TLS三維點云聚類濾波算法應用研究

段利媛，趙超英，張 勤，牛玉芬,張靜

(長安大學 地質工程與測繪學院，陜西 西安 710054)

TLS三維點云聚類濾波算法應用研究

段利媛，趙超英，張 勤，牛玉芬,張靜

(長安大學 地質工程與測繪學院，陜西 西安 710054)

現有地面三維激光掃描點云數據濾波算法較少，針對地形復雜區域的點云濾波效果更是不甚理想，因此對二維聚類算法進行改進，提出三維點云聚類濾波算法，并對其在地形復雜區域的TLS數據濾波中的應用進行研究。以重慶雞冠嶺危巖體的TLS數據為例，分別采用曲率平滑濾波方法和文中提出的點云聚類濾波方法處理，并對兩種方法處理過的數據進行形變量計算和分析。實驗證明，針對植被覆蓋茂密、地形復雜的山體，該方法的點云濾波效果較好，且處理速度有較大提升，能為點云后期形變量計算提供較好的基礎。

TLS；濾波；三維聚類算法；曲率平滑濾波；形變量

隨著計算機技術、光電技術與傳感器技術的發展，獲得高精度、高空間分辨率的三維地形信息不再像過去那樣遙不可及，地面三維激光掃描(Terrestrial Laser Scanner, TLS)技術憑借其受觀測環境影響小，可以實現非接觸、快速、高精度獲取研究區域逼真三維形態的優勢迅速崛起，被廣泛應用在地形測繪[1]、滑坡調查與變形監測[2]、危巖體位移監測[3]、地面沉降監測[4]等領域。三維激光掃描技術在降低了外業工作強度的情況下，將主要的作業內容放在內業數據處理上，數據處理流程主要包括：點云濾波、DEM生成、DEM配準。為了得到準確的形變監測結果，在對點云數據進行后處理分析前必須先濾除不屬于地形信息的點( 如植被、電線、建筑物等)，所以點云濾波一直是影響三維激光掃描數據精度的重要因素，也是近年來學者們研究的熱點問題。

目前針對TLS數據的點云濾波方法較少，主要有平滑濾波法、移動最小二乘曲面法[5]、雙邊濾波法等，這些方法原理簡單、較易實現，計算速度快，卻容易出現過度光順的現象，造成細部特征損失，模型扭曲變形。針對機載、車載三維激光掃描(也稱LiDAR，Light Detection And Ranging)的點云濾波方法較多，也相對成熟，TLS數據濾波也可以借鑒使用，主要有：坡度或法向濾波算法[6-7]、移動窗口法[8]、迭代線性最小二乘濾波[9]、形態學及其改進方法[10-11]等。這些算法依賴于掃描數據的空間位置信息，所處理點云的尺度較大，并且要求其空間坐標系為平面—高程系統，對自由坐標系下的地面三維激光掃描數據處理并不完全適用，還存在計算量大、計算速度慢，對于低矮草叢、灌木的處理較困難等問題，特別是在研究區域地形復雜的情況下。基于此，本文提出一種基于R語言的以點云距離為判別特征的三維點云聚類濾波算法，該算法在原有的二維聚類算法[12-14]上進行改進，有效避免二維聚類算法使用中進行點云投影時不可避免的點云空間結構信息的損失，充分利用TLS點云數據的高維度和高密度特點。為此，本文選取重慶武隆雞冠嶺危巖體為研究對象，進行點云濾波處理，與常用曲率平滑濾波方法進行對比分析，并對濾波處理后的數據進行形變量計算與分析。該危巖體與地面呈近90°分布，巖體表面風化嚴重，凹凸不平，并常年覆有茂密植被，大大增加該危巖體形變監測的難度，這些情況能夠更好地驗證本文所提出濾波算法對植被茂密的復雜地形點云數據濾波處理的效果。

1 點云聚類濾波算法原理

該算法主要包括建立模型和模型參數估計兩部分。

1.1 建立模型

將研究區域的特征點與噪聲點看作疊加在一起且分別服從齊次泊松分布[12]，首先計算每個數據點到其周圍K個最近點的歐氏距離DK，由于高密度區點的DK值較低密度區小，所以特征點的DK值比噪聲點的DK值小，由此做基于距離值的空間聚類及特征點提取。

二維泊松過程理論認為，在二維空間中，

(1)

只考慮一個齊次泊松過程時，可以得出距離DK的分布，對于x∈[0,)，

(2)

式(2)指假設每個數據點都有一個以該點為中心的半徑為x的圓。如果DK比x大，這個圓里肯定有0,1,…,K-1個點，因此可以得到密度算式為

(3)

這是一個轉換的伽馬隨機變量γ～Γ(K,λπ)，其中γ=(DK)2，所以DK～Γ1/2(K,λπ)，即一個廣義伽馬分布。在二維齊次泊松過程中，強度(過程速率)λ的極大似然估計量為

(4)

其中，di是DK的計算值。

當DK為混合分布時：將特征點和噪聲點的分布模型做簡單疊加，假設DK的分布(大約)是兩個分布組合的泊松過程，DK的模型為

(5)

假設每個數據點都有一個δi∈{0,1}，如果第i個數據點在特征聚類群中，δi=1，反之(第i個點在噪聲點聚類群中)則δi=0。因此每個數據點都有一個DK的計算值di和一個未知量δi，以此將數據點聚類到特征點群和噪聲點群中。

1.2 模型參數估計

用期望最大化(Expectation Maximization，EM)算法估計DK模型參數λf，λn，p。EM算法可以更詳細地分為E(Expectation)算法和M(Maximization)算法。E算法估計缺失值δi為

(6)

M算法估計λf，λn，p為

(7)

(8)

(9)

根據在混合數據點中每個點的觀測值DK是否有更高的密度這一標準，再用上述估計值，就可以對點云數據進行聚類分析。

1.3 三維點云聚類濾波算法原理

在n維過程，可以用n維超球體的分布結果代替圓的分布。

n維超球體的體積為

(10)

然后用Vnxn代替πx2，重復上面的過程，得出結果：γ～Γ(k,λVn) ,其中γ=(DK)n。

在三維空間中，

(11)

2 工程實例

2.1 研究區域概況

雞冠嶺危巖體位于四川省涪陵區武隆縣興順鄉核桃村烏江邊灘峽左岸。本文掃描區域為緊鄰1994年雞冠嶺巖崩段的新生危巖體[15-16]，分布標高為540～740 m，長約300 m，寬約70 m，分布面積約 2.1×104m2，方量約為 45.06×104m3，如圖1所示。烏江在此段切割強烈，地形陡峭，且該巖體地處桐麻灣背斜核部地層中[15,17]，由灰巖和頁巖夾煤層組成， 具有上硬下軟的地質結構特征。由于背斜核部受到強烈的褶皺作用，應力集中，導致上覆層狀巖體呈現出彎曲變形的特征。且此段危巖下部巖溶十分發育，對上部巖體的穩定性非常不利，極易形成大型崩塌。

項目組使用徠卡HDS8800掃描儀于2012年10月、2013年8月對該區域進行掃描，掃描范圍如圖1所示，本文選取圖1中兩塊矩形區域(下文稱面積較小區域為區域一，面積較大區域為區域二)驗證所設計濾波算法對植被茂密的復雜地形點云數據濾波處理效果。所選研究區域植被茂密(高大樹木與低矮植被并存)，且山體表面凹凸不平，能有效驗證濾波算法針對地形復雜多植被區域的濾波效果。

2.2 數據處理

對區域一和區域二的兩期點云數據進行處理，主要步驟包括：濾波、DEM建模、模型配準及形變量計算。本文主要工作為濾波及形變量計算兩步，其中濾波方法分為兩種：曲率平滑濾波方法、三維點云聚類濾波方法。后期形變量使用Geomagic軟件獲取。

圖1 雞冠嶺危巖體

2.2.1 濾波結果與分析

區域一和區域二的濾波結果分別如圖2、圖3所示。圖中矩形區域為主要噪聲點所在處，處理過程中主要比較矩形內的點云濾波效果。圖2(a)為區域一原始點云，點云數量為200,278，圖2(b)為經人工和曲率平滑濾波處理的點云，點云數量為184,338，從圖2(b)可以看出，人工和曲率平滑濾波只是濾除了明顯的噪聲點(高大樹木的樹冠部分)，對于矮小植被和高大樹木剩余的樹干部分則無法進一步處理，在地形復雜的part1和part4兩處尤其明顯。圖2(c)為經三維點云聚類算法處理的點云，K=8時濾波效果最好，此時點云數量為148,923。用EM算法估計區域一DK模型的擬合，結果如表1所示，得出模型參數的估計值λf=308.15，λn=71.41，p=0.94。圖3(a)為區域二原始點云，點云數量為581,601，圖3(b)為經人工和曲率平滑濾波處理的點云，點云數量為547,003，圖中part3和part4兩部分殘余噪聲點明顯，其中part4部分皆是矮小的草木，且地形精細復雜，常用曲率平滑濾波方法對此幾乎失效，圖3(c)為經三維點云聚類算法處理的點云，點云數量為436,767，part4部分噪聲點全部被濾除，且完整保存該處的山體特征。估計區域二DK模型的擬合，結果如表2所示，模型參數估計值λf=580.13，λn=76.47，p=0.93。

注：a：原始點云；b:人工、曲率平滑濾波方法處理點云;c:三維點云聚類算法處理點云(K=8)圖2 點云濾波結果對比(區域一)

注：a:原始點云;b:人工、曲率平滑濾波處理點云;c:三維點云聚類算法處理點云(K=10)圖3 點云濾波結果對比(區域二)

表1 EM估計模型擬合的迭代計算(區域一)

表2 EM估計模型擬合的迭代計算(區域二)

圖4為兩區域的噪聲探測結果，經試驗，K=8時區域一的濾波效果最好，K=10時區域二的濾波效果最好。從圖4中可以看出，探測出的噪聲點主要分布于矩形中，與噪聲的實際分布一致，零星分布的其余紅色點則是由于其掃描點云質量不好，太過稀疏引起的噪聲點誤判，所以外業掃描時得到質量較好的點云數據是非常關鍵的。

2.2.2 形變量結果與分析

對濾波后的點云進行DEM建模、模型配準后，對兩期DEM模型進行3D誤差分析，計算山體形變量，結果見圖4，圖中白色部分為兩期數據都缺失部分，灰色部分為因一期數據缺失而無法進行比較的部分(2013年8月數據局部點云過于稀疏，質量不好)。從圖可以看出：區域一使用曲率平滑濾波方法處理后的最大形變量為±0.070 m，平均形變量為-0.015～0.015 m，標準偏差(見式(12))為0.019 m；使用三維點云聚類算法處理后的最大形變量降為±0.040 m，平均形變量為-0.014～0.014 m，標準偏差為0.017 m。區域二使用曲率平滑濾波方法處理后的最大形變量為±0.2 m，平均形變量為-0.025～0.024 m，標準偏差為0.037 m，使用三維點云聚類算法處理后的最大形變量為±0.06 m，平均形變量為-0.014～0.014 m，標準偏差為0.018 m。兩種處理方法的形變量結果中，最大形變量相差較大，平均形變量、標準偏差值相差較小，這是因為曲率平滑濾波無法將植被茂密區域的噪聲點全部濾除，其中仍然存在較明顯噪聲點(見圖2(b)、圖3(b))，故圖4(a)中該區域的形變量值較大，同時影響整個研究區域的平均形變量和標準偏差值，反映到圖5中則表現為：兩種方法處理后的形變量分布大體相同，只在矩形部分差異較大。從形變量結果中可以看出，三維點云聚類濾波算法針對地形復雜區域的TLS數據濾波效果較好，可以為后期形變量計算提供更好的基礎，在TLS點云數據濾波處理中具有明顯優勢。模型配準時，由于2013年8月數據點云過于稀疏，導致該無標靶數據配準誤差較大，為1.4 cm，對形變量結果影響較大，故針對復雜地形的無標靶點云數據的配準亦是今后努力的方向。

(12)

圖4 噪聲探測

注：(a-1)：曲率平滑濾波處理后的區域一形變量；(b-1)：三維點云聚類算法處理后的區域一形變量；(a-2)：曲率平滑濾波處理后的區域二形變量；(b-2)：三維點云聚類算法處理后的區域二形變量圖5 研究區域形變量

3 結 論

針對現有濾波算法在實現地形復雜、植被茂密區域的TLS數據濾波處理方面的不足提出改進的三維點云聚類濾波算法，更充分地利用TLS數據的高維度、高密度特點。以雞冠嶺危巖體數據為例，通過對其進行濾波處理，并與常用曲率平滑濾波方法進行對比分析，證明三維點云聚類算法對多植被的復雜地形點云數據進行濾波處理的優越性，通過計算與分析研究區域的形變量，驗證該算法對植被茂密的復雜地形點云數據濾波的適用性。在此基礎上對該算法的優點及不足之處做出以下結論：

1)三維點云聚類算法能夠對地形復雜、多植被區域的TLS數據進行快速濾波，且能較好保存區域的細部特征，濾波效果較好。

2)該算法中K值的選擇沒有可依據的準則，需按地形的復雜程度試驗確定，但一般情況下K≥3。

3)該算法對外業掃描數據質量要求較高，點云過于稀疏時可能會引起部分誤判。

[1] ARDIZZONE F, CARDINALI M, GALLI M, et al. Identification andMapping of Recent Rainfall-Induced Landslides Using Elevation Data Collected by Airborne Lidar[J]. Natural Hazards and Earth System Science, 2007, 7(6): 637-650.

[2] JABOYEDOFF M, OPPIKOFER T, ABELLN A, et al. Use of LIDAR inLandslide Investigations: AReview[J]. Natural hazards, 2012, 61(1): 5-28.

[4] GORDON S, LICHTI D, STEWART M. Application of aHigh-Resolution, Ground-Based Laser Scanner for Deformation Measurements[C]//Proceedings of 10th International FIG Symposium on Deformation Measurements, Orange, California, USA. 2001: 19-22.

[5] ALEXA M, BEHR J, COHEN -OR D, et al. Computing and rendering point set surfaces[J]. IEEE Transactions on visualization and computer graphics, 2003, 9(1): 3-15.

[6] SITHOLE G,VOSSELMAN G.ExperimentalComparison of Filter Algorithms for Bare-Earth Extraction from Airborne Laser Scanning Point Clouds[J].ISPRS Journal of Photogrammetry and Remote Sensing,2004(59):85 -101.

[7] 閆利,張疑.基于法向量模糊聚類的道路面點云數據濾波[J].武漢大學學報(信息科學版),2007,32(12):1119-1122.

[8] PETZOLD B,REISS P,STOSSEL W.LaserScanning Surveying and Mapping Gencies are Using a New Technique for the Derivation of Digital Terrain Models[J].ISPRS Journal of Hotogrammetry and Remote Sensing,1999(54):95 -104.

[9] PFEIFER N, K?STLI A, KRAUS K.Interpolation and Filtering of Laser Scanner Data-Implementation and First Results[J]. International Archives of Photogrammetry and Remote Sensing, 1998, 32: 153-159.

[10] KILIAN J,HAALA N.ENGLICH M.Capture and Evaluation of Airborne Laser Scanner Data[J].International Archives of Photogrammetry and Remote Sensing,1996,31(B3):383 -388.

[11] 隋立春,張熠斌,柳艷,等.基于改進的數學形態學算法的LiDAR點云數據濾波[J].測繪學報,2010,39(4):390-396.

[12] BYERS S, RAFTERY A E. Nearest-Neighbor Clutter Removal for Estimating Features in Spatial Point Processes[J]. Journal of the American Statistical Association, 1998, 93(442): 577-584.

[13] TONINI M, ABELLAN A.Rock fall Detection from Terrestrial LiDARPoint Clouds: A Clustering Approach Using R[J]. Journal of Spatial Information Science, 2014, 2014(8): 95-110.

[14] BADDELEY A J, TURNER R. Spatstat: AnR Package for Analyzing Spatial Point Pattens[J]. 2005,12(6):1-42.

[15] 李玉生, 譚開鷗, 王顯華. 烏江雞冠嶺巖崩特征及成因[J].中國地質,1994(7): 26-27.

[16] 陳衛. 基于 TLS 技術的危巖體變形監測方法研究[D].西安：長安大學, 2014.

[17] 李濱,王國章,馮振,等. 地下采空誘發陡傾層狀巖質斜坡失穩機制研究[J].巖石力學與工程學報, 2015, 34(6):1148-1162.

[責任編輯：張德福]

Research on TLS 3D point clouds cluster algorithm

DUAN Liyuan,ZHAO Chaoying,ZHANG Qin,NIU Yufen,ZHANG Jing

(School of Geological Engineering and Surveying, Chang’an University,Xi’an 710054, China)

The current algorithm of TLS point clouds filtering is less, and the effect is far from ideal when the terrain is complex, so a 3D point clouds cluster algorithm is proposed based on the 2D cluster algorithm to solve this problem in this paper. Taking the TLS data of Jiguanling dangerous rock mass as the example, the curvature smoothing filtering method and the 3D point clouds cluster algorithm are used to process the data respectively, thus calculating and analyzing their deformations. The experiment shows that the method proposed in this paper gets a better result, has a faster processing speed and provides a good foundation for the deformation calculation when processing data of complex terrain with dense vegetation.

TLS filtering; 3D cluster algorithm; curvature smoothing filtering; deformation

引用著錄：段利媛，趙超英，張 勤，等.TLS三維點云聚類濾波算法應用研究[J].測繪工程，2017，26(4)：64-69.

10.19349/j.cnki.issn1006-7949.2017.04.012

2016-05-19

國家自然科學基金資助項目(41372375)

段利媛(1993-)，女，碩士研究生.

P221

A

1006-7949(2017)04-0064-06