一種基于機載LiDAR點云的林間道路提取方法

胡澄宇，汪仁銀，張金花，趙鴻彬，陳 銳

(1.四川水利職業技術學院，四川 成都 611230;2.四川省第三測繪工程院，四川 成都 610500;3.西南交通大學 地球科學與環境工程學院，四川 成都 611756)

引用著錄：胡澄宇，汪仁銀，張金花，等.一種基于機載LiDAR點云的林間道路提取方法[J].測繪工程，2017，26(12)：60-63，75.

DOI:10.19349/j.cnki.issn1006-7949.2017.12.012

一種基于機載LiDAR點云的林間道路提取方法

胡澄宇1，汪仁銀1，張金花2，趙鴻彬3，陳 銳1

(1.四川水利職業技術學院，四川 成都 611230;2.四川省第三測繪工程院，四川 成都 610500;3.西南交通大學 地球科學與環境工程學院，四川 成都 611756)

基于林間道路的形態特征和支持向量機原理(SVM)，提出一種從機載LiDAR點云數據中提取林間道路的方法。首先，選取末次回波去噪、柵格化，生成數字表面模型(DSM)和強度信息模型(DIM)；然后，通過支持向量機對坡度信息進行分類，得到道路潛在區域；再對道路潛在區域進行強度信息的分類，得到含有少量噪聲的初始道路區域；最后，利用形態參數對初始道路區域進行去噪、精化，得出最終道路區域。實驗證明，該方法能較好地提取出道路區域。

機載LiDAR；林間道路；分類提取；SVM

森林道路是人類交通的重要組成部分，在人類對森林的管理中起著重要的作用，林間道路的數據采集對于車輛導航、火災搶險、林業研究、地籍管理、GIS數據庫更新等是必不可少的數據源。機載激光雷達(light detection and ranging，LiDAR) 能穿透部分樹木遮擋到達地面采集激光腳點的三維坐標信息，且機載LiDAR能記錄激光腳點反射的強度信息。機載LiDAR提取的高精度的高程數據能夠區分不同地物，且不同屬性的地物在強度信息上也有著顯著的區別，因此機載LiDAR可提供高精度的數據源用于快速提取林間道路[1]。

目前利用LiDAR點云數據進行提取道路的研究較為廣泛，其中主要是對城市道路的提取較為常見[2-5]。曾靜靜(2011)等人就利用LiDAR回波信息強度標定的方法提取道路；龔亮(2011)等人采用了強度聚類對道路進行提取，上述的道路提取方法僅利用了強度信息，沒有充分利用高程信息。在林間道路的研究中，White(2010)等人利用LiDAR的高程信息與GIS結合提取林間道路信息[6]；Azizi (2014)利用高程信息結合強度信息對森林道路進行提取[7]，這些方法處理過程較為復雜，且在提取林間道路之前需先進行濾波運算，濾波參數設置的影響勢必會影響道路提取的精度[8]。本文基于前人研究的基礎上，采用一種機器學習方法(支持向量機)直接對林間道路進行提取，提出了一種可行的林間道路的提取方法。

1 林間道路提取方法

現實中的道路具有連續、平整等特征，所以針對道路提取二分類問題及道路的強度屬性、平順性，本文采用了支持向量機(SVM)分別對強度信息與坡度信息(平順性)進行了分類，將分類出的初始道路數據根據道路面積屬性，進行面積約束剔除噪聲，最后得到林間道路區域。技術流程見圖1。

圖1 林間道路提取的技術流程

1.1 數據預處理

將點云高程數據生成直方圖，檢查是否擁有粗差，若存在粗差，選擇適當高差閾值對粗差進行剔除。由于點云數據的不規則離散性，故需要對點云數據進行柵格化處理。根據點云數據的范圍，設定柵格尺寸，將點云區域劃分成大小均勻的規則格網。柵格的高程值取落入柵格內的最小高程值，取最小高程點的反射強度代表格網的反射強度值。對于無激光腳點落入的柵格，采用臨近填充的方法對其進行填充。最后得到點云區域的數字表面模型(Digital Surface Model, DSM)以及強度信息模型(Digital Intensity Model, DIM)。

計算每個格網的坡度值[9]，

(1)

(2)

(3)

其中:zi,j+1,zi,j-1,zi+1,j,zi-1,j分別表示對應行列號的內柵格的高程值。c為規則柵格的大小。得到格網坡度值后，對其進行形態學運算，以消除建筑物和部分樹木坡度的影響。

1.2 基于SVM對道路信息進行分類

根據道路提取的分類需求，將點云數據分類為“道路”和“非道路”兩類，且由于道路信息是混雜在點云數據當中，這樣的分類問題往往是非線性的。SVM就是在兩類之間尋求一個最優分類面，且能在高維度空間將非線性的分類問題轉化為線性問題解決。因此，本文先對其坡度信息采用SVM進行分類，再對分類出的道路潛在區域進行強度信息的分類，最后得到初始道路數據。

1.3 道路的精化

初始道路數據中仍然存在少量離散噪聲，通過形態學閉運算平滑道路邊界，填補道路內部少量缺失。又由于道路具有連續性，所以道路的面積通常遠大于離散噪聲的面積，本文通過設置面積閾值去除噪聲，得到最后的道路區域。

2 實驗與結果分析

對于實驗數據的選擇，所選實驗區域應位于植被茂密、地形起伏的林地地區。為了確保數據的有效性和普適性，實驗區域不應太小，實驗面積應不小于1 km2；其中應盡量包含豐富的地物信息，如樹木、道路、裸露地面等信息。為了滿足實驗數據的要求，本文最終采用的實驗數據來自美國NSF(National Science Foundation)的Open Topography Facility在Andrews Experimental Forest 和 Willamette National Forest地區的兩塊大小約為1 km2機載LiDAR點云數據，分別為Samp1與Samp2，平均點云密度12.23 pt/m2，Samp1中的道路蜿蜒且有分支，Samp2中的道路較直且狹長。Samp1長約1.1 km，寬約1.04 km，總點數為13 397 007 pt；Samp2長約2.58 km，寬約0.76 km，總點數為20 215 704 pt。

去除粗差后，將柵格大小設為1 m進行數據的柵格化，再對空白柵格進行臨近填充，得到DSM和DIM，如圖2所示。

根據LiDAR點云的正射影像圖像沿著道路均勻選取少量的道路樣本點，隨機選取一定量非道路樣本點。本文Samp1選取了122個道路點樣本，道路樣本點盡量位于道路內部，隨機選取了4 418個非道路樣本；Samp2選取了98個道路點樣本，隨機選取了1 018個非道路點樣本。先對明顯偏大的坡度予以剔除，再使用SVM對包含道路的潛在區域進行坡度分類，核函數選取徑向基核(RBF)，懲罰系數C選取0.1。得到剔除了大部分噪聲的道路潛在區域(見圖3)，再使用SVM對該區域進行強度信息分類，核函數選取徑向基核(RBF)，懲罰系數C選取10，最后得到初始道路區域(見圖3)。通過樣本間的交叉驗證，得到SVM分類器預測精度(見表1)。

圖2 DSM和DIM

%

由SVM分類器預測精度表(表1)可知，經過坡度和強度信息的分類，道路信息能被較為完整的提取出來。通過分類后的圖像(圖3)可知，經過兩次的分類去噪，滿足分類條件的噪聲信息也被保留了下來，但剩余的噪聲信息數量銳減，且呈離散分布的狀態。綜上所述，經過分類之后，雖然仍存在部分離散噪聲信息，但道路信息被較為完整的保留了下來；為下一步的去噪提供了數據基礎，也保證了道路提取的精度。

對上述初始道路區域進行形態學窗口為2 m的閉運算，平滑道路邊界，填補道路內部少量缺失，Samp1取面積閾值100 m2將噪聲去除，Samp2取面積閾值50 m2去除噪聲，得到的道路區域。圖4為提取的道路區域與正射影像的疊加對比。

實驗結果證明，本文提出分類方法能比較準確地提取出森林區域的道路信息，完整度較高，能與實際道路較好套合；這是因為本文對道路特性的層層挖掘，并使用了效果較好機器學習理論SVM用于分類。不過本文成果中仍有少量道路中斷，這可能是由于樹木過于茂密，激光無法穿透所致，這在以后的研究中還值得去完善。

圖3 坡度分類后的潛在區域與初始道路區域

3 結束語

本文提出了一種利用SVM對LiDAR點云數據的三維信息和強度信息進行道路信息分類的方法，利用少量道路與非道路樣本信息，對道路進行提取，并利用面積閾值精化道路區域。實驗表明，該方法能夠較為準確、完整地提取出林間道路信息，具有一定的實用性。同時，該方法還存在著一些不足：該方法還不能完全自動化，分類參數設置還需要人工選擇設置；對于該方法的實際提取精度有待進一步研究。探尋一種高精度、自適應的林間道路提取方法仍是未來研究的方向。

[1] 劉經南, 張小紅. 利用激光強度信息分類激光掃描測高數據 [J]. 武漢大學學報(信息科學版), 2005, 30(3): 189-193.

[2] 曾靜靜, 盧秀山, 王健，等. 基于LIDAR回波信息的道路提取 [J]. 測繪科學, 2011, 36(2): 142-143.

[3] 陳卓, 馬洪超, 李云帆. 結合角度紋理信息和Snake方法從LiDAR點云數據中提取道路交叉口 [J]. 國土資源遙感, 2013, 25(4): 79-84.

[4] 田茂義, 李鵬飛,俞家勇,等.格網鄰域濾波在車載激光點云道路邊線提取中的方法研究[J].測繪與空間地理信息,2016,39(5):8-10，16.

[5] 龔亮, 張永生, 李正國，等. 基于強度信息聚類的機載LiDAR點云道路提取 [J]. 測繪通報, 2011(9): 15-17.

[6] WHITE R A, DIETTERICK B C, MASTIN T, et al. Forest Roads Mapped Using LiDAR in Steep Forested Terrain [J]. Remote Sensing, 2010, 2(4): 1120-1141.

[7] AZIZI Z, NAJAFI A, SADEGHIAN S. Forest Road Detection Using LiDAR Data [J]. Journal of Forestry Research, 2014, 25(4): 975-980.

[8] PINGEL T J, CLARKE K C, MCBRIDE W A. An improved simple morphological filter for the terrain classification of airborne LIDAR data [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 77:21-30.

[9] 李峰, 崔希民, 袁德寶，等. 改進坡度的LiDAR點云形態學濾波算法 [J]. 大地測量與地球動力學, 2012, 32(5): 128-132.

[責任編輯：李銘娜]

ForestroadextractionbasedonairborneLiDAR

HU Chengyu1, WANG Renyin1,ZHANG Jinhua2,ZHAO Hongbin3, CHEN Rui1

(1.Sichuan Water Conservancy Vocational College, Chengdu 611230,China;2.The Third Surveying and Mapping Engineering Institute of Sichuan, Chengdu 610500,China;3.School of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611756,China)

Based on morphological features of forest road and support vector machine(SVM), this paper develops a classification method for forest road extraction from LiDAR point clouds. First, it deletes the outliers and generates the digital surface model (DSM) and digital intensity models(DIM). Next, it extracts the road with slope by support vector machine, for which a potential road area can be obtained. Then, it classifies the intensity of the potential road area by support vector machine, for which the initial road area with a few noises is generated. Finally, it smoothes the edge and controls the area size, for which the road points can be extracted. The experiment shows that the proposed algorithm can extract the road points cloud well.

airborne LiDAR; forest road; extraction; SVM

P237

A

1006-7949(2017)12-0060-04

2016-09-02

測繪地理信息公益性行業科研專項經費(201412010)；四川省安全監管局安全生產科技項目(2016018)；四川省安全監管局(四川煤監局)安全生產科技項目(20150016)

胡澄宇(1992-),男,助教.