地震后機載LiDAR點云的地物區分方法研究1

王金霞 竇愛霞 王曉青 黃樹松 張雪華

?

地震后機載LiDAR點云的地物區分方法研究1

王金霞 竇愛霞 王曉青 黃樹松 張雪華

（中國地震局地震預測研究所，北京 100036）

利用機載激光雷達掃描（Light Detection and Ranging，LiDAR）技術所得點云進行震后倒塌建筑物提取時，樹木與倒塌建筑物的點云特征十分相似，較難區分。為了快速準確獲取震后房屋建筑物的受損情況，本文提出使用回波次數比特征指標，結合前人所提出的點云回波強度、歸一化強度、最鄰近點高差、法向量夾角、向坡角和向坡角等特征的均值和標準差，利用-最近鄰分類法實現單體地物區分的方法。對2010年海地7.0地震震后機載LiDAR數據進行了地面點去除，分別選取了未倒塌建筑物、倒塌建筑物和樹木各50個訓練樣本和各20個測試樣本，計算了各因子的分布及其均值和標準差，在分析的基礎上最終選取了可分性較強的8個分類特征，利用-最近鄰分類法對測試樣本進行了分類，結果顯示分類正確率可達85%以上。研究表明選取多個有效的LiDAR點云分類特征可以較好地區分震后未倒塌建筑物、倒塌建筑物和樹木，提高震后建筑物震害程度判定的準確性，為應急救援及時提供較為準確的災情信息支持。

機載LiDAR點云-最近鄰分類法 倒塌建筑物 地震應急 分類

引言

我國是世界上地震活動強烈和地震災害嚴重的國家之一，地震帶來的人員傷亡、經濟損失巨大，災害發生后的應急救援工作十分重要。目前，受災區范圍大、破壞嚴重、地形復雜、天氣惡劣等條件的限制，傳統地面現場調研方法不能滿足震后應急需求，因此各種遙感影像廣泛應用于震后救援與應急中（宿淵源等，2012；楊樂等，2012），使遙感技術成為震害提取和損失評估的重要手段（陳鑫連，1995；王曉青等，2008；姜立新等，2012）。大部分光學影像不能提供高程信息，個別可提供高程信息，但精度不高，制約了對震害信息的提取，而機載激光雷達技術則可以彌補此不足。機載激光雷達掃描（Light Detection and Ranging，下文簡稱LiDAR）技術能夠提供高精度的三維空間信息，能增強對受損建筑物的識別。同時，與光學遙感測量相比，機載激光雷達測量受日照和云霧天氣條件的影響較小，基本可實現全天候觀測。在2008年汶川8.0級地震（馬洪超等，2008）、2010年海地7.0級地震（Margesson等，2010）、2011年3月11日日本地震海嘯（Fritz等，2011）等地震的應急響應階段，應急人員均利用LiDAR技術快速獲取了災區的高精度空間數據。特大地震災害應急響應實踐證實，機載LiDAR技術在震后交通不暢、地形復雜、氣象條件差的地區，具備災情數據獲取能力。因此，基于震后機載激光雷達點云進行地物識別，尤其是對受損房屋建筑進行提取具有重要意義。

目前，機載LiDAR技術在地震應急領域的應用日益廣泛，主要研究方法可分為基于不同時相的激光雷達點云信息提取、LiDAR點云與其他遙感影像相結合的信息處理和單時相LiDAR點云信息提取。當前大部分地區的震前LiDAR數據匱乏，基于不同時相的點云信息提取在地震應急過程中較難實現。而LiDAR點云與高分辨率衛星影像相結合（程亮等，2008；竇愛霞等，2013），或者與航空影像相結合（張志友，2008；鄧非等，2010；Trinder等，2012），綜合運用遙感影像的光譜信息和LiDAR數據的三維信息，精確提取地物目標的方法已被廣泛應用，但存在不同數據融合和匹配困難、易引入分辨率差異等缺點。利用震后單時相機載LiDAR數據則可避免多時相LiDAR數據的數據源匱乏、多源數據的匹配融合等問題，較適合應用于地震應急救援。Dorninger等（2008）提出了基于機載LiDAR點云，通過建筑物輪廓、面片的提取實現城市建筑物三維自動建模的方法；Labiak等（2011）利用移動窗口的方法對點云多個特征因子進行統計，得到柵格影像，以盡可能識別出樹木，但僅用坡度特征因子對受損建筑物進行提取和定量化，忽視了其他特征對受損建筑物的識別能力。目前，基于震后單時相機載LiDAR數據對建筑物震害識別開展的研究較少，且研究方法多面向單個點的特征。針對單個點特征的研究可以避免點云劃分，即同一地物對象點云聚合，但沒有考慮地物對象整體點云的特征關系。

本文在前人研究的基礎上，提出反映地物對象點云整體特征的回波次數特征指標，并結合回波強度、法向量、坡角及高差等已有的機載LiDAR點云特征，以海地地震部分災區為研究區，分析倒塌、未倒塌建筑物以及樹木等的LiDAR點云的各特征均值和標準差分布情況，挑選有效的分類敏感特征，再利用-最近鄰分類方法對測試樣本進行建筑物震害程度的分類提取與驗證，以探討利用LiDAR數據對未倒塌建筑物、倒塌建筑物和樹木進行識別的效果。

1 方法

1.1 分類特征

通常機載LiDAR點云信息除點的三維坐標信息外，還包括點的回波強度、回波次數信息。同時，同一地物對象包含一系列的點云，其中某一點鄰域內的點集，將從空間形態、回波強度和回波次數的統計分布上反映所在地物對象的特征。因此，本文提出了回波次數比（）點云特征量，同時，引入回波強度（）、歸一化強度（I）、最鄰近點高差（）、法向量與天頂方向夾角（）和向坡角（S）、方向坡角（S）等，作為建筑物震害LiDAR點云分類特征的參數。

（1）回波次數比（）

設研究區域點云所在的投影坐標系為-，則LiDAR點云中某一點的R為點在水平投影面-上，個最近鄰的投影點（如圖1）中，回波次數大于1的點所占的比例：

式中，m為回波次數大于1的投影點的數量。

（2）回波強度（）與歸一化回波強度（I）

點云回波強度（）取決于介質表面的反射系數，而激光的波長、介質材料及介質表面的明暗黑白程度等都是影響反射系數的因素。反射介質表面越亮，反射率越高（張小紅，2007）。理論上未倒塌建筑物的屋頂表面多平滑，粗糙度小，相對于倒塌建筑物和樹木的離散組成結構和粗糙表面而言，同等激光波長下其反射系數更大，回波強度更大。

圖1 平面距離最近點搜索示意圖

為表征不同地物回波強度的分布特征，本文對回波強度采用歸一化處理（Labiak等，2011），即某地物對象的點云集合中，某一點的歸一化強度（I）等于該點的回波強度（I）與該地物的最小強度值之差與地物的回波最大、最小強度值之差的比值：

（3）最鄰近點高差（）

最鄰近點高差（）指目標點高程與其水平投影面上距離其最近的點的高程差值。顯然未倒塌建筑物單體點云高差變化極小，理想狀態下結構簡單的平面屋頂或人字形屋頂的點云高差為定值，對于屋頂結構復雜的未倒塌建筑物，其高差會有所變化，但仍呈現較強的規律性；而倒塌建筑物單體高差則出現多值性，規律性也較差。因此，高差對地物的識別有一定作用。

（4）法向量夾角（）

法向量夾角（）是指法向量與天頂方向的夾角（黃樹松等，2016），其范圍是［0°，180°］，其中法向量通過Hoppe等（1992）提出的基于局部表面擬合的方法來確定。本文通過搜索三維空間中距目標點最近的20個點構成最小二乘平面，再求取該平面在目標點處的法向量，從而得到法向量與天頂方向的夾角。法向量夾角對建筑物的倒塌部分十分敏感（Dou等，2016）。

（5）方向坡角（S）與方向坡角（S）

在機載LiDAR三維點云所在的地理坐標系統（-）中將點云投影在-平面上，求取方向上與目標投影點最鄰近的投影點，目標點與該投影點對應的LiDAR點所構成的向量與-平面的夾角稱為目標點的方向坡角（S）。同理可以確定方向坡角（S），如圖2。為便于統計，本文規定坡角范圍是［－90°，90°］。通常，未倒塌建筑物單體點云的方向坡角和方向坡角的大小均一，分布規律；倒塌建筑物單體坡角值則大小起伏，倒塌與未倒塌部分交界處有明顯變化，一般倒塌建筑物的坡角比未倒塌建筑物的坡角大，呈現局部規則分布；而樹木坡角值則大小不一，分布無規律（黃樹松等，2016）。

1.2 K-最近鄰分類法

-最近鄰分類法是惰性學習法，基于類比學習，其基本原理是將測試元組與已知類別的測試元組進行比較學習。如圖3所示（以二維特征為例），對具有兩個特征的數據組利用-最近鄰分類時，我們計算待分類點X距離個鄰近點的距離，則距離最小的點所屬的類別即為該待分類點的類別（1、2或3）。-最近鄰分類法最大的特點是不需要使用訓練樣本設計分類器，可直接用訓練樣本對測試樣本進行分類，原理簡單，便于實現，應用廣泛（滕敏等，2015）。目前，對于分類速度的改進主要有濃縮訓練樣本集算法和未知樣本預分類算法，其基本思想是結合聚類算法或其他分類器，先對原始樣本進行預分類，選擇預分類后的代表子集參與-最近鄰分類，實現樣本壓縮，提高分類速度；對于分類準確度的改進主要通過選用合適的距離機制等方法實現（王娜等，2009）。

圖2 i點的X向坡角、Y向坡角示意圖

Xu為測試樣本，ω1、ω2、ω3為目標類別

該分類算法的數據類型可以是數值型和分類型，數值型可以用于計算距離，但分類型則不適合，因此針對分類型數據，通常對其進行數字化再比較兩個樣本中對應屬性值的差值。在本研究中，所有樣本的屬性值均為數值型，可直接進行距離計算，對輸出類別進行數字化。

-最近鄰分類法中度量距離的選擇也很重要，最常用的是歐幾里得距離，不同情況下也可選用Manhattan距離或其他距離度量（Han等，2007）。本研究使用歐幾里得距離，假設某測試驗本為（1，2，…，y），訓練樣本為（1，2，…，x），計算方法如下：

其中，為兩樣本之間的歐幾里得距離。

如此計算該測試樣本距離鄰近個訓練樣本的距離，找到其中距離的最小值及其對應的訓練樣本，則測試樣本與該訓練樣本類別相同。依此對所有測試樣本進行類別判斷，完成分類。

2 研究數據及其預處理

2.1 研究數據

2010年1月12日海地首府太子港附近發生7.0級地震，震源深度約10km，后發生多次余震，余震最大達6.3級，造成包括海地總統府、國會大廈在內的大多數建筑物損毀和幾十萬人員傷亡。世界銀行全球減災和災后恢復機構（Globe Facility for Disaster Deduction and Recovery，簡稱GFDDR）于震后獲取了災區機載LiDAR點云，數據獲取時間為2010年1月21日，點云密度為2—5點/m2。本文選取位于海地首都太子港城區中約0.8km2的區域作為研究區。輔助使用的光學遙感影像是同機相機獲取的光學航空影像。該區域房屋建筑類型多樣，有大型多層建筑區，如公寓、賓館、教堂等，建筑面積較大，分布較稀疏，其間夾雜少量樹木或小范圍的樹林；亦有低矮簡易房屋，建筑物單體面積較小，分布較密集，在衛星影像上成片分布，樹木較少，無植被密集區。該研究區域基本涵蓋了城區所有房屋的建筑類型，具有代表性。利用光學影像在研究區選取了210個典型樣本，作為本文特征選擇、分類及驗證的樣本。研究中隨機選取了未倒塌建筑物、倒塌建筑物和樹木各50個樣本作為訓練樣本，分布如圖4（a）和4（b）；各20個樣本作為測試樣本，分布如圖4（c）所示。

圖4 研究區域位置和樣本分布

2.2 數據預處理

獲取點云數據的過程中，由于掃描儀本身的缺陷、環境干擾（如空中飛鳥）等因素，點云中常包含少量噪聲點，剔除這些噪聲點的過程稱為點云去噪。本文基于點云魔方軟件，采用基于點云局部空間分布統計的去噪算法，將局部點密度與整體點密度相差較大的點標記為噪聲點并去除。為獲得非地面點，本文采用CSF（Cloth Simulation Filter）濾波方法（Zhang等，2016），對去噪后的點云進行濾波，以便從激光腳點數據點云中提取數字地面模型（DTM）和數字高程模型（DEM）（張小紅，2007），即提取地面點。CSF采用布料模擬原理，將原始點云倒置，再將具有一定硬度的布料覆蓋其上，得到近似的地形估計，最后依據估計的地形，分離地面點與非地面點。以圖5（a）研究區1的點云為例進行實驗分析，濾波所得結果如圖5（b）所示，可見該方法基本分離了地面點與非地面點，以CSF濾波法后所得的非地面點作為后續研究的基礎。

圖5 CSF濾波法從研究區1的原始點云（a）中分離的地面點（b）結果圖

3 基于機載LiDAR點云參數的震害分類特征分析

3.1 震害點云參數特征分析

本文選取了回波次數比（）、回波強度（）、歸一化回波強度（I）、最鄰近點高差（）、法向量夾角（）、方向坡角（S）和方向坡角（S）等7個因子，對未倒塌建筑物、倒塌建筑物和樹木的訓練樣本的點云數據進行了統計分析，結果如圖6所示。可見，不同類型的地物，其各因子的分布有明顯差異。其中未倒塌建筑物的回波次數比的值基本為0；倒塌建筑物多大于0，部分點的值在0.1—0.2范圍內；樹木值多大于0.1，最高可達0.6。關于回波強度，未倒塌建筑物屋頂表面多平滑，粗糙度小，相對于倒塌建筑物和樹木的離散組成結構和粗糙表面而言，同等激光波長下其反射系數更大，回波強度更大。從圖6中可見，未倒塌建筑物的最鄰近點高差值基本小于0.1m；倒塌建筑物的倒塌部分高差發生明顯變化，值可達5m；而樹木的值為0—16m，變化無規則。3類地物的法向量夾角（）和、方向坡角變化也比較明顯，未倒塌建筑物角度呈現規則變化，倒塌建筑物的角度分布范圍較大，但有明顯的變化邊界，樹木則大小不一，分布無規律。

3.2 震害點云特征選擇

為實現不同建筑物震害的識別，對選取的150個訓練樣本和60個測試樣本分別計算了各樣本點云的上述7個特征因子值及其均值和標準差，以進一步從統計上研究不同類型地物上述各特征因子的分布情況，選擇適宜的分類特征。未倒塌建筑物、倒塌建筑物和樹木樣本的各個因子均值和標準差的概率密度曲線分布如圖7所示，其中各地物類別的回波強度、歸一化回波強度的均值和標準差、方向和方向坡角均值的曲線交叉嚴重，重疊部分占比較大，說明這些特征值對地物的可分性較差，各類別其他8個特征值的曲線交叉部分相對較少，即有較強的可分性。因此，本文選取回波次數比均值和標準差、最鄰近點高差均值和標準差、法向量夾角均值和標準差、方向和方向坡角標準差作為分類特征。

圖6 不同地物各特征因子分布

圖7 各類別樣本均值和標準差分布（一）

圖7 各類別樣本均值和標準差分布（二）

4 分類結果與討論

基于上節選取的回波次數比均值、標準差等8個分類特征，利用150個訓練樣本，60個測試樣本（其中未倒塌建筑物、倒塌建筑物、樹木的訓練樣本各50個，測試樣本各20個，類別編碼依次為1、2、3），通過-最近鄰分類法進行地物自動分類。-最近鄰分類算法基于Matlab平臺實現，流程如圖8所示。

圖8 K-最近鄰分類算法流程圖

為了確定最優的值，分別測試了為1—100的分類正確率，分布如圖9所示，當＝3時，分類準確率為98.3%，達到最高。所有分類準確率均在85%以上，這表明回波次數比均值和標準差、最鄰近點高差均值和標準差、法向量夾角均值和標準差、方向和方向坡角標準差這8個特征是區分未倒塌建筑物、倒塌建筑物和樹木的有效分類特征。

圖9 分類正確率變化曲線圖

統計取1—100的分類結果，發現錯誤最多的為未倒塌建筑物和倒塌建筑物的分類，如圖10中黃色圈內所示，有2個未倒塌樣本錯分為倒塌樣本，一個倒塌建筑物錯分為樹木，2個倒塌建筑物錯分為未倒塌建筑物。樹木樣本在每次分類中全部分類正確，這主要是由樣本選取精度及樣本本身質量造成的。

本文中未倒塌建筑物、倒塌建筑物和樹木樣本全部為手動選取，因此分類方法的自動性有待探究，如何實現濾波后非地面點云的自動分割是未來研究的重要內容。本文中對建筑物僅劃分了未倒塌建筑和倒塌建筑物，若能對倒塌建筑物進行更細致的分類，將進一步提高震害分類精度，為災后應急救援工作提供幫助。此外，各類地物的測試樣本數量有限，因此該分類方法的普適性仍有待提高。研究中所使用的-最近鄰分類法方法在分類過程中，最鄰近樣本數的選取直接影響分類效果，因此對不同的值進行試驗也是研究的重要工作。

5 結論

本文分析了未倒塌建筑物、倒塌建筑物和樹木3類地物的機載LiDAR點云特征，選取了回波強度、回波次數比、最鄰近點高差、法向量夾角及坡角特征，計算其均值和標準差并統計各樣本特征值分布，選擇其中分割效果最好的8個分類特征，在此基礎上利用-最近鄰分類法進行分類試驗。結果表明，基于回波次數比均值和標準差、最鄰近點高差均值和標準差、法向量夾角均值和標準差、方向和方向坡角標準差這幾種分類特征，利用-最近鄰分類法所得結果與真實分類具有非常高的一致性，證明了本研究中所選分類特征的有效性，同時利用該方法可以有效實現地物點云分類，能夠為震后應急救援工作提供有效指導，為災后經濟損失評估提供依據。

圖10 分類結果圖

陳鑫連，1995．地震災害的航空遙感信息快速評估與救災決策．北京：科學出版社．

程亮，龔健雅，2008．LiDAR輔助下利用超高分辨率影像提取建筑物輪廓方法．測繪學報，37（3）：391—393，399．

鄧非，徐國杰，馮晨等，2010．LiDAR數據與航空影像結合的建筑物重建．測繪信息與工程，35（1）：35—37．

竇愛霞，馬宗晉，黃文麗等，2013．基于機載LiDAR和多光譜圖像的建筑物震害自動識別方法．遙感信息，28（4）：103—109．

黃樹松，竇愛霞，王曉青等，2016．基于震后機載激光雷達點云的建筑物破壞特征分析．地震學報，38（3）：467—476．

姜立新，帥向華，聶高眾等，2012．地震應急指揮協同技術平臺設計研究．震災防御技術，7（3）：294—302．

馬洪超，姚春靜，張生德，2008．機載激光雷達在汶川地震應急響應中的若干關鍵問題探討．遙感學報，12（6）：925—932．

宿淵源，張景發，2012．三維激光掃描技術在震后地面三維重建中的應用．地殼構造與地殼應力文集，0（0）：30—37．

滕敏，衛文學，滕寧，2015．-最近鄰分類算法應用研究．軟件導刊，14（3）：44—46．

王娜，侯爽，2009．-最近鄰分類技術的新發展與技術改進．河北省科學院學報，26（4）：11—13．

王曉青，王龍，王巖等，2008．汶川8.0級大地震應急遙感震害評估研究．震災防御技術，3（3）：251—258．

楊樂，曾薇，譚穎，2012．地震應急衛星通信系統的設計與應用．震災防御技術，7（1）：100—109．

張小紅，2007．機載激光雷達測量技術理論與方法．武漢：武漢大學出版社．

張志友，2008．基于LiDAR數據和航空影像的地形與建筑物提取及三維可視化．北京：北京交通大學．

Dorninger P., Pfeifer N., 2008. A comprehensive automated 3D approach for building extraction, reconstruction, and regularization from airborne laser scanning point clouds. Sensors, 8(11): 7323—7343.

Dou A. X., Ma Z. J., Huang S. S., et al., 2016. Building damage extraction from Post-earthquake airborne LiDAR data. Acta Geologica Sinica, 90(4): 1481—1489.

Fritz H. M., Phillips D. A., Okayasu A., et al., 2012. The 2011 Japan tsunami current velocity measurements from survivor videos at Kesennuma Bay using LiDAR. Geophysical Research Letters, 39(7): L00G23.

Hoppe H., DeRose T., Duchamp T., et al., 1992. Surface reconstruction from unorganized points. In: Proceedings of the 19th Annual Conference on Computer Graphics and Interactive Techniques. New York, NY , USA: ACM, 71—78.

Han J. W.，Kamber M.，2007．數據挖掘：概念與技術．范明，孟小峰，譯．北京：機械工業出版社．

Labiak R. C., van Aardt J. A. N., Bespalov D., et al., 2011. Automated method for detection and quantification of building damage and debris using post-disaster lidar data. In: Proceedings of SPIE 8037, Laser Radar Technology and Applications XVI. Orlando, Florida, United States: SPIE, 80370F.

Margesson R., Taft-Morales M., 2010. Haiti earthquake: crisis and response. In: DTIC Document. Congressional Research Service.

Trinder J. C., Salah M., 2012. Aerial images and LIDAR data fusion for disaster change detection. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume 1-4, 2012 ⅩⅫ ISPRS Congress,25 August-01 September 2012, Melboume, Australia: 227—232.

Zhang W. M., Qi J. B., Wan P., et al., 2016. An easy-to-use airborne LiDAR data filtering method based on cloth simulation. Remote Sensing, 8(6): 501.

王金霞，竇愛霞，王曉青，黃樹松，張雪華，2017．地震后機載LiDAR點云的地物區分方法研究．震災防御技術，12（3）：677—689．

The Ground-objects Classification Based on Post-earthquake Airborne LiDAR Data

Wang Jinxia, Dou Aixia, Wang Xiaoqing, Huang Shusong and Zhang Xuehua

(Institute of Earthquake Science, China Earthquake Administration, Beijing 100036, China)

It is difficult to distinguish the characteristics of the point cloud from the collapsed buildings, since the characteristics of the cloud and the collapsed building are similar. In this paper, we present the ratio of echo ratio and combined with the previous point cloud echo intensity, normalization intensity, altitude difference of the nearest neighbor, normal vector,-slope and-slope of points, and compute the mean and standard deviation of every feature to obtain damage buildings after the earthquake. To discriminate single object, we use the classification algorithm based on-Nearest Neighbor. We select 150 point clouds samples of 50 typical undamaged building, 50 collapsed building and 50 tree as samples from airborne LiDAR point cloud data which got after the 2010 Haiti earthquake withW7.0 by the way of human-computer interaction and compute the mean and standard deviation of every feature. We apply-Nearest Neighbor to classify test samples by 8 optimal factors chosen from means and standard deviations. The classification accuracy is 85%, which indicates that the optimal factors are effective and the proposed method in this study is capable of distinguishing between building (undamaged and damaged building) points and tree points, which can extract damaged buildings and support for emergency rescue after earthquake.

Light Detection and Ranging (LiDAR);-Nearest Neighbor algorithm; Damaged buildings; Earthquake emergency; Classification

10.11899/zzfy20170323

國家自然科學基金（41404046）資助

2016-12-23

王金霞，女，生于1990年。在讀研究生。主要研究領域：遙感與GIS應用。E-mail：wangjxwake@163.com