無人機影像密集點云中目標層次提取研究

路創軍

(甘肅省水利水電勘測設計研究院有限責任公司，甘肅 蘭州 730000)

隨著“數字地球”“智慧城市”的快速發展，全面而準確地獲取地理空間信息數據(尤其是高精度的三維空間信息)具有迫切的應用需求。當前，快速準確獲取大范圍三維場景目標的主要技術有機載激光雷達掃描(Airborne Light Detection and Ranging，LiDAR)和攝影測量技術。LiDAR技術通過回波測距與定向的原理，獲取高精度的數字三維信息數據，但其昂貴的硬件設備限制了其大范圍推廣應用。攝影測量技術能夠從多張具有相互重疊的二維數字影像中恢復目標物體表面的三維信息，其主要依賴同名影像之間的同名點匹配來完成。近年來，以無人機為平臺的攝影測量技術具有成本低、周期短、操作簡單、時效性強及快速獲取高分辨率影像數據的特點，已逐漸成為大范圍區域內對地觀測與高精度三維場景目標信息獲取的最主要手段。

在影像密集點云的生成過程中，引入先進的半全局影像密集匹配方法(SGM)、全局圖能量優化算法(Graph Cut)等密集匹配算法，可以極大地提高影像密集匹配點云(Image Dense Point Cloud， IDPC)的精度和可靠性。同時，在Middleubry3.0以及KITTI2015數據集中基于深度學習的影像重建方法得到世界最先進的影像重建結果。從高密度、噪聲較大的IDPC中提取目標對象，主要有逐點提取、逐塊提取和場景整體分類提取等方法。逐點提取以每個點為基本單元，并通過該點的局部描述及其關系作為特征并進行分類，該方法簡單易于實現，但其存在計算量大、單點鄰域包含信息不穩健等缺點。逐塊分類提取首先將三維點云處理為獨立幾何單元塊，然后將各塊進行組合得到分類結果。該方法能夠利用場景中的不同特征提高分類精度，但其難以保留上下文關系容易出現碎片化的結果。場景整體分類提取包括傳統條件隨機場和基于深度學習方法?；跅l件隨機場的方法在獲取分類結果的同時，還可以得到相互之間的上下文關系，但其模型學習和推導中存在計算復雜的問題。伴隨AI熱潮興起的深度學習方法，能夠直接輸入三維點云數據并輸出分類結果，但其需要耗費大量人力進行樣本數據標注，且預先訓練網絡模型存在難以直接遷移應用于新場景等問題。同時，這些不同的研究方法主要用于質量較好的LiDAR點云目標對象提取。因此，從IDPC中提取不同目標對象仍然是一個挑戰性研究課題。本文針對無人機影像密集點云中三維目標對象的提取問題，提出了一套有效可行的地理空間三維目標對象提取流程與方法。

1 影像密集點云生成

在獲取低空無人機航攝影像后，通過在各影像上提取特征點及執行特征點匹配，并結合地面控制點和光束法平差模型，解算出每一個影像的精確位姿參數，同時在空間交會、相機參數全局平差優化的過程中可以匹配點的三維空間位置，進而完成稀疏點云匹配。以此為基礎，可引入半全局影像密集匹配算法(SGM)完成逐像素匹配以獲取目標場景的三維密集點云。SGM考慮了視差變化并給予了不同的懲罰，以保護傾斜面和曲面的微小視差變化，其視差影像能量模型如下：

(1)

在上述算法模型的基礎上，通過輸入原始影像、POS數據、相機參數文件、控制點文件，自動完成區域的自動空三解算，通過人工干預的半自動刺點，實現影像密集點云自動生成。其流程如圖1所示：

圖1 影像密集點云生成流程圖

考慮到影像密集匹配過程中，由于影像紋理弱、質量差或匹配算法本身限制等，生成的影像密集點云中不可避免存在著噪聲點，因此本文通過點云三角網與離散曲率粗糙度進行點云噪聲點的檢測與剔除。

2 影像密集點云層次提取

采用層次化的方式提取點云，不僅能夠降低算法復雜度，同時有效地提高處理速度，也可以避免點云冗余信息干擾。為了能夠方便、高效地處理空間離散且分布不均勻的IDPC，本文首先構建了規則格網索引，同時格網單元中只保留一個高程值最小的點作為格網點的數值。依據經驗，格網大小按下式計算：

(2)

式中，ρ—單位面積內點云個數。

2.1 地面點云濾波

從三維點云中提取出地形基礎數據，稱為點云濾波處理。這是開展基于三維點云的后續應用的關鍵，特別是數字高程模型(DEM)生成的關鍵。點云濾波的關鍵在于如何設計和計算地面點與非地面點特征差異，如何構建有效的點云提取策略。為實現影像密集點云中地面點云濾波處理，本文在規則格網的基礎上，采用多尺度形態學原理來剔除地面點。首先任意設置一個較小的尺寸S進行形態學濾波處理，然后更新尺寸S直至所有格網點都處理完畢。形態學“開”和“關”運算步驟可描述如下：

(1)腐蝕操作。對于IDPC中的每一個格網點，獲取其在給定窗口內點的最小高程值作為腐蝕后高程。

(2)膨脹操作。再次對IDPC中每個格網點，采用上述腐蝕處理同樣大小的窗口進行膨脹運算，將最大高程值作為膨脹后的高程

(3)提取操作。對于上述處理后的每個格網點，如果膨脹處理后高程值與原始高程值的差值在給定閾值范圍內，那么當前格網點是一個地面點，否則為非地面點。

上述多尺度形態學處理可實現格網點由粗到細的漸進式處理，能夠有效提高點云濾波的質量和可靠性。對于地面點，可以通過反距離加權模型生成DEM。

(3)

(4)

式中，(X，Y，H)—待插值點空間坐標；(Xi，Yi，Hi)—鄰域樣本點i的空間坐標；p—空間距離權重值；q—冪函數值。

2.2 建筑物點云提取

濾波處理后剩余的非地面點云，主要存在建筑物、植被等地物目標。為進一步提取出建筑物點云數據，本文擬構建基于建筑物區域特有幾何或物理特征的提取方法，即首先剔除明顯非建筑物目標點云，然后在此基礎上，通過計算點的粗糙度以細化處理建筑物點云。

通常情況下，經過去噪、濾波處理后的IDPC中建筑物主要是屋頂面，其可看作一個或多個面片構成，通過設置合理約束規則可實現非建筑物目標剔除，其處理過程描述如下：

(1)對濾波處理后的點云，逐點分析其連通性，將空間位置鄰近、幾何屬性相似的點進行合并，從而形成新的目標區域。幾何屬性可采用法向量夾角、顏色等。

(2)以建筑物目標的面積、幾何尺寸、點云與地面的高度約束等作為約束條件，對上一步形成的目標區域進行過濾提取。

(3)上述過程迭代執行直至所有的點云處理完畢。

需要注意的是，目標區域幾何面積與建筑物類型是密切相關的，根據經驗可設置為2～100m2，目標區域的幾何尺寸等可設置為2～10m。相比于在城市周邊或鄉村居民區域，城市中建筑物面積、幾何尺寸等應設置較大的閾值，以提取出非建筑物目標點云。

2.3 植被點云提取

經過上述處理后，地面和建筑物點云被較好地提取出來，剩余點云即為植被點云。然而在建筑物和樹木混合的區域，植被點云容易被誤分為建筑物點云。為實現植被點云的完整提取，本文采用點云剖面特征分析方法進行區分處理，即不同目標(如植被、建筑物)在豎直Z方向上的不同剖面具有目標自身獨特空間特性，如圖2—3所示。一般來說，樹木的樹冠剖面面積遠大于樹干剖面面積，而建筑物剖面面積則保持一定大小不變，且建筑物的平均剖面面積明顯大于樹木的平均剖面面積。因此，通過分析點云在豎直Z方向上的

空間剖面特征，可以從建筑物點云中進一步提取出冗余的植被點云。

3 應用實例與結果

為了驗證本文提出的無人機影像密集點云不同目標對象提取的有效性，本文利用了甘肅省引洮供水二期配套工程秦安縣城鄉供水青林溝工程的航飛成果進行了實驗驗證與分析。該研究區域位于甘肅省秦安縣，區域內困難程度劃分為中等，植被地物較密。試驗影像采用某科技公司的V100飛機系列V-CAM100航測模塊搭載SONY RX1R II相機進行影像采集，中心區域的航向重疊度為80%，旁向重疊度為75%，無人機飛行航線架次及序列影像示意如圖4所示。

對上述無人機序列影像實施空三處理和密集匹配處理，獲取的影像密集點云如圖5所示，影像密集點云密度為50point/m2。

采用本文的多尺度形態學方法提取地面點云，并采用本文的反距離加權模型加密內插生成分辨率為50cm的數字地面模型，如圖6所示。

在地面點云剔除基礎上，采用本文層次方法提取出建筑物和植被點云如圖7—8所示。

圖2 建筑物點云剖面特征示意圖

圖3 植被點云剖面特征示意圖

圖4 測區無人機序列影像縮略圖

圖5 典型區域的無人機影像密集點云(左：建筑物、右：典型植被)

圖6 典型區域的數字地面模型(左：建筑物、右：典型植被)

圖7 建筑物點云

圖8 植被點云

4 結語

針對從空間離散且分布不均的無人機影像密集點云中不同地物目標難以有效提取的問題，本文提出了一種有效的地物目標層次化提取流程框架。通過實際項目進行了驗證，其結果表明本方法能實現無人機影像密集點云中地物目標的有效提取，能夠為建筑物密集群、高植被區域DEM制作和災害防治提供參考借鑒。但在原始森林或過密的植被區域存在植被點云提取不全的問題，可通過人工交互編輯或算法模型改進來解決。同時，后續將以提出的不同目標對象為基礎，開展研究不同地物目標的三維模型構建及其地理空間應用分析的相關研究。