面向地面點識別的機載LiDAR點云分割方法研究

楊 娜, 秦志遠,晏耀華, 周 莎

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

面向地面點識別的機載LiDAR點云分割方法研究

楊 娜1,2, 秦志遠1,晏耀華2, 周 莎3

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

提出一種面向地面目標識別的機載LiDAR點云分割方法。方法首先求每個激光腳點的法向量和殘差，由此確定種子點和種子平面；然后對種子點進行區(qū)域生長，生長的過程中以鄰接點到種子平面的距離和鄰接點與種子點的法向量角度差作為相似性的度量標準；當全部的掃描點都被劃分，則算法終止。實驗表明，文中提出的分割方法，對于城區(qū)區(qū)域和農村區(qū)域的地面目標有很好的識別效果。

機載LiDAR；點云分割；特征值；法向量；面向對象點云分析

機載激光雷達(LiDAR)測量技術是一種全新的測量手段，其新穎既表現(xiàn)在其獲取數據的原理和方式不同，又表現(xiàn)在其獲取數據的組織方式和表達手段也區(qū)別于已有的其他測量手段。機載激光LiDAR系統(tǒng)會獲取一系列的離散點，因為這些離散點成星云狀密集分布，所以形象的稱為激光點云。激光點云這種成果，既不同于經典的攝影測量獲取的光學影像，又不同于SAR獲取的經過成像處理的復數數據，是一種新的表現(xiàn)形式。因此，如何組織、管理點云數據，以更有利于后續(xù)的信息提取、目標識別和重建，是一個亟待解決的問題。

目前，處理點云時通常采用兩種處理方式：基于點的和基于對象的?；邳c的處理方式將點云單純看作單點的集合，逐一處理完畢則整個數據集處理完畢；基于對象的處理方式首先利用三維點的共面(平面和光滑曲面)的特性將點云分割為一系列的圖斑，然后采用面向對象的方法進行點云數據的處理。由于采用面向對象的方式處理點云，可以利用更多的特征和先驗知識，正在日益受到重視[1]，而這種處理方式的第一步就是點云分割。點云分割是一個點云數據的標記過程，經過標記后，屬性相同或相近、且空間近鄰的點被劃分為一類。即，將三維空間中的點劃分成更小的、連貫和連接的子集的過程。這些點的子集應該是“有意義的”，分割后應該得到一系列我們感興趣的對象，如屋頂面片、街道、墻面等。過去十幾年學者們提出了眾多點云分割算法。根據其所采用的數學方法，現(xiàn)有的分割算法分為基于邊緣檢測、基于掃描線的、基于聚類的、基于圖的、基于區(qū)域生長的多種方法集成的分割方法[2]。通過已有的文獻分析和應用情況看，目前沒有通用的、普適的點云分割方法，分割方法與場景復雜度、點云密度、地物尺度等因素密切相關，另外，與待提取的地物類別也有密切的關系。Wang和Tseng[3]提出的點云分割方法用于提取機載LiDAR點云中的平面；Chen等[4]提出點云分割方法是面向機載LiDAR點云中建筑物屋頂面片提取的。但目前還沒有專門針對機載LiDAR點云中地面點提取的分割方法。地面點本身具有自己的特殊性，在城市和農村居民點內部，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)對點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特征，提出面向地面識別的點云分割方法。

1 基于法向量和距離特征的點云分割方法

首先求出每個激光腳點的法向量和殘差，由此確定種子點和種子平面；然后，對種子點進行區(qū)域生長，生長的過程中以鄰接點到種子平面的距離和鄰接點與種子點的法向量角度差作為相似性的度量標準；當全部的掃描點都被劃分，則算法終止。基于上述原理可知，本文的點云分割包括兩個主要的步驟：①法向量和殘差估計；②區(qū)域生長。流程見圖1。該方法中有3個關鍵的參數：鄰近點個數、法向量間角度差異閾值和距離閾值。其中，鄰近點用于求取當前點的法向量，鄰近點的個數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與種子點的法向量角度差、鄰接點到種子平面的距離兩個相似性的度量。這3個參數需要預先輸入。該點云分割稱為平面生長方法。

圖1 點云分割方法的技術流程

1.1 法向量和殘差估計

點云數據中，任意一點的法向量定義為該點及其一定數量的K個最鄰近點確定的平面的法向量。任何一點的K個最鄰近點可以通過KD-樹[5]這種空間索引的方法求取。同時，三維空間中一定數量的離散點確定的平面可以由特征值法[6]確定?；贙D-樹空間索引方法和特征值法平面擬合的原理，法向量和殘差估計的具體過程包括：

1)建立給定的點云數據的KD-樹空間索引；

2)對以點云數據的每一點，逐一利用KD-樹空間索引求取其K個最臨近點，K的取值由用戶輸入，默認值為20；

3)對于每一點及其K個最臨近點，利用特征值法求取其擬合平面的方程，即確定每一點的法向量及其殘差。

1.2 區(qū)域生長

該生長過程與傳統(tǒng)的基于圖像的區(qū)域生長極其相似。兩者都包含兩個必要的因素，鄰接關系的確定和相似性的度量。鄰接關系由KD-樹確定，相似性的度量包括鄰接點到種子平面的距離和鄰接點與種子點的法向量角度差兩個特征。該區(qū)域生長的具體過程包括：

1)輸入法向量間角度差異閾值θ，默認值為10°。角度差異閾值θ的使用規(guī)則如下：對于當前要擴張的種子點，利用KD-樹求取其某一鄰接點作為待處理的點。設當前種子點的法向量為φi，待處理的鄰接點的法向量為φj。如果待處理的鄰接點與種子點之間法向量的點積‖φiφj‖小于閾值cosθ，則將此點加入到種子點隊列中，并作為新的種子點，繼續(xù)判別其他的未處理的點；否則，跳過該點，處理其他的未處理的點。

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

3)檢查未被標號的點的數量。如果數量為0，則到步驟7)；否則，對于未被分割的點，求殘差λ最小的點。以殘差λ最小的點為種子點，將該點壓入一個種子點的隊列，開始進行區(qū)域生長。

4)生長的過程中，取種子點隊列中第一個尚未被處理過的種子點，利用KD-樹求取該種子點的K個最鄰近點。

5)對于每一個鄰近點，逐一進行判別。如果該點已經在種子點的隊列中，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行相似性的判別。注意，衡量相似差異的時候，基準點是當前待生長的種子點。

6)回到步驟4)，檢查種子點隊列中是否有未被處理的點。如果有，則重新進入步驟5)；否則，將種子點隊列中的點標為相同的標號，且該標號與已有的標號不同；然后，返回步驟3)。

7)結束分割。

2 實驗和分析

為了驗證上述分割方法，將選擇兩個不同場景的數據進行分割實驗，并將通過目視分析的手段評價分割方法的性能。

2.1 實驗數據和實驗過程

實驗數據的情況如下：

數據1是加拿大多倫多城區(qū)點密度約為1點/m2的激光掃描數據，數據的下載網址為http://www.cs.unc.edu/～isenburg/lastools/。數據的縮略圖見圖2。數據寬度和高度均為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輛，道路兩旁分布著零星的樹木，建筑物的類型復雜多樣。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。建筑物的層數也有變化，有的為單層建筑物，有的為多層建筑物。屋頂的構型也形式多樣，有平頂、四坡型、球型和圓錐型等。

數據2是我國天津市某農村地區(qū)點密度約為1點/m2的激光掃描數據，數據由天津市星際空間地理信息工程有限公司提供。數據的示意圖見圖3。該數據寬度和高度分別為553.19 m和470.95m，高差為84.26 m。該區(qū)域屬于丘陵地貌，整體上，從左上角到右下角呈階梯狀分布。點云數據的上部和右下部分布著梯田，田塊內的田壟清晰可辨；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)的點云數據分割

圖3 天津農村地區(qū)的點云數據分割

2.2 結果和評價

點云數據分割是一項與數據本身的特點和應用領域密切相關的工作，如何評價點云數據的分割效果，是一個亟待解決的難題。目前，尚無統(tǒng)一的定性和定量的評價指標。本文通過目視分析的手段進行定性的評價。本文提出云分割算法的目的是將點云數據中空間上鄰接且共平面的點聚為一類，而空間上分離或者空間上鄰接且不共平面的點聚為不同的類。因此，通過目視評價點云分割效果的共面性評鑒算法的性能。點云數據的分割參數設置見表1。

表1 點云數據分割參數設置

兩個場景點云數據的分割結果分別如下：

第1個場景點云分割后，地面與城市建筑物、車輛、植被分割到不同的面片，且各類地物之間的混分的現(xiàn)象基本不存在。對于地面而言，地面被聚為一個面片，這符合該城市景觀的事實：整個街區(qū)的地面平坦且互相連通，如圖2(b)所示?？梢姡褂帽疚牡姆指罘椒▽Φ孛嫫鸬搅撕芎玫淖R別效果。

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

綜上所述，通過上述實驗和分析，可以得到下述結論：從點云可視化和目視解譯的角度分析，點云分割為點云數據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云數據與按高程著色的點云數據相比，其紋理性更強，使點云數據具有了影像的某些特征，其信息量更大，目視效果更好。

3 結束語

本文提出了一種面向地面目標識別的點云分割方法。點云分割過程中，使用KD-樹快速獲取空間上鄰近的點，使用特征值法擬合點云形成的平面并求點的法向量和擬合殘差，區(qū)域生長過程中使用鄰接點到種子平面的距離和鄰接點與種子點的法向量角度差兩個特征進行相似性的度量。實驗表明，本文提出的點云分割方法，無論對于城區(qū)區(qū)域還是森林地區(qū)，對其中的地面目標的分割、識別效果很好。

[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, 武仲科, 周明全. 點云模型分割及應用技術綜述[J]. 計算機科學, 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