基于機載點云數據的智能化成圖方法研究

胡曉斌

（1.武漢大學 測繪學院，湖北 武漢 430079）

近年來，機載LiDAR技術得到了蓬勃發展，在硬件系統設計方面技術已較成熟，三維空間位置測量精度已達到相當高的水平。基于機載LiDAR的數據應用較多，在大量高精度信息數據獲取的同時如何高效地完成數據處理并有效轉化為工程應用成果成為目前重點研究問題。

大比例尺地形圖是各類工程應用中最重要的參考依據，其生產效率和精度直接制約了后續工作的進程和質量。相比于傳統的立體測圖方式，基于點云數據生產地形圖具有高程精度高、自動化程度高等優勢。目前，在基于點云數據的地形圖生產過程中已可實現高程點和等高線的自動生成，而建筑物邊界等地物信息還需人工繪制。因此，如何基于點云數據實現建筑物的自動提取，進一步提升點云數據制圖的自動化程度，提高生產效率，縮短生產周期，具有重要的現實意義[1]。

鑒于此，本文提出了一種基于機載點云數據的半自動化成圖方法，其中，等高線、高程點和建筑物邊界線能通過算法自動提取。由于等高線和高程點的提取可通過現有軟件完成，本文對建筑物邊界線的提取成圖開展了深入研究，提出了一套完整的技術方案，并通過實驗證明了其有效性。

1 點云制圖流程

采用機載點云數據生產地形圖的主要流程如圖1所示，包括數據采集、數據預處理和點云制圖3個部分。其中，數據采集和數據預處理的方法已較成熟，而點云制圖主要仍在Terrasoild軟件下完成，該軟件能實現等高線的自動提取，但對于建筑物等地物還需通過人工采集完成[2-4]。

本文算法的核心問題就是實現機載點云數據生產地形圖過程中建筑物邊界的自動提取。通過軟件提取等高線、高程點和本文方法提取建筑物邊界后，再對照正射影像補充其他地形要素即可完成整個地形圖的制作過程。

圖1 機載點云生產地形圖流程圖

2 建筑物邊界提取

建筑物邊界的提取是機載點云生產地形圖過程中的重要步驟之一，在提取建筑物邊界前，需將建筑物點云提取出來，再使用建筑物邊界線提取算法即可自動提取建筑物邊界。

2.1 建筑物點云提取

建筑物點云提取主要包括地面點云濾除、點云分割和點云分類3個步驟。

2.1.1 地面點濾除

由于LiDAR系統獲取的點云數據中不僅包含來自裸露地面的信息，還包含來自建筑物、樹木、橋等非地面對象表面的信息。地面點云主要用于生成等高線和高程點，該過程已能實現自動化；當存在大量地面點云時，無法對其他地物點云進行有效處理，因此，在提取建筑物點云之前，需將地面點云濾除。地面點云濾除結果見圖2[5-6]。

圖2 點云數據地面點濾除結果

2.1.2 點云分割

對點云數據進行分割的目的即化繁為簡，根據其幾何或紋理特征將復雜的掃描場景點云分割成獨立的地物點云集合，再通過分析獨立地物集合的特征進行后續分類和識別操作，可大大簡化點云數據處理的復雜度。目前，散亂點云數據的分割方法主要包括區域增長法、基于特征圖像的方法和空間特征聚類法。濾除地面點云后，本文使用空間特征聚類法對非地面點云進行空間聚類分割處理，將離散點分割為獨立的地物點集合，分割結果如圖3所示，不同的顏色代表不同的地物點集合。

圖3 非地面點云數據分割結果

2.1.3 點云分類

經過分割的點云數據可再進行點云的分類，將獨立的地物點集合賦予類別屬性，對于制圖應用來說，興趣對象類別包括建筑物、植被和橋梁等。首先采集興趣地物的樣本，并確定分類特征和分類模型再進行訓練。本文采用的分類特征主要包括高度、長寬比、面積、粗糙度、法向量、曲率等幾何特征，使用的分類模型是隨機森林，分類結果如圖4所示，綠色點云為植被，紅色點云為建筑物。

圖4 點云分類結果

2.2 建筑物邊界自動提取

在完成建筑物點云提取并單體化后，即可自動提取每塊建筑物點云的邊界。邊界提取主要包括邊界點提取、邊界點簡化、邊界擬合3個步驟。

1）邊界點提取，采用Alpha Shape算法。其算法思想為：假設有1個點云數據集S，且外部有1個半徑為α的圓沿S滾動，當α足夠大時，這個圓將在點云的外圍滾動；而當α較小時，該圓將落到點云內部。根據這一準則，將LiDAR點云數據中每兩個點和給定半徑α確定一個圓，當圓中沒有其他點時，該點即為邊界點。

2）邊界點簡化。建筑物邊界點云包含整個建筑物邊界的離散點，而在地形圖生成的過程中只需要建筑物邊界的角點，因此需對提取的建筑物邊界點進行簡化，以滿足地形圖生產的需求。由于建筑物角點的夾角一般為90°，依此可對建筑物邊界點進行判斷，篩選建筑物角點。

3）邊界擬合。經過邊界點提取和簡化后，提取出的建筑物邊界已接近于真實建筑物的形狀，但由于激光掃描獲取的點云數據并不完整，導致提取的建筑物邊界精度不夠理想，還需對邊界進行精化處理，以提高建筑物邊界的提取精度。采用RANSAC方法對每條建筑物邊界上的點云進行直線擬合，得到最精確的邊界。通過邊界線求交可獲取精確的建筑物角點。建筑物邊界的提取結果如圖5所示。

圖5 建筑物邊界提取結果

3 實驗分析

本文以Leica ALS60機載掃描系統獲取的點云數據為實驗數據，從建筑物的有效提取率和邊界提取的絕對精度兩個方面來驗證整體提取精度。

有效提取率即所有提取正確的建筑物與整個范圍內建筑物總數之比。整個范圍內建筑物數量需結合正射影像統計獲取。據統計，測區范圍內共有建筑物356 棟，自動提取獲得325棟，有效提取率為91.2%。由于ALS60設備點云較稀，部分面積較小的建筑物沒有被正確提取，對于沒有被提取的建筑物還需結合正射影像人工判別。

除了對建筑物的有效提取率進行檢查之外，本文還對邊界提取的絕對精度進行了檢查論證。通過外業采集房頂角點的方式對建筑物邊界提取的絕對精度進行檢查。部分建筑物邊界提取結果和控制點位置如圖6所示。本文共采集50個建筑物角點進行精度檢查，統計求得平面中誤差為0.65 m。建筑物邊界的提取平面精度主要受點云數據質量的影響，點云越密集，絕對精度越高，則提取的邊界精度越高，整個提取過程中高程精度未損失。

圖6 部分建筑物提取結果及控制點

完成精度驗證后，利用本文所設計的智能化成圖流程對實驗測區進行了1∶2 000地形圖制圖，制圖成果如圖7所示。測區面積為3 km2，若采用傳統立體測圖方式需2工天完成，而采用本文作業流程只需0.5工天，生產效率提升了3倍，且地形圖成果擁有更高的高程精度。

圖7 智能化成圖案例

4 結 語

根據機載點云數據的特點，本文提出了一種基于機載點云數據的智能化成圖作業模式，可通過自動提取等高線、高程點、建筑物等地形要素，大大減少地形圖制作的內業工作量。本文對整個作業流程中的建筑物邊界提取方法開展了深入研究，提供了點云濾波、點云分割、點云分類、建筑物提取、邊界線提取等步驟的技術方案；并利用項目數據進行了實驗分析，結果表明該方法具備較高的提取有效率和精度。在后續研究中，可進一步開展對其他地物的智能化提取和成圖方法研究，以提高基于點云數據生產地形圖的精度和效率。

[1] 黃克城,宋時文,閻鳳霞.機載LiDAR技術在地形圖測繪中的應用[J].地理空間信息,2016,14(4):99-101

[2] 馮梅,鐘斌.基于LiDAR點云自動生成等高線的方法研究[J].測繪與空間地理信息,2012(6):87-90

[3] 張小紅,劉經南.機載激光掃描測高數據濾波[J].測繪科學,2004,29(6):50-53

[4] 陳弘奕,胡曉斌.海量點云數據等高線生成算法研究[J].測繪通報,2013(10):83-86

[5] Axelsson P.DEM Generation from Laser Scanner Data Using Adaptive TIN Models[J]．International Archives of Photogrammetry and Remote Sensing,2000,33(B4/1):111-118

[6] Vosselman G. Slope Based Filtering of Laser Altimetry Data[J].International Archives of Photogrammetry and Remote Sensing,2000(33):935-942

[7] 趙小陽,孫穎.基于LiDAR點云的建筑物邊界提取及規則化[J].地理空間信息,2016,14(7):88-90