基于3dhong變換的機載lidar分割點云建模與分析

基于3dhong變換的機載lidar分割點云建模與分析

1診斷與分類方法該算法的李dar測量技術(shù)具有可以自動接收高精度空間三維信息的巨大利用，這在許多行業(yè)引起了很大的影響，如測量、林業(yè)和能源。盡管機載LiDAR測量技術(shù)在國外已經(jīng)相當(dāng)成熟，絕大部分屬于硬件和系統(tǒng)集成方面的許多關(guān)鍵問題已經(jīng)得到解決，但相應(yīng)的機載LiDAR測量數(shù)據(jù)處理的算法仍然處于前期研究發(fā)展階段，還有諸多的問題沒有得到解決經(jīng)典的機載LiDAR測量數(shù)據(jù)的濾波算法有不規(guī)則三角網(wǎng)漸進加密經(jīng)典的機載LiDAR測量數(shù)據(jù)分類方法有以下幾種：Elberink和Mass近年來，機載LiDAR激光脈沖的多次回波信息日益受到相關(guān)研究人員的重視。隨著硬件技術(shù)的發(fā)展，機載激光掃描系統(tǒng)可記錄的多次回波次數(shù)越來越多，從最初的一次到首尾兩次，現(xiàn)在已經(jīng)可對回波波形跟蹤，從而恢復(fù)出整個剖面。目前，多數(shù)的用于地形測量的商業(yè)機載LiDAR系統(tǒng)一般可以最多紀(jì)錄5次回波本文在對機載LiDAR點云數(shù)據(jù)分割的基礎(chǔ)上，利用回波信息、面片尺寸、坡度、高程、高差和拓?fù)涞忍卣鬟M行墻面點、地面點、樹木點和建筑物點的分類。其創(chuàng)新體現(xiàn)在將回波信息分析和點云分割結(jié)合起來，既減少參與濾波的非地面點的數(shù)量，又將回波信息作為一個重要分類特征，達(dá)到點云數(shù)據(jù)分類的目的。2基于lida的點云分類本文的機載LiDAR點云數(shù)據(jù)分類方法是建立在點云數(shù)據(jù)的回波特性分析（如圖1所示，將在2.1部分進行介紹）和點云分割（如圖2所示，將在2.2部分進行介紹）基礎(chǔ)之上，它通過回波特性、尺寸、坡度、高程、高差、拓?fù)潢P(guān)系等特征進行機載LiDAR點云的分類。2.1森林回波分布的分布目前，對于多脈沖式機載LiDAR系統(tǒng)而言，系統(tǒng)記錄的回波信息包括單次回波（singularreturn)研究發(fā)現(xiàn)，回波信息可以反映被測目標(biāo)的類型信息，繼而可以輔助激光點云數(shù)據(jù)的濾波和分類。具體而言，對于森林地區(qū)：單次回波包含地面激光腳點和植被冠層的激光腳點；首次回波來自茂密且高大的植被冠層或靠近冠層的枝葉；中間次回波多為高大植被的枝葉或低矮植被；而末次回波多是植被中間層次的枝葉和地表反射得到的激光腳點，森林地區(qū)的回波分布分析結(jié)果見圖1a。對于城區(qū)：單次回波數(shù)據(jù)主要來源于地表、人工建筑物（包括立交橋和橫跨河流的橋梁）的頂面或墻面、少量植被點；首次回波來源于植被的冠層和人工建筑物（包括立交橋）的邊緣；中間次回波主要來源于植被的枝葉和建筑物的立面；而末次回波則主要來源于地表，也有部分是來源于復(fù)雜的建筑物屋頂和植被低矮層面的枝葉，城區(qū)的回波分布分析結(jié)果見圖1b。上述分析結(jié)果表明，無論對于森林地區(qū)還是城市區(qū)域，尾次回波和單次回波既可以來自地面、又可以來自非地面目標(biāo)；首次回波和中間次回波肯定來源于非地面目標(biāo)，如植被、建筑物邊緣等，如圖2e所示。因此，首次回波和中間次回波可以不參與后續(xù)的濾波運算，這既可以減少參與濾波的激光腳點數(shù)量，又會降低將非地面點誤分為地面點的概率。我們進一步發(fā)現(xiàn)，如果對點云進行平面分割，結(jié)合回波信息觀察分割獲取的面片，對于屬于樹木類別的面片，其包含的點數(shù)較少且首次回波和中間次回波的比例較大（至少50%），如圖2b和圖2c所示；對于屬于建筑物的面片，其包含的點數(shù)較多且單次回波和尾次回波的比例較大（至少90%）；對于屬于道路的面片，其包含的點數(shù)多且不包含任何的首次回波和中間次回波。因此，回波信息可以用于機載LiDAR點云數(shù)據(jù)的分類，將在2.3部分介紹。2.2點云數(shù)據(jù)平面分割的構(gòu)建與影像分割類似，點云數(shù)據(jù)分割可以看作是對點云數(shù)據(jù)的一個標(biāo)號過程（labeling），經(jīng)過標(biāo)號后，屬性（高程、坡度、色彩等特征）相同或者相近、且空間鄰近的點被劃分為一個面片，每一面片具有惟一的標(biāo)號（label），每一個激光腳點屬于、且惟一屬于某一標(biāo)號的面片。已經(jīng)有多種機載LiDAR點云數(shù)據(jù)的分割方法，如掃描線分割法其中，（X,Y,Z）為某一點的三維坐標(biāo)，α、β分別為該平面在x軸和y軸夾角，d為平面到坐標(biāo)原點的距離。則，點云數(shù)據(jù)中任意一個三維激光腳點可以定義一個用α、β、d三參數(shù)描述的曲面；另外，點云數(shù)據(jù)中共面的激光腳點變換后將具有相同的α、β、d的值，即：3維空間共面的點對應(yīng)于的α、β、d形成的Hough特征空間的同一點。3DHough變換后的特征空間如圖2g所示，它本質(zhì)上是多個2DHough變換的疊加，圖2g中可以清晰看到其中一個Hough變換的界面。本文，α、β、d、Δd的分辨率分別為3o、3o、0.2m。我們基于上述原理，設(shè)計了點云平面分割方法，其流程如下：1）數(shù)據(jù)組織：同時利用KD-樹2）確定初始種子點和初始平面：對于任意一點，利用KD-樹查找其最鄰近的k（本文取值為20）個點，將該點與其k個臨近點映射到α、β、d三參數(shù)形成的3DHough特征空間，檢測3DHough特征空間中是否存在一個強度足夠大的點。如果有滿足條件的點，則找出這k+1個點中共面的點作為初始種子點，并利用種子點通過最小二乘擬合確定一個更精確的平面，作為初始平面。如果沒有，則處理下一點，直到找到初始種子點。將種子點統(tǒng)一標(biāo)號。3）區(qū)域生長：利用DTIN檢測每個種子點周邊的鄰近點，如果該點沒有被標(biāo)號、且點到初始平面的距離滿足一定的閾值Δd，則將該點標(biāo)號為種子點的標(biāo)號、加入種子點隊列、并更新平面的信息。不斷地增加種子點和更新平面，直到?jīng)]有新的種子點被加入。將標(biāo)號自增1，從步驟2）開始檢測下一平面，直到處理完所有的點。4）處理未被標(biāo)號的點：對未被標(biāo)號的點，檢測其是否屬于鄰近的平面。如果屬于，則將該點標(biāo)號為該平面上點的標(biāo)號，否則，對該點賦予一個新標(biāo)號，且將標(biāo)號自增1。上述平面分割過程，可以將點云數(shù)據(jù)聚類為一個一個的平面，如圖2b和圖2c所示。但在上述分割過程中，如果初始平面確定后，在區(qū)域生長過程中，更新平面信息時僅僅使用剛剛被加入種子點隊列的n（本文取值20）個種子點、而非使用所有的種子點，則上述分割過程可以將點云數(shù)據(jù)聚類為一個一個光滑的曲面、而非平面，這稱為點云數(shù)據(jù)的光滑分割，如圖2f所示。經(jīng)過觀察和對比分析，我們發(fā)現(xiàn)：通過點云數(shù)據(jù)平面分割，屬于同一平面的鄰近激光腳點會被聚類到同一面片，如圖2c所示，同一屋脊面上的點一般會被賦予同一標(biāo)號、不同屋脊面上的點一般會被賦予不同的標(biāo)號；而通過點云數(shù)據(jù)光滑分割，連續(xù)的鄰近激光腳點會被聚類到同一面片，如圖2f所示，對于同一建筑物上的激光腳點一般會被賦予同一標(biāo)號。平面分割和光滑分割在機載LiDAR點云數(shù)據(jù)分類中具有不同的用處：平面分割用于確定面片的目標(biāo)類別；光滑分割用于濾波，既確定地面點和非地面點，詳見第2.3部分。2.3點云數(shù)據(jù)的平面分割基于上述方法，本文提出的機載LiDAR點云數(shù)據(jù)分類技術(shù)流程包括：1）粗差點剔除原始的機載LiDAR點云數(shù)據(jù)中，一般都包含粗差點。本文使用高程直方圖分析和臨近點高差分析結(jié)合的方法進行剔除粗差點。2）回波分析對粗差剔除后的機載LiDAR進行回波分析，分為兩個子集點，即，尾次回波和單次回波子集、首次回波和中間次回波子集。只利用第一個子集參與下一步的運算。3）濾波：利用高程、高差、拓?fù)潢P(guān)系等特征進行地面點和非地面點的判別(1)分塊：將原始的點云數(shù)據(jù)劃分為不同的正方形塊，塊的大小要大于區(qū)域內(nèi)最大建筑物的尺寸，并且相鄰的塊之間有30%的重疊區(qū)域，如圖3所示，本文塊的大小取區(qū)域內(nèi)建筑物最大尺寸的兩倍；(2)平面分割：對每一塊點云數(shù)據(jù)進行基于3DHough變換的平面分割，分割流程如第2.2部分所示；(3)剔除小的面片：將每一塊中尺寸較小的面片標(biāo)記為非地面點，并剔除；(4)識別并剔除墻面：統(tǒng)計每一個面片的坡度信息，如果面片的坡度在85至95之間，則將該面片標(biāo)記為墻面類，并予以剔除；(5)平滑分割：將每一塊剩余的激光點進行平滑分割，流程如第2.2部分所示；(6)確定地面面片和非地面面片：首先對未被判別的面片建立面片之間的拓?fù)潢P(guān)系（注意：面片的鄰近表現(xiàn)為面片的邊緣點鄰近），然后利用下述規(guī)則判別：最低點所在的面片為地面面片（僅在第一次循環(huán)中使用該規(guī)則）———面積最大的面片為地面面片———面片的高度（屬于該面片的點的高程值平均值）低于地面面片的為地面面片———面片的高度高于鄰近的所有面片的為非地面面片———對于其他類型的面片，包括：與鄰近面片的高程相似的面片、低于鄰近面片和其他無明顯特征的面片，不進行類別的界定，一次判別完畢后，將被分類的面片從待處理的面片中排除，合并與鄰近面片的高程相似的面片，從(6)開始繼續(xù)進行下一輪的判別，直到所有的面片都被歸類為地面類和非地面類；(7)多塊分類信息的融合：逐一取出相鄰的兩個塊，檢查重疊區(qū)內(nèi)點的分類情況是否一致：如果在相應(yīng)的兩塊內(nèi)的分類一致，則不進行處理，如果在相應(yīng)的兩塊內(nèi)的分類不一致，則將該點賦值為未分類的點。對于未分類的點，重新進行光滑分割，然后根據(jù)步驟(6)內(nèi)的規(guī)則，結(jié)合已有類別信息的面片，進行重新的類別判斷。經(jīng)過上述處理，參與濾波的點被分類為地面點和非地面點。4）重新組合數(shù)據(jù)將步驟2）獲取的首次回波和中間次回波子集點和步驟3）獲取的非地面點和進行合并。對合并的點，再次進行平面分割。5）進行樹木點和建筑物點的識別根據(jù)分割面片的尺寸、包含的多回波點的比例大小進行分類，對于屬于樹木類別的面片，其包含的點數(shù)較少且首次回波和中間次回波的比例較大（至少50%）；對于屬于建筑物的面片，其包含的點數(shù)較多且單次回波和尾次回波的比例較大（至少90%）。經(jīng)過上述處理，粗差剔除后的機載LiDAR點云被分為下述類別：墻面點、地面點、建筑物點、樹木點，如圖2h所示。上述流程如圖4所示。3實驗結(jié)果與分析作者采用C++語言和OpenGL庫，在VS2008集成開發(fā)環(huán)境中開發(fā)了一個點云數(shù)據(jù)處理原型系統(tǒng)，實現(xiàn)了上述基于回波分析和點云分割的點云數(shù)據(jù)分類功能。為了驗證上述提出的機載LiDAR點云數(shù)據(jù)分類方法的可行性和精度，本文采用了已經(jīng)剔除了粗差的兩個場景的點云數(shù)據(jù)進行了實驗。第一景點云數(shù)據(jù)，如圖2a所示，位于荷蘭某城市市區(qū)，地面十分平坦，面積為60m×60m，區(qū)域內(nèi)的建筑物比較密集，有一顆參天大樹，點云密度約50點/m第二景點云數(shù)據(jù)，如圖5a所示，位于南寧市市區(qū)，區(qū)域內(nèi)的建筑物形狀各異，地面有輕微的起伏，且在右上角有人工的土丘隆起，面積為700m×300m，點云密度約1點/m3.1云數(shù)據(jù)中微起落架的土丘分類通過觀察兩景點云數(shù)據(jù)的分類結(jié)果，我們發(fā)現(xiàn)本文提出的機載LiDAR點云數(shù)據(jù)分類效果很好，能夠正確的區(qū)分點云數(shù)據(jù)中大部分的墻面點、地面點、建筑物點和樹木點，第二景點云數(shù)據(jù)中微微隆起的土丘也被正確的分類為地面點。但也有錯誤的分類點，建筑物點被誤分為樹木點的現(xiàn)象比較嚴(yán)重，比如：第一景點云數(shù)據(jù)中，某建筑物上隆起的微小結(jié)構(gòu)被誤分為樹木點（如圖6a所示）、某些電力線也被誤分為樹木點；第二景點云數(shù)據(jù)中，某建筑物上隆起的微小結(jié)構(gòu)被誤分為樹木點的情況?？傮w而言，分類的效果達(dá)到了預(yù)期的目標(biāo)。3.2云數(shù)據(jù)分類效果為了定量評價算法的性能，使用目視解譯的方式制作了上述兩個場景點云數(shù)據(jù)的參考分類結(jié)果，分類時將電力線劃分為建筑物的類別。上述兩個場景點云數(shù)據(jù)分類效果的混淆矩陣見表1。通過表1可知，兩個場景的點云總體分類精度達(dá)到93%以上、Kappa系數(shù)高于0.89。另外，無論是生產(chǎn)者精度還是用戶精度，地面和建筑物的精度高于92%；相比之下，墻體和樹木的精度較低，較多的墻體點被誤分為地面點和建筑物點、較多的其他類型的點被誤分為樹木點。但綜合而言，分類達(dá)到了較高的精度。3.3點云數(shù)據(jù)分割的特征本文提出的機載LiDAR點云數(shù)據(jù)分類方法具有很高的分類精度，其主要原因有以下兩點：1）它充分利用了機載LiDAR點云數(shù)據(jù)的回波信息。不同地物類型的回波具有不同的特征：地面只會產(chǎn)生單次回波和尾次回波，不會產(chǎn)生首次回波和中間次回波；除建筑物邊緣和頂層隆起的微小結(jié)構(gòu)會產(chǎn)生部分首次回波和中間次回波，大部分建筑物屋頂產(chǎn)生單次回波；樹木會產(chǎn)生多種類型的回波，但大部分回波屬于首次回波和中間次回波。本文選擇回波特性作為地物類型判定的關(guān)鍵特征，這保證了分類的科學(xué)性。2）點云數(shù)據(jù)分割為點云分類提供了更豐富的特征。點云分割后，容易派生面片和面片之間的拓?fù)潢P(guān)系、高低關(guān)系，這可以用于作為分類的判別特征；另外，屬于墻面的面片具有很大的坡度，屬于建筑物和地面的面片面積較大，屬于樹木的面片面積較小，而且面片內(nèi)各種回波類型的點的比例也可以作為判別特征?？梢姡c云數(shù)據(jù)分割可以為點云數(shù)據(jù)分類提供更多的特征，人們可以利用更多的知識去進行點云數(shù)據(jù)分類。但是，本文使用上述分類特征，也存在一定的不足之處。比如，對于面積較小的建筑物頂層隆起的微小結(jié)構(gòu)，它也會產(chǎn)生首次回波和中間次回波，這會將他們誤分為樹木；部分懸浮于空中的線狀地物，他們的尺寸較小而且也會產(chǎn)生多次回波，容易將他們誤分為樹木點；對于部分距離地面較近的墻面點，容易將他們在分割時聚類到地面面片、而被誤分為地面點。另外，本文分類時，考慮的場景的復(fù)雜度不是很高，僅僅包含較少的類別。而對于包含車輛、交通標(biāo)識、立交橋、水體、等地物類型、且地形復(fù)雜的場景，本文的分類體系和分類方法并不適合，需要進一步改進。4實驗結(jié)論與分析本文根據(jù)機載LiDAR點云數(shù)據(jù)的回波特性，結(jié)合基于3DHough變換的點云數(shù)據(jù)分割，提出了一種綜合利用回波特征、坡度、尺寸、高程、高差、拓?fù)涞忍卣鲗Τ菂^(qū)的機載LiDA