基于機載LiDAR和GIS數據的建筑物變化信息自動檢測方法

唐菲菲， 阮志敏， 張亞利， 彭麗

(1.重慶大學土木工程學院，重慶　400045； 2.重慶大學土木工程博士后科研流動站，重慶　400045； 3.重

慶市勘測院博士后科研工作站，重慶　400020; 4.招商局重慶交通科研設計院有限公司，重慶　400067)

?

基于機載LiDAR和GIS數據的建筑物變化信息自動檢測方法

唐菲菲1,2,3， 阮志敏4， 張亞利1， 彭麗1

(1.重慶大學土木工程學院，重慶400045； 2.重慶大學土木工程博士后科研流動站，重慶400045； 3.重

慶市勘測院博士后科研工作站，重慶400020; 4.招商局重慶交通科研設計院有限公司，重慶400067)

摘要：建筑物的變化信息對地圖更新和相關地理要素的統計至關重要。首先，通過LiDAR數據提取建筑物信息，應用alpha-shapes算法得到建筑物的邊緣信息； 然后，將該信息和GIS地圖矢量數據對比，應用多級變化檢測策略進行自動檢測，得出變化的建筑物并精確到建筑物變化的細部特征。該方法不僅能實現建筑物的定性變化檢測，而且能對變化信息進行定量統計，檢測結果的準確率達到95%。與以往單純利用影像數據的方法相比，該方法自動化程度和效率均較高，且處理流程簡捷。

關鍵詞：機載LiDAR； GIS； alpha-shapes算法； 建筑物； 變化檢測

0引言

隨著經濟的高速發展，建筑物的變化更新頻率不斷加快，及時掌握建筑物的變化情況對于研究城市格局的發展變化趨勢和進行相關地理數據統計意義重大。在現有的變化檢測研究中，衛星或航攝影像和激光掃描數據是主要數據源。使用影像數據對變化信息進行檢測[1-3]的前提是對目標進行正確識別。Tian等[4]用多時相立體影像生成數字表面模型(digital surface model，DSM)數據集，對不同時相的DSM做相減得到變化的建筑物信息； Bouziani等[5]對高分辨率影像進行分割，應用建筑物的先驗知識定義變化檢測規則，其檢測正確率達到90%； Chen等[6]應用雙閾值策略改進變化檢測的精度。在上述利用影像進行變化信息檢測的方法中，對影像目標的正確識別和影像質量密切相關，但在遙感成像過程中，地物陰影和遮擋對于建筑物分布密集的城區不可避免，使得利用影像進行變化檢測具有一定的局限性，且對影像進行相關處理也比較繁瑣。

相對影像數據而言，激光掃描數據受外界環境影響小，一些學者將采集于不同時段的激光掃描數據的DSM相減，然后對相減得到的變化數據進行分割，最后再對變化進行分類并賦予相應屬性[7-10]。但該方法通常采用對原始數據內插處理的方式進行，在一定程度上降低了數據精度； 另外，該方法多采用對變化目標先檢測后分類的策略，鄰近建筑物的植被對檢測結果影響較大。Xu等[11]首先對不同時段采集的激光數據進行地物分類，然后根據特定的地物類別制定相應的檢測原則，變化檢測正確率達到80%； Vosselman[12]利用激光掃描數據更新中等比例尺GIS地圖； Matikainen等[13-14]從激光掃描數據中檢測建筑物的內外邊界變化，并通過附加準則修正分類誤差，變化檢測的正確性和完整性達到70%。雖然激光掃描數據較影像數據有一定的優勢，但是要想獲取同一地區的2期激光數據，有時也較為困難。隨著激光技術被逐漸應用，利用激光掃描數據和GIS數據完成變化檢測是一種符合現實情況的新策略。

本文基于機載LiDAR和GIS數據實現建筑物變化信息的自動檢測，其工作流程簡捷，工作效率和自動化程度高，對變化信息的檢測從以往的以建筑物為單元進一步精確到建筑物的細部。

1數據源

實驗數據由荷蘭鹿特丹市政府提供，為鹿特丹市中心某區域的機載LiDAR數據和對應區域的GIS數據。實驗區面積約1 km2。LiDAR數據包含了地表、道路、建筑物、植被、車輛以及在建建筑物樓頂的吊塔等施工設施的激光點云，點云密度約為40點/m2； GIS數據只包含實驗區域內建筑物(多為商業和居民建筑)的屋頂，部分建筑物處于在建中，此外，還有一些地鐵和地下車庫的出入口數據。GIS數據中的建筑物特征點為建筑物的屋頂特征點而非墻面特征點，平均點間距為1 m。GIS數據中記錄了建筑物特征點的二維空間坐標信息、多邊形拓撲關系和地物屬性信息。原始數據如圖1所示。由于Google Earth數據的現勢性落后于GIS數據，從圖上可以看出相當一部分建筑物已經發生了變化。

(紅色多邊形為實驗區域內建筑物的原始GIS多邊形; 藍色多邊

2檢測方法

2.1檢測流程

首先，對機載LiDAR數據進行濾波、分類處理，得到建筑物屋頂點云，并對建筑物點云應用alpha-shapes算法得到建筑物的內外邊界； 然后根據制定的變化判定準則和GIS數據中的建筑物進行多級變化檢測，并對檢測到的變化信息進行定性和定量統計分析。變化檢測流程如圖2所示。

圖2　變化檢測流程

2.2LiDAR數據的濾波、分類和連通分析

激光點云數據的濾波和分類算法采用的是Xu等[15]提出的基于多實體的分類算法。與基于單實體的分類方法比較，該算法采用點、面(片)和由均值漂移得到的面提取特征，并使用5個監督分類器對面(片)特征和均值漂移面進行特征分類。該方法的分類最高精度達到99%。

為了和GIS數據對應，筆者只保留了建筑物屋頂的點云數據。結合激光點云數據的平均點密度、單幢建筑物激光腳點的幾何關系以及相鄰建筑物激光點云之間的幾何位置關系，設定鄰域范圍內最大距離小于1 m的激光腳點即屬于同一個連通區域； 同時，為了避免出現零碎的連通區域，還設定每個連通區域內必須包含一定數量的激光腳點。應用上述規則，完成連通區域分析，將單幢建筑物從建筑物群中一一識別出來。

由于激光數據量較大，筆者將其進行分塊處理，其中的部分原始激光點云數據(圖1中藍色多邊形區域)及其對應區域內的建筑物屋頂點云提取和連通區域標識結果如圖3所示。

(a) 原始激光點云數據 (b) 建筑物屋頂點云提取結果 (c) 連通區域分析結果

(圖(a)中紅色為建筑物激光腳點、綠色為植被激光腳點)

圖3LiDAR數據的建筑物提取及連通區域分析

Fig.3Building extraction and connected component analysis in LiDAR data

2.3建筑物邊緣檢測

筆者應用alpha-shapes算法提取建筑物屋頂邊界[16]。首先基于離散點計算得到Delauney三角網，然后基于某一適當的alpha實數值(α)對三角網進行檢測，符合α形狀要求的邊被保留下來組成最終的離散點的形狀輪廓； 對于α不同的取值，邊緣檢測的結果也會不同。當α→∞時，得到的是“最粗糙”的形狀； 當α→0時，得到的是該點組的凸包； 當α→-∞時，得到該點組“最細致”的形狀。對于本文的實驗數據，筆者通過對不同α值的測試發現，當取1≤α≤2時能得到比較準確的建筑物屋頂邊緣。其中一組數據的實驗結果如圖4所示。

(a) 屋頂連通區域標識結果 (b) 取α=10時的邊緣檢測結果

(橢圓框中是用于比較不同α值檢測結果的示例) (左上角頂端建筑物的內部邊界沒有被檢測出來)

(c) 取α=5時的邊緣檢測結果 (d) 取α=2時的邊緣檢測結果

(當α值減小時，屋頂內部邊界被逐漸檢測出來)(屋頂內部邊界被完整檢測出來)

圖4基于不同alpha值的建筑物邊緣探測結果

Fig.4Edge detection of buildings with different alpha values

2.4GIS數據插值

由于GIS數據記錄的是建筑物的特征點，點平均間距為1 m，而激光點云數據的平均點間距約為0.2 m，為滿足上述檢測需求且不影響判定結果，筆者將GIS數據進行了加密計算，其結果如圖5所示。

圖5　GIS多邊形加密結果

2.5變化檢測

筆者將變化信息分為新增、消失和部分變化3大類，根據數據的現勢性，將GIS數據中有但LiDAR數據中沒有的信息判斷為“拆除”，反之判斷為“新增”； 對于2組數據中都部分存在的判定為局部發生變化(局部存在于GIS數據中，而LiDAR數據中不存在的判斷為“局部拆除”； 反之為“局部擴建”)。

以判斷“消失的建筑物”為例，首先以每幢建筑物每條邊的每個點應用基于點(point-based)的變化檢測，判斷加密后的GIS點在一定鄰域范圍內是否有LiDAR建筑物點云的邊界點(圖6)。

圖6　判斷LiDAR點云邊界

然后統計鄰域內不存在對應LiDAR點的比例，對于單幢建筑物的每條邊，如果該條邊中變化了的點的比例小于等于30%，則認為該條邊基本無變化； 否則，判定該條邊界發生了變化。

最后，統計每幢建筑物中變化邊的數量，根據設定的閾值判斷建筑物的變化類別。當單幢建筑物中發生變化的邊界數量小于等于30%時，則認為該建筑物沒有變化； 當變化的邊界數量大于30%但小于等于60%時，認為該建筑物發生了局部變化； 否則，認為該建筑物完全變化了。

上述為判斷“消失建筑物”的方法和流程。若“判定新增建筑物”，則以LiDAR邊界點為基準，根據鄰域范圍內的GIS邊界點進行判定。

根據上述判定準則，對實驗區進行變化檢測的結果如圖7所示。

(a) 建筑物LiDAR點云邊界與 (b) 以GIS數據為基準探測到的(c) 以LiDAR數據為基準探測到的

GIS多邊形疊加 新增建筑物 消失的建筑物

圖7變化檢測結果

Fig.7Change detection results

局部發生變化的建筑物面積和數量統計如圖8和表1所示。

(a) 拆除建筑物的面積統計直方圖 (b) 新增建筑物的面積統計直方圖

圖8　拆除與新增的建筑物面積統計直方圖

為便于展示，上述結果是以每100 m2為一個數量級進行的統計，但是在實際變化檢測結果中，可以檢測到的建筑物最小局部變化面積可以達到30 m2左右。

3實驗結果分析

為了驗證實驗結果的正確性和完整性，筆者將檢測到的比較細微的變化疊加到原始激光點云中，由于圖幅關系，這里選取實驗區局部區域進行放大顯示。圖9為拆除或局部拆除的建筑物疊加到原始激光點云中的結果。可以看出，檢測結果基本真實反映了實地變化情況。

圖9　拆除(部分)的建筑物與原始激光點云的疊加

圖10為將新增建筑物的變化區域疊加到GIS圖層和原始激光點云數據中的結果顯示。筆者選擇2處細微新增變化(圖10(a)中黑色橢圓框標識)，通過和原始激光點云數據疊加(圖10(b)中藍色橢圓框標識)，經量測發現局部新增或擴建的寬度約為4 m。

(a) 新增變化與GIS圖疊加(部分) (b) 新增變化(黃色多邊形)與原始LiDAR點云疊加

(黑色橢圓框為用于放大比較的新增變化區域)(藍色橢圓框為圖10(a)中對應的細微新增變化區域)

圖10新增建筑物分別與原始GIS圖層和激光點云數據疊加

Fig.10Overlapping new buildings with GIS map and LiDAR data respectively

經過統計，在本實驗區域內有122處拆除變化和74處新增變化。為驗證變化檢測的準確性，除了將變化區域疊加到原始激光點云數據中進行視覺檢查外，筆者還通過ArcGIS軟件的疊加功能，加上后期手動編輯得到GIS圖層和LiDAR建筑物的變化區域作為檢驗標準。通過對比統計，本文方法得到的變化檢測正確率達95%。但一部分區域由于在LiDAR點云中顯示為被植被遮擋，因此無法判斷是否被正確檢測，需要后期現場驗證。

4結論

1) 本文首先通過對原始激光點云數據應用濾波、分類和連通區域識別操作等方法得到建筑物屋頂點云數據，然后利用alpha-shapes算法得到建筑物屋頂點云的內外邊界信息； 將其和加密后的GIS多邊形進行對比，根據制定的多級變化檢測規則判定建筑物的變化。實驗證明，用本文方法得到的變化檢測結果正確率達到95%，30 m2左右的局部細微變化也可以被檢測到。

2)利用機載LiDAR數據和GIS數據實現建筑物變化信息自動檢測的方法，較以往方法處理步驟簡單，檢測結果準確率和自動化程度高，使工作效率大大提高。

3)基于LiDAR數據的變化檢測，是一種快速、準確的變化檢測方法。但是后續研究中仍然有一些需要改進的地方。首先，alpha-shapes算法中alpha的值比較固定，缺乏一定的自適應性，需通過多次試驗獲得適合實驗區域的alpha實數值，如何根據激光點云密度自動選擇alpha值的方法值得研究； 其次，對激光點云數據中被植被遮擋區域的變化檢測結果的判定需要深入研究。

志謝： 感謝荷蘭特文特大學國際航天測量與地球學學院(International Institute for Aerospace Survey and Earth Science, University of Twente, the Netherlands)提供實驗數據。

參考文獻(References)：

[1]徐宏根,宋妍.顧及陰影信息的高分辨率遙感圖像變化檢測方法[J].國土資源遙感,2013,25(4):16-21.doi.10.6046/gtzyyg.2013.04.03.

Xu H G,Song Y.Change detection method taking into account shadow information for high resolution remote sensing image[J].Remote Sensing for Land and Resources,2013,25(4):16-21.doi.10.6046/gtzyyg.2013.04.03.

[2]李亮,舒寧,龔龑.考慮時空關系的遙感影像變化檢測和變化類型識別[J].武漢大學學報:信息科學版,2013,38(5):533-537.

Li L,Shu N,Gong Y.Remote sensing image change detection and change type recognition based on spatiotemporal relationship[J].Geomatics and Information Science of Wuhan University,2013,38(5):533-537.

[3]張曉東,李德仁,龔健雅,等.遙感影像與GIS分析相結合的變化檢測方法[J].武漢大學學報:信息科學版,2006,31(3):266-269.

Zhang X D,Li D R,Gong J Y,et al.A change detection method of integrating remote sensing and GIS[J].Geomatics and Information Science of Wuhan University,2006,31(3):266-269.

[4]Tian J J,Reinartz P.Multitemporal 3D change detection in urban areas using stereo information from different sensors[C]//2011 International Symposium on Image and Data Fusion(ISIDF).Yunnan,China:IEEE,2011:1-4.

[5]Bouziani M,Go?ta K,He D C.Automatic change detection of buildings in urban environment from very high spatial resolution images using existing geodatabase and prior knowledge[J].ISPRS Journal of Photogrammetry and Remote Sensing,2010,65(1):143-153.

[6]Chen L C,Lin L J.Detection of building changes from aerial images and light detection and ranging(LIDAR) data[J].Journal of Applied Remote Sensing,2010,4(1):041870.

[7]Rehor M.Classification of Building Damages based on Laser Scanning data[C]//Proceedings of ISPRS Workshops on Laser Scanning 2007 and SilviLaser 2007.Espoo,2007:326-331.

[8]Choi K,Lee I,Kim S.A feature based approach to automatic change detection from LiDAR data in urban areas[C]//Laserscanning09,Volume XXXVIII.France:International Achieves of Photogrammetry and Remote Sensing,2009:259-264.

[9]Rutzinger M,Rüf B,H?fle B,et al.Change detection of building footprints from airborne laser scanning acquired in short time intervals[C]//ISPRS Technical Commission VII Symposium.Australia:International Archives of Photogrammetry and Remote Sensing,2010:475-480.

[10]Teo T A,Shih T Y.Lidar-based change detection and change-type determination in urban areas[J].International Journal of Remote Sensing,2013,34(3):968-981.

[11]Xu S,Vosselman G,Elberink S O.Detection and classification of changes in buildings from airborne laser scanning data[C]//ISPRS Annals of the Photogrammetry,Remote Sensing and Spatial Information Sciences,Volume II-5/W2:ISPRS Workshop Laser Scanning.Antalya,Turkey:ISPRS,2013:343-348.

[12]Vosselman G,Gorte B G H,Sithole G. Change detection for updating medium scale maps using laser altimetry[J].The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2004,34(B3):207-212.

[13]Matikainen L,Hyypp? J,Ahokas E,et al.An improved approach for automatic detection of changes in buildings[C]//Proceedings of the ISPRS Workshop:Laserscanning’09.France:International Archives of Photogrammetry and Remote Sensing,2009:61-67.

[14]Matikainen L,Hyypp? J,Ahokas E,et al.Automatic detection of buildings and changes in buildings for updating of maps[J].Remote Sensing,2010,2(5):1217-1248.

[15]Xu S,Vosselman G,Elberink S O.Multiple-entity based classification of airborne laser scanning data in urban areas[J].ISPRS Journal of Photogrammetry and Remote Sensing,2014,88:1-15.

[16]Edelsbrunner H,Kirkpatrick D,Seidel R.On the shape of a set of points in the plane[J].IEEE Transactions on Information Theory,1983,29(4):551-559.

(責任編輯： 刁淑娟)

Automatic detection of change information for buildings based on airborne LiDAR and GIS data

TANG Feifei1,2,3, RUAN Zhimin4, ZHANG Yali1, PENG Li1

(1.SchoolofCivilEngineering,ChongqingUniversity,Chongqing400045,China; 2.CivilEngineeringPostdoctoralResearchStation,ChongqingUniversity,Chongqing400045,China; 3.PostdoctoralWorkstation,ChongqingSurveyInstitute,Chongqing400020,China; 4.ChinaMerchantsChongqingCommunicationsResearch&DesignInstituteCoLtd,Chongqing400067，China)

Abstract:The change information of buildings is vital for map updating and statistics of geographical features. First, the information of buildings was extracted from airborne LiDAR data and the edges of buildings were detected by the alpha-shapes algorithm. Then the edges were compared with those in GIS vector data using multi-level change detection strategy to detect the slight changes of buildings automatically. The experiment results show that not only qualitative change detection can be accomplished but also the quantitative statistics of changed features can be obtained, with the accuracy of detection results reaching 95%. Compared with previous methods based on image, this method has advantages of high automation, simple processing procedures and high efficiency.

Keywords:airborne LiDAR; GIS; alpha-shapes algorithm; building; change detection

作者簡介：第一 唐菲菲(1980- )，女，博士，講師，主要從LiDAR數據處理方面的研究。Email: fftang@cqu.edu.cn。

中圖法分類號：P 237

文獻標志碼：A

文章編號：1001-070X(2016)01-0057-06

基金項目：中央高校基本科研業務費科研專項(自然科學類項目)“山地城市的機載激光掃描數據濾波方法研究”(編號： 106112014CDJZR200019)、國家自然科學基金(青年基金)項目“融合機載LiDAR點云數據和GIS數據的城區違章建筑物智能3D識別方法研究”(編號： 41401380)及國家留學基金項目共同資助。

收稿日期：2014-08-13；

修訂日期：2014-11-20

doi:10.6046/gtzyyg.2016.01.09

引用格式： 唐菲菲，阮志敏，張亞利，等.基于機載LiDAR和GIS數據的建筑物變化信息自動檢測方法[J].國土資源遙感，2016，28(1)：57-62.(Tang F F,Ruan Z M,Zhang Y L,et al.Automatic detection of change information for buildings based on airborne LiDAR and GIS data[J].Remote Sensing for Land and Resources,2016，28(1)：57-62.)