基于3dhong变换的机载lidar分割点云建模与分析

基于3dhong变换的机载lidar分割点云建模与分析

1诊断与分类方法该算法的李dar测量技术具有可以自动接收高精度空间三维信息的巨大利用，这在许多行业引起了很大的影响，如测量、林业和能源。尽管机载LiDAR测量技术在国外已经相当成熟，绝大部分属于硬件和系统集成方面的许多关键问题已经得到解决，但相应的机载LiDAR测量数据处理的算法仍然处于前期研究发展阶段，还有诸多的问题没有得到解决经典的机载LiDAR测量数据的滤波算法有不规则三角网渐进加密经典的机载LiDAR测量数据分类方法有以下几种：Elberink和Mass近年来，机载LiDAR激光脉冲的多次回波信息日益受到相关研究人员的重视。随着硬件技术的发展，机载激光扫描系统可记录的多次回波次数越来越多，从最初的一次到首尾两次，现在已经可对回波波形跟踪，从而恢复出整个剖面。目前，多数的用于地形测量的商业机载LiDAR系统一般可以最多纪录5次回波本文在对机载LiDAR点云数据分割的基础上，利用回波信息、面片尺寸、坡度、高程、高差和拓扑等特征进行墙面点、地面点、树木点和建筑物点的分类。其创新体现在将回波信息分析和点云分割结合起来，既减少参与滤波的非地面点的数量，又将回波信息作为一个重要分类特征，达到点云数据分类的目的。2基于lida的点云分类本文的机载LiDAR点云数据分类方法是建立在点云数据的回波特性分析（如图1所示，将在2.1部分进行介绍）和点云分割（如图2所示，将在2.2部分进行介绍）基础之上，它通过回波特性、尺寸、坡度、高程、高差、拓扑关系等特征进行机载LiDAR点云的分类。2.1森林回波分布的分布目前，对于多脉冲式机载LiDAR系统而言，系统记录的回波信息包括单次回波（singularreturn)研究发现，回波信息可以反映被测目标的类型信息，继而可以辅助激光点云数据的滤波和分类。具体而言，对于森林地区：单次回波包含地面激光脚点和植被冠层的激光脚点；首次回波来自茂密且高大的植被冠层或靠近冠层的枝叶；中间次回波多为高大植被的枝叶或低矮植被；而末次回波多是植被中间层次的枝叶和地表反射得到的激光脚点，森林地区的回波分布分析结果见图1a。对于城区：单次回波数据主要来源于地表、人工建筑物（包括立交桥和横跨河流的桥梁）的顶面或墙面、少量植被点；首次回波来源于植被的冠层和人工建筑物（包括立交桥）的边缘；中间次回波主要来源于植被的枝叶和建筑物的立面；而末次回波则主要来源于地表，也有部分是来源于复杂的建筑物屋顶和植被低矮层面的枝叶，城区的回波分布分析结果见图1b。上述分析结果表明，无论对于森林地区还是城市区域，尾次回波和单次回波既可以来自地面、又可以来自非地面目标；首次回波和中间次回波肯定来源于非地面目标，如植被、建筑物边缘等，如图2e所示。因此，首次回波和中间次回波可以不参与后续的滤波运算，这既可以减少参与滤波的激光脚点数量，又会降低将非地面点误分为地面点的概率。我们进一步发现，如果对点云进行平面分割，结合回波信息观察分割获取的面片，对于属于树木类别的面片，其包含的点数较少且首次回波和中间次回波的比例较大（至少50%），如图2b和图2c所示；对于属于建筑物的面片，其包含的点数较多且单次回波和尾次回波的比例较大（至少90%）；对于属于道路的面片，其包含的点数多且不包含任何的首次回波和中间次回波。因此，回波信息可以用于机载LiDAR点云数据的分类，将在2.3部分介绍。2.2点云数据平面分割的构建与影像分割类似，点云数据分割可以看作是对点云数据的一个标号过程（labeling），经过标号后，属性（高程、坡度、色彩等特征）相同或者相近、且空间邻近的点被划分为一个面片，每一面片具有惟一的标号（label），每一个激光脚点属于、且惟一属于某一标号的面片。已经有多种机载LiDAR点云数据的分割方法，如扫描线分割法其中，（X,Y,Z）为某一点的三维坐标，α、β分别为该平面在x轴和y轴夹角，d为平面到坐标原点的距离。则，点云数据中任意一个三维激光脚点可以定义一个用α、β、d三参数描述的曲面；另外，点云数据中共面的激光脚点变换后将具有相同的α、β、d的值，即：3维空间共面的点对应于的α、β、d形成的Hough特征空间的同一点。3DHough变换后的特征空间如图2g所示，它本质上是多个2DHough变换的叠加，图2g中可以清晰看到其中一个Hough变换的界面。本文，α、β、d、Δd的分辨率分别为3o、3o、0.2m。我们基于上述原理，设计了点云平面分割方法，其流程如下：1）数据组织：同时利用KD-树2）确定初始种子点和初始平面：对于任意一点，利用KD-树查找其最邻近的k（本文取值为20）个点，将该点与其k个临近点映射到α、β、d三参数形成的3DHough特征空间，检测3DHough特征空间中是否存在一个强度足够大的点。如果有满足条件的点，则找出这k+1个点中共面的点作为初始种子点，并利用种子点通过最小二乘拟合确定一个更精确的平面，作为初始平面。如果没有，则处理下一点，直到找到初始种子点。将种子点统一标号。3）区域生长：利用DTIN检测每个种子点周边的邻近点，如果该点没有被标号、且点到初始平面的距离满足一定的阈值Δd，则将该点标号为种子点的标号、加入种子点队列、并更新平面的信息。不断地增加种子点和更新平面，直到没有新的种子点被加入。将标号自增1，从步骤2）开始检测下一平面，直到处理完所有的点。4）处理未被标号的点：对未被标号的点，检测其是否属于邻近的平面。如果属于，则将该点标号为该平面上点的标号，否则，对该点赋予一个新标号，且将标号自增1。上述平面分割过程，可以将点云数据聚类为一个一个的平面，如图2b和图2c所示。但在上述分割过程中，如果初始平面确定后，在区域生长过程中，更新平面信息时仅仅使用刚刚被加入种子点队列的n（本文取值20）个种子点、而非使用所有的种子点，则上述分割过程可以将点云数据聚类为一个一个光滑的曲面、而非平面，这称为点云数据的光滑分割，如图2f所示。经过观察和对比分析，我们发现：通过点云数据平面分割，属于同一平面的邻近激光脚点会被聚类到同一面片，如图2c所示，同一屋脊面上的点一般会被赋予同一标号、不同屋脊面上的点一般会被赋予不同的标号；而通过点云数据光滑分割，连续的邻近激光脚点会被聚类到同一面片，如图2f所示，对于同一建筑物上的激光脚点一般会被赋予同一标号。平面分割和光滑分割在机载LiDAR点云数据分类中具有不同的用处：平面分割用于确定面片的目标类别；光滑分割用于滤波，既确定地面点和非地面点，详见第2.3部分。2.3点云数据的平面分割基于上述方法，本文提出的机载LiDAR点云数据分类技术流程包括：1）粗差点剔除原始的机载LiDAR点云数据中，一般都包含粗差点。本文使用高程直方图分析和临近点高差分析结合的方法进行剔除粗差点。2）回波分析对粗差剔除后的机载LiDAR进行回波分析，分为两个子集点，即，尾次回波和单次回波子集、首次回波和中间次回波子集。只利用第一个子集参与下一步的运算。3）滤波：利用高程、高差、拓扑关系等特征进行地面点和非地面点的判别(1)分块：将原始的点云数据划分为不同的正方形块，块的大小要大于区域内最大建筑物的尺寸，并且相邻的块之间有30%的重叠区域，如图3所示，本文块的大小取区域内建筑物最大尺寸的两倍；(2)平面分割：对每一块点云数据进行基于3DHough变换的平面分割，分割流程如第2.2部分所示；(3)剔除小的面片：将每一块中尺寸较小的面片标记为非地面点，并剔除；(4)识别并剔除墙面：统计每一个面片的坡度信息，如果面片的坡度在85至95之间，则将该面片标记为墙面类，并予以剔除；(5)平滑分割：将每一块剩余的激光点进行平滑分割，流程如第2.2部分所示；(6)确定地面面片和非地面面片：首先对未被判别的面片建立面片之间的拓扑关系（注意：面片的邻近表现为面片的边缘点邻近），然后利用下述规则判别：最低点所在的面片为地面面片（仅在第一次循环中使用该规则）———面积最大的面片为地面面片———面片的高度（属于该面片的点的高程值平均值）低于地面面片的为地面面片———面片的高度高于邻近的所有面片的为非地面面片———对于其他类型的面片，包括：与邻近面片的高程相似的面片、低于邻近面片和其他无明显特征的面片，不进行类别的界定，一次判别完毕后，将被分类的面片从待处理的面片中排除，合并与邻近面片的高程相似的面片，从(6)开始继续进行下一轮的判别，直到所有的面片都被归类为地面类和非地面类；(7)多块分类信息的融合：逐一取出相邻的两个块，检查重叠区内点的分类情况是否一致：如果在相应的两块内的分类一致，则不进行处理，如果在相应的两块内的分类不一致，则将该点赋值为未分类的点。对于未分类的点，重新进行光滑分割，然后根据步骤(6)内的规则，结合已有类别信息的面片，进行重新的类别判断。经过上述处理，参与滤波的点被分类为地面点和非地面点。4）重新组合数据将步骤2）获取的首次回波和中间次回波子集点和步骤3）获取的非地面点和进行合并。对合并的点，再次进行平面分割。5）进行树木点和建筑物点的识别根据分割面片的尺寸、包含的多回波点的比例大小进行分类，对于属于树木类别的面片，其包含的点数较少且首次回波和中间次回波的比例较大（至少50%）；对于属于建筑物的面片，其包含的点数较多且单次回波和尾次回波的比例较大（至少90%）。经过上述处理，粗差剔除后的机载LiDAR点云被分为下述类别：墙面点、地面点、建筑物点、树木点，如图2h所示。上述流程如图4所示。3实验结果与分析作者采用C++语言和OpenGL库，在VS2008集成开发环境中开发了一个点云数据处理原型系统，实现了上述基于回波分析和点云分割的点云数据分类功能。为了验证上述提出的机载LiDAR点云数据分类方法的可行性和精度，本文采用了已经剔除了粗差的两个场景的点云数据进行了实验。第一景点云数据，如图2a所示，位于荷兰某城市市区，地面十分平坦，面积为60m×60m，区域内的建筑物比较密集，有一颗参天大树，点云密度约50点/m第二景点云数据，如图5a所示，位于南宁市市区，区域内的建筑物形状各异，地面有轻微的起伏，且在右上角有人工的土丘隆起，面积为700m×300m，点云密度约1点/m3.1云数据中微起落架的土丘分类通过观察两景点云数据的分类结果，我们发现本文提出的机载LiDAR点云数据分类效果很好，能够正确的区分点云数据中大部分的墙面点、地面点、建筑物点和树木点，第二景点云数据中微微隆起的土丘也被正确的分类为地面点。但也有错误的分类点，建筑物点被误分为树木点的现象比较严重，比如：第一景点云数据中，某建筑物上隆起的微小结构被误分为树木点（如图6a所示）、某些电力线也被误分为树木点；第二景点云数据中，某建筑物上隆起的微小结构被误分为树木点的情况。总体而言，分类的效果达到了预期的目标。3.2云数据分类效果为了定量评价算法的性能，使用目视解译的方式制作了上述两个场景点云数据的参考分类结果，分类时将电力线划分为建筑物的类别。上述两个场景点云数据分类效果的混淆矩阵见表1。通过表1可知，两个场景的点云总体分类精度达到93%以上、Kappa系数高于0.89。另外，无论是生产者精度还是用户精度，地面和建筑物的精度高于92%；相比之下，墙体和树木的精度较低，较多的墙体点被误分为地面点和建筑物点、较多的其他类型的点被误分为树木点。但综合而言，分类达到了较高的精度。3.3点云数据分割的特征本文提出的机载LiDAR点云数据分类方法具有很高的分类精度，其主要原因有以下两点：1）它充分利用了机载LiDAR点云数据的回波信息。不同地物类型的回波具有不同的特征：地面只会产生单次回波和尾次回波，不会产生首次回波和中间次回波；除建筑物边缘和顶层隆起的微小结构会产生部分首次回波和中间次回波，大部分建筑物屋顶产生单次回波；树木会产生多种类型的回波，但大部分回波属于首次回波和中间次回波。本文选择回波特性作为地物类型判定的关键特征，这保证了分类的科学性。2）点云数据分割为点云分类提供了更丰富的特征。点云分割后，容易派生面片和面片之间的拓扑关系、高低关系，这可以用于作为分类的判别特征；另外，属于墙面的面片具有很大的坡度，属于建筑物和地面的面片面积较大，属于树木的面片面积较小，而且面片内各种回波类型的点的比例也可以作为判别特征。可见，点云数据分割可以为点云数据分类提供更多的特征，人们可以利用更多的知识去进行点云数据分类。但是，本文使用上述分类特征，也存在一定的不足之处。比如，对于面积较小的建筑物顶层隆起的微小结构，它也会产生首次回波和中间次回波，这会将他们误分为树木；部分悬浮于空中的线状地物，他们的尺寸较小而且也会产生多次回波，容易将他们误分为树木点；对于部分距离地面较近的墙面点，容易将他们在分割时聚类到地面面片、而被误分为地面点。另外，本文分类时，考虑的场景的复杂度不是很高，仅仅包含较少的类别。而对于包含车辆、交通标识、立交桥、水体、等地物类型、且地形复杂的场景，本文的分类体系和分类方法并不适合，需要进一步改进。4实验结论与分析本文根据机载LiDAR点云数据的回波特性，结合基于3DHough变换的点云数据分割，提出了一种综合利用回波特征、坡度、尺寸、高程、高差、拓扑等特征对城区的机载LiDA