

OUYANG Jun1， WANG Shugen1， Chen Qi2， KANG Yifei1， SUN Mingwei1

(1.School of Remote Sensing and Information Engineering， Wuhan University， Wuhan 430079;2.Faculty of Information Engineering， China University of Geosciences (Wuhan)， Wuhan 430074 )

A building detection method based on triangle primitives is proposed. Firstly， TIN is built using the LiDAR point cloud data. Secondly， triangular primitives are classified based on their characteristics. And then， the classified triangular primitives are clustered based on their adjacency. Finally， the clustered point cloud are traced to get the building outline. The proposed method is validated on LiDAR point cloud data of urban area provided by International Society for Photogrammetry and Remote Sensing (ISPRS). Comparing with building detection methods that using point cloud or segmented blocks as primitive， the proposed method is able to extract building outlines more accurately， with correctness up to 96%， and completeness up to 85%．

LiDAR; building detection; triangle irregular network

2016-12-15.

中國博士后科學(xué)基金項(xiàng)目(2016M590730)；國家自然科學(xué)基金項(xiàng)目(41601506)；國家973計(jì)劃資助項(xiàng)目(2012CB719904).

1000-1190(2017)03-0402-05

P23

A

*通訊聯(lián)系人. E-mail: wangsg@whu.edu.cn.