无人机载LiDAR系统数据精度检测及误差分析

郑 敏，胡丹晖，杜 勇

（1. 武汉大学 遥感信息工程学院，湖北 武汉 430079；2. 湖北省电力科学研究院，湖北 武汉 430077；3. 国网湖北省电力公司 检修公司，湖北 武汉 430050）

无人机载LiDAR系统数据精度检测及误差分析

郑 敏1，胡丹晖2，杜 勇3

（1. 武汉大学 遥感信息工程学院，湖北 武汉 430079；2. 湖北省电力科学研究院，湖北 武汉 430077；3. 国网湖北省电力公司 检修公司，湖北 武汉 430050）

通过对无人机载LiDAR系统获取的点云数据以及实测检查数据进行检测分析，得出不同点云密度以及不同地形条件下的数据精度分布情况，分析误差产生的原因。

LiDAR；LAS数据；精度检测；误差分析

LiDAR技术能够快速、准确地获取高精度和高密度的三维点阵数据[1]，比传统摄影测量方法具有显著优势[2,3]。目前，国内外关于LiDAR点云数据的研究很多[4-8]。随着应用的深入，针对不同的行业需求研制专门的系统成为LiDAR技术发展的新方向。针对电力巡线需求，湖北省超能超高压电力科技开发有限公司、武汉大学和必威易（北京）商用飞机科技有限公司研制了基于无人直升飞机的超轻型LiDAR硬件及数据处理系统。本文针对该系统采集的数据进行分析，检测其产品（DSM、DEM和DOM）精度，分析其适用性。

1 系统简介

系统硬件为V750型无人直升机，搭载必威易公司研制的轻小型LiDAR设备BL-300，使用的处理软件为武汉大学研制的点云数据处理平台LiDARPC1．0。V750型无人直升机主要参数为：有效载荷大于30 kg，最大平飞速度40 m/s，最大动升限1 000 m，无地效悬停升限1 000 m，续航时间2 h，任务半径大于30 km。BL-300型轻小型机载LiDAR设备主要参数为：机身重量小于30 kg，扫描角度80°，飞行速度小于 60 km/h，飞行高度100～300 m，高程精度优于15 cm，水平精度优于20 cm。地面标志物主要辅助LiDAR数据精度检测，由三脚架和架设在其上的3根高度不同的水平数据采集杆组成。

本文LiDAR数据处理软件为武汉大学研制的点云数据处理平台LiDARPC1．0，如图1，主要有点云三维显示、漫游、缩放、伪彩显示、数据分割等基本操作，以及密度统计、距离测量、精度统计、滤波、约简、构网、断面计算和等高线生成等高级功能。

图1 LiDAR PC1.0点云处理平台

2 精度检测方法及指标

2.1 精度检测方法

数据处理流程如图2所示。量测和解算功能是指通过人工方式获取3根水平杆的端点，然后在XOY平面内解算其对应的3条直线方程，求交后对应3个点的坐标，求均值得（X，Y）；高程值为顶杆所有点高程的均值Z。此时得到的三维坐标为标杆顶部坐标，通过标杆高度值h，则最终得到同名点坐标为（X，Y，Z-h）。所有同名点都解算出来后，读取检查点，进行精度检测，并最终以*．txt格式输出精度检测结果。

图2 精度检测方法实现流程图

2.2 精度检测指标

2.2.1 中误差

本文采用的测量精度评价方法为中误差法，计算式为：

式中，∆为真误差，∆=X1-X2；X1为测量值；X2为真实值；

n为实际测量数据个数。

2.2.2 极限误差

由中误差定义可知，σ越小，则绝对值较小的误差就越多。根据正态分布原理，大量同精度测量获取的数据列当中，误差值分布在（-σ，σ），（-2σ，2σ）和（-3σ，3σ）的概率分别如式（2）所示：

其中，P表示概率大小，Δ表示随机误差值。由此可知，在大量同精度观测数据中，误差绝对值大于σ的概率为31.7%，大于2σ的概率为4.5%，大于3σ的概率仅为0.3%。通常将3σ作为随机误差的极限值，即Δ限=3σ。实践中，常取2σ作为极限误差。

3 实验与分析

3.1 实验数据

实验线路区段位于河南省，线路全长约40 km，其中20 km按常规模式采集数据，航飞带宽2 km；另外20 km按比较高的点云密度采集数据（简称“高清区域”），航飞带宽1 km。线路区段所处地形为丘陵，最高点与最低点高程差约为60 m，最大坡度约55°。整个数据采集区域共设有7个控制点（如图3）和108个检查点（N1～N108）。为便于误差分析，这108个点被设置在不同的地形环境中，其坐标由GPS静态观测得到。最终，采集到的点云数据高清区密度约为13．12 点 /m2，低清区约为3．21点/m2。

图3 高清区、低清区以及控制点（高清区范围黄线所示，低清区范围蓝色所示）

3.2 实验结果

通过地面标志物解算出检查点的同名点，将其坐标进行比较，输出检测指标结果如表1、表2。

表1 高清区点坐标误差概率分布/%

表2 低清区点坐标误差概率分布/%

高清区共有52个检查点，中误差：X方向为10．0 cm，Y方向为12．85 cm，Z方向为6．81 cm；误差概率分布情况：水平方向上X和Y误差分布情况相同，误差绝对值小于σ有37个点，位于σ和2σ之间有14 个点，位于2σ和3σ之间有1个点；Z轴方向上误差绝对值小于σ的有32个点，σ和2σ之间有18个点，2σ和3σ之间有2个点。

低清区共有56个检查点，中误差：X方向为18．0 cm，Y方向为21．65 cm，Z方向为15．43 cm；误差分布情况：水平方向上X和Y的误差分布情况相同，误差绝对值小于σ的有35个点，σ和2σ之间有17个点，2σ和3σ之间有4个点；Z轴方向上误差绝对值小于σ的有45个点，σ和2σ之间有18个点，2σ和3σ之间有2个点。

3.3 实验结果分析

3.3.1 点云密度差异对精度的影响

由于高清区和低清区点云密度不同，其对应点的三维坐标精度也存在差异，高清区坐标精度明显优于低清区。高清区水平中误差约为低清区的1/2，高程差异更明显，如表3。

表3 高清区与低清区点坐标精度对比/m

3.3.2 不同地表覆盖对点云精度影响

以高清区为例，分析不同地表覆盖对数据采集坐标精度的影响情况。高清区共有52个点，以Z轴为准，取2σ为极限误差，舍去2个高程误差值超过极限误差的检测点，则满足条件的点有50个。其中，21个点位于平坦区域（裸露区域），15个点所在位置具有一定的地形起伏，14个点位于植被覆盖区。裸露地区和植被覆盖区数据分析如图4。

图4 裸露区域和植被覆盖区数据分析柱状图

可以看出，植被覆盖区中误差明显比裸露区域高，在Y轴方向上表现尤为明显，这主要是由于部分区域植被覆盖密度相对较高，激光无法穿透，导致本算法获取的距离检测点最近的激光角点水平位置发生变化；而Z轴方向上裸露区域略小于植被覆盖区域，这主要是由于水平误差引起的。植被覆盖密集区点云密度为21．019 点/m2，同一区域裸露地表为13．729点/m2，植被滤除后，原植被覆盖区点云密度减小为12．866 点/m2。

3.3.3 地形起伏对点云精度影响

将平坦区域的21个点和地形起伏区域的15个点的相关数据进行比对，如图5所示。

图5 平坦区和地形起伏区数据分析折线图

可以看出，X方向上地形起伏区中误差略低于平坦区，Y轴方向上则相反，总体上差异不大。Z轴方向上地形起伏区中误差明显高出平坦区，这主要是由于地形起伏区域，激光束光斑中心与周围的高程值存在差异，导致波峰位置发生扭曲和偏移，进而影响了LiDAR系统对激光角点位置的精确计算。此外，在地形存在一定坡度的情况下，水平误差也会对高程误差有影响。

通过上述实验可知，无人机载LiDAR系统采集数据能够满足1∶500地形图的成图需求，在行业应用，尤其是电力巡线中，具有较好的应用前景。

[1] Li Qingquan，Li Bijun． Research on Laser Range Scanning and Its Application [J]． Geo-spatial Information Science, 2001, 4(1): 37-42

[2] Goodwin N R, Coops N C, Culvenor D S． Assessment of Forest Structure with Airborne LiDAR and the Effects of Platform Altitude[J]． Remote Sensing of Environment, 2006, 103(2): 140-152

[3] Baltsavias E P． A Comparison between Photogrammetry and Laser Scanning [J]． ISPRS Journal of Photogrammetry and Remote Sensing, 1999, 54(2): 83-94

[4] Cossio T, Slatton K C, Carter W, et al． Predicting Topographic and Bathymetric Measurement Performance for Low-SNR Airborne LiDAR [J]．IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(7): 2 298-2 315

[5] Jwa Y, Sohn G, Kim H B． Automatic 3D Powerline Reconstruction Using Airborne LiDAR Data[J]． IAPRS, 2009, 38(4): 105-110

[6] Kwan M P, Ransberger D M． LiDAR Assisted Emergency Response: Detection of Transport Network Obstructions Caused by Major Disasters [J]． Computers, Environment and Urban Systems, 2010, 34(3): 179-188

[7] Hecht R, Meinel G, Buchroithner M F． Estimation of Urban Green Volume Based on Single-pulse LiDAR Data [J]． IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(11): 3 832-3 840

[8] Kabolizade M，Ebadi H, Ahmadi S． An Improved Snake Model for Automatic Extraction of Buildings from Urban Aerial Images and LiDAR Data [J], Computers, Environment and Urban Systems, 2010, 34(5): 435–441

P237.3

B

1672-4623（2014）05-0025-03

10.3969/j.issn.1672-4623.2014.05.009

郑敏，硕士，研究方向为机载激光雷达数据处理与应用。

2013-10-25。

项目来源：国家自然科学基金资助项目（41171289）；国家科技支撑计划资助项目(2012BAH34B02)；海洋公益性行业科研专项经费资助项目（2013418025-6）；湖北省电力公司资助项目（201221506）。