基于激光點云批量化自動濾波分類技術研究

李小娟 蘇春耀

（河南省測繪院，河南 鄭州 450003）

1 引言

隨著科學技術的發展和人們生活水平的提高，實景三維建設越來越受到人們關注。地形級實景三維是城市級和部件級實景三維的承載基礎。點云數據具有獲取快速、離散分布、快速更新的特性，同時附有高程、位置、強度等信息，數據間無拓撲相關性，是地形級實景三維場景建設的重要數據資源。點云獲取主要依靠激光掃描設備，但無論是機載激光掃描設備還是車載激光掃描設備，測繪外業生產的成本都要遠高于高分辨率航空或衛星影像，所以，利用無人機影像生成密集點云是一種新的制圖和三維重建方法，從經濟成本和效率考慮，大面積無人機影像生成的密集點云要優于由地面激光掃描（TLS）生成的點云。

國內對影像匹配生成點云的研究主要集中于影像與LiDAR 點云的匹配融合，對影像生成的密集點云與LiDAR 點云的比較研究較少，主要還是定性分析[1]。目前行業內使用的點云濾波算法有基于數據形態學的濾波算法、基于不規則三角網的濾波算法、基于布料模擬的濾波算法和最小二乘曲面濾波算法等。在數據處理軟件方面，一般采用TerraScan 軟件建立濾波規則并提取地面點，利用拉普拉斯算法進行平滑處理，并結合區域邊界進行接邊融合等處理，形成精度可靠、自然平滑的DEM 數據，用于地形級實景三維地理場景更新[2]。但這種分類多為人工和半自動方式，數據解譯的自動化程度低，導致點云利用率下降，制約了激光點云在實景三維城市建設中的應用。在實施過程中基于數字影像匹配（DIM）生成的密集點云數據，開展基于深度學習的自動分類方法研究，從而解決了批量點云信息濾波分類的技術難題，并研建一套智能化點云批量化自動濾波分類的工具[2]，極大程度地改變了內業的作業模式，提高了生產效率，節約了生產成本。

2 關鍵技術

由于激光雷達采集到的每個點云數據，都是由被測物體的實際位置生成的三維點云坐標，因此點云數據的誤差相對較小，但得到的數據量特別大，并且這些點云數據中含有噪聲，會導致一些不可忽視的問題，例如點云數據雜亂無章、信息數據冗余等。

實驗選取無人機獲取的高分辨率遙感影像數據，將數字影像匹配（DIM）生成密集點云所具有的影像信息，經內業數據處理和空三計算等步驟后，輸出實景三維模型、正射影像、三維點云等產品。然后將航空影像和DIM 點云作為數據源，采用不規則三角網（triangulatedirregular network，TIN）濾波算法，建立集數據重分類、分離孤立點、分離低點、分離地面點、地面點中分離植被點等步驟于一體的宏處理程序，分離出DIM 點云數據中的地面點和非地面點。為了節約人力投入成本，通過建立新的系統構架及任務調度算法，用集群計算機數據并行處理，將所有數據處理環節進行整合聯通，實現批量點云數據一鍵自動化濾波分類，并生成DEM 數據產品[3]。

2.1 集群運算網格處理技術的策略

對于航空遙感影像的并行處理，不少學者都在潛心研究，但大多是基于專門的并行計算機，對于集群式自動化運算的研究并不多見，而并行計算機價格昂貴。研究采用計算機集群方式，將一組松散集成的計算機軟件或硬件連接起來，高度緊密地協作完成計算工作。在某種意義上，它們可以被看作一臺計算機。同樣，網格計算屬分布式計算，是一種與集群計算相關的技術。運用在網格上，數據資源則可實現動態管理，并可根據需求切換到網格中。所以選用網格技術分模塊對航攝遙感大數據進行批量同步處理。

為更好地操控網絡的分布式任務管理，采用面向對象的集群任務實時索引方法，從數據讀取到成果輸出，整個過程通過任務表掛接目錄方式進行訪問處理。數據處理的任務模塊設在系統后臺，通過集群任務表的實時記錄把控數據處理細節，作業人員只需根據集群任務表掌握數據處理進度。集群任務表不僅索引數據的整個處理模塊，還利用數據并行運算方式，調動多臺計算機同時訪問服務器，在互不影響的情況下，把大的任務化解成若干個相同的子任務，同時處理。這樣在內業生產中，不僅能保證數據產品輸出質量，還可進行批量化、智能化快速處理，滿足新型基礎測繪的大測區數據生產需求。集群任務表運算參數如圖1 所示，實時處理進度如圖2 所示。

圖1 集群任務表運算參數重置

圖2 集群任務表實時處理進度顯示（綠色為已完成，紅色為未完成）

2.2 BM 算法提取精細視差

目前，大多數無人機攝影測量系統采用非量測相機對地拍攝，像片像幅較小、序列影像數量較多。在低空攝影時，由于無人機飛行高度低，姿態不穩定，航拍影像會存在較大變形，導致無人機影像密集匹配比較困難。無人機航拍影像通過空三后只能得到稀疏的點云數據，無法細膩刻畫地表的三維形態，因此通過密集匹配技術得到數字表面模型（Digital Surface Model，DSM）。影像密集匹配算法是在恢復影像序列方位元素基礎上，逐像素匹配建立對應關系，獲取可描述左右影像像素之間匹配關系的視差圖[4]。通過無人機航拍影像視差圖融合生成DSM 研究核線影像立體匹配得到的視差圖，根據已知方位元素，對匹配像素進行前方交會，恢復三維位置信息，生成密集三維點云。視差圖像點代表的視差值通過三角測量原理轉換成深度值或高程值，此視差圖可被轉換為深度圖或高程分布圖。對無人機航拍影像生成DSM 方法進行了研究，采用BM 算法（Boyer-Moore 算法）提高匹配效率，最后通過多視影像聯合平差與多視影像密集匹配技術，利用視差像方融合方法生成某實驗區DSM，DSM 數據經處理后可作為實際生產的重要數據基礎[4]。

2.3 多視影像密集匹配灰度點云的研究

影像匹配是攝影測量的基本問題之一，多視影像具有覆蓋范圍大、分辨率高等特點。但傾斜影像密集匹配點云處理技術研究相對較少。傾斜影像密集匹配點云具有分布不均勻、地物邊界模糊、表面粗糙、數據冗余大等特點，因而傳統的激光掃描點云處理算法在傾斜影像密集匹配點云處理時的適用性較低。研究目的是在匹配時充分考慮冗余信息，快速準確地獲取多視影像上的同名點坐標，進而獲取地物的三維信息。

采用的密集點云快速提取方法具體包括以下步驟 ：

（1）數據準備，數據具體包括傾斜航空攝影獲取的多視影像數據、空三加密后的影像外方位元素、傾斜航攝儀相機參數信息，其中多視影像數據包括元數據，內含影像分辨率、影像投影坐標。

（ 2）在步驟1 的多視影像數據中的垂直影像上，按照城市三維建模精細化的實際需求建立坐標格網，坐標格網中每個格網單元的大小不小于影像分辨率，所述影像分辨率與步驟1 的影像分辨率相同。

（3）將多視影像轉換為灰度圖像，并通過高斯濾波對灰度圖像進行平滑處理。

（4）在灰度圖像中，計算各目標像素點的灰度值與其鄰域像素點的灰度值，并將兩者進行比較形成差值，多個差值構成一個數值范圍，在該范圍內確定閥值A 的大小，然后判斷各目標像素點的灰度值與其鄰域像素點的灰度值的差值是否大于閥值A，如果是，則將該目標像素點提取作為候選角點，否則，直接舍去。

（5）計算步驟4 中候選角點的角點響應函數（CRF）值，判斷該候選角點的角點響應函數（CRF）值是否大于預先設定的閥值B，如果是，則將該候選角點提取作為特征點，否則，直接舍去。

（6）匹配同名點，選擇參考影像和搜索影像，將參考影像上的特征點按核線幾何約束條件在搜索影像上尋找同名點。

（7）生成種子點，利用步驟1 的數據進行初始匹配，獲取種子點。

（8）區域擴散，即種子點擴散，內插生成待定點的空間坐標和法向量，得到相對密集的點云，使其均勻密集地分布在規則格網上。

（9）粗差剔除，通過多片前方交會嚴密解方式以及最小二乘思想，剔除點云粗差點，并判斷格網單元是否計算完畢，如果是，則進入步驟10，否則，回到步驟8 繼續進行區域擴散。

（10）生成密集點云，構建TIN 建立三維模型。

2.4 點云自動濾波分類處理

從傾斜影像密集匹配點云特點出發，通過底層開發直接讀取點云數據的統計指標信息，如點密度、點云坐標最小值和最大值、標準差，根據統計指標信息設置最大最小高程，進行高程異常濾波處理，自動濾除最大最小高程之外的點云，通過均值方差迭代濾波參數設置進行批量均值方差迭代高程異常濾波，再進行批量粗分類，提取出植被、道路、房屋、水體等非地面點和地面點，實現點云高效濾波，并生成高精度DEM。地表覆蓋精細分類、植被與建筑物提取分類、不同類別提取、生成的DEM 分別如圖3 到圖6 所示。

圖3 地表覆蓋精細分類

圖4 植被與建筑物提取分類

圖5 不同類別提取效果

實驗針對復雜城市場景，采用一種改進的深度圖像區域生長分割和基于鄰域語義信息合并地面點的濾波算法。首先，根據密集匹配點云特點，用平面點云密度自適應設置虛擬格網尺寸；其次，基于坡度濾波思想，估計區域生長條件閾值；最后，針對封閉區域地面點，沿實驗區域建筑物主、次方向分析鄰域語義信息，實現地面點完整分割。實驗表明，該算法對地物底部邊緣不清晰、密度不同的數據表現出較好的適應性，人工交互少，濾波效果理想、速度快，可改善密集匹配點云部分地物底部邊緣不清晰引起錯分和區域生長無法分割建筑物非連通區域的問題。

3 結語

本次研究圍繞密集匹配點云的數據結構特點、高程精度評價、濾波、建筑物提取等問題展開。點云濾波是當前三維重建技術領域的研究熱點，也是許多無人駕駛應用數據處理過程中至關重要的一步。在環境測繪、無人駕駛等領域，由于道路地形錯綜復雜、地貌廣闊以及被掃描物體表面反射率的差異，激光雷達設備采集到的點云數據常常帶有許多噪聲，并且在數據采集過程中由于建筑物與障礙物遮擋，幀與幀之間的點云數據重疊率較低，這直接影響后續的三維場景重建與無人駕駛系統最終的決策。因此，對激光雷達的點云數據處理研究就顯得非常重要。