面向地面点识别的机载LiDAR点云分割方法研究

杨 娜, 秦志远,晏耀华, 周 莎

(1.信息工程大学 地理空间信息学院, 河南 郑州 450052；2.61206部队，辽宁 大连 116023; 3.61287部队，四川 成都 610036)

面向地面点识别的机载LiDAR点云分割方法研究

杨 娜1,2, 秦志远1,晏耀华2, 周 莎3

(1.信息工程大学 地理空间信息学院, 河南 郑州 450052；2.61206部队，辽宁 大连 116023; 3.61287部队，四川 成都 610036)

提出一种面向地面目标识别的机载LiDAR点云分割方法。方法首先求每个激光脚点的法向量和残差，由此确定种子点和种子平面；然后对种子点进行区域生长，生长的过程中以邻接点到种子平面的距离和邻接点与种子点的法向量角度差作为相似性的度量标准；当全部的扫描点都被划分，则算法终止。实验表明，文中提出的分割方法，对于城区区域和农村区域的地面目标有很好的识别效果。

机载LiDAR；点云分割；特征值；法向量；面向对象点云分析

机载激光雷达(LiDAR)测量技术是一种全新的测量手段，其新颖既表现在其获取数据的原理和方式不同，又表现在其获取数据的组织方式和表达手段也区别于已有的其他测量手段。机载激光LiDAR系统会获取一系列的离散点，因为这些离散点成星云状密集分布，所以形象的称为激光点云。激光点云这种成果，既不同于经典的摄影测量获取的光学影像，又不同于SAR获取的经过成像处理的复数数据，是一种新的表现形式。因此，如何组织、管理点云数据，以更有利于后续的信息提取、目标识别和重建，是一个亟待解决的问题。

目前，处理点云时通常采用两种处理方式：基于点的和基于对象的。基于点的处理方式将点云单纯看作单点的集合，逐一处理完毕则整个数据集处理完毕；基于对象的处理方式首先利用三维点的共面(平面和光滑曲面)的特性将点云分割为一系列的图斑，然后采用面向对象的方法进行点云数据的处理。由于采用面向对象的方式处理点云，可以利用更多的特征和先验知识，正在日益受到重视[1]，而这种处理方式的第一步就是点云分割。点云分割是一个点云数据的标记过程，经过标记后，属性相同或相近、且空间近邻的点被划分为一类。即，将三维空间中的点划分成更小的、连贯和连接的子集的过程。这些点的子集应该是“有意义的”，分割后应该得到一系列我们感兴趣的对象，如屋顶面片、街道、墙面等。过去十几年学者们提出了众多点云分割算法。根据其所采用的数学方法，现有的分割算法分为基于边缘检测、基于扫描线的、基于聚类的、基于图的、基于区域生长的多种方法集成的分割方法[2]。通过已有的文献分析和应用情况看，目前没有通用的、普适的点云分割方法，分割方法与场景复杂度、点云密度、地物尺度等因素密切相关，另外，与待提取的地物类别也有密切的关系。Wang和Tseng[3]提出的点云分割方法用于提取机载LiDAR点云中的平面；Chen等[4]提出点云分割方法是面向机载LiDAR点云中建筑物屋顶面片提取的。但目前还没有专门针对机载LiDAR点云中地面点提取的分割方法。地面点本身具有自己的特殊性，在城市和农村居民点内部，地面局部平坦，可以近似地看做平面；而自然地形，如果不考虑断裂地形，局部地面一般呈现连续光滑的形态。地面这种特殊的形态对点云分割方法提出了更高的要求。基于此，本文基于法向量和距离两个特征，提出面向地面识别的点云分割方法。

1 基于法向量和距离特征的点云分割方法

首先求出每个激光脚点的法向量和残差，由此确定种子点和种子平面；然后，对种子点进行区域生长，生长的过程中以邻接点到种子平面的距离和邻接点与种子点的法向量角度差作为相似性的度量标准；当全部的扫描点都被划分，则算法终止。基于上述原理可知，本文的点云分割包括两个主要的步骤：①法向量和残差估计；②区域生长。流程见图1。该方法中有3个关键的参数：邻近点个数、法向量间角度差异阈值和距离阈值。其中，邻近点用于求取当前点的法向量，邻近点的个数控制着法向量的尺度；法向量间角度差异阈值、距离阈值分别控制着邻接点与种子点的法向量角度差、邻接点到种子平面的距离两个相似性的度量。这3个参数需要预先输入。该点云分割称为平面生长方法。

图1 点云分割方法的技术流程

1.1 法向量和残差估计

点云数据中，任意一点的法向量定义为该点及其一定数量的K个最邻近点确定的平面的法向量。任何一点的K个最邻近点可以通过KD-树[5]这种空间索引的方法求取。同时，三维空间中一定数量的离散点确定的平面可以由特征值法[6]确定。基于KD-树空间索引方法和特征值法平面拟合的原理，法向量和残差估计的具体过程包括：

1)建立给定的点云数据的KD-树空间索引；

2)对以点云数据的每一点，逐一利用KD-树空间索引求取其K个最临近点，K的取值由用户输入，默认值为20；

3)对于每一点及其K个最临近点，利用特征值法求取其拟合平面的方程，即确定每一点的法向量及其残差。

1.2 区域生长

该生长过程与传统的基于图像的区域生长极其相似。两者都包含两个必要的因素，邻接关系的确定和相似性的度量。邻接关系由KD-树确定，相似性的度量包括邻接点到种子平面的距离和邻接点与种子点的法向量角度差两个特征。该区域生长的具体过程包括：

1)输入法向量间角度差异阈值θ，默认值为10°。角度差异阈值θ的使用规则如下：对于当前要扩张的种子点，利用KD-树求取其某一邻接点作为待处理的点。设当前种子点的法向量为φi，待处理的邻接点的法向量为φj。如果待处理的邻接点与种子点之间法向量的点积‖φiφj‖小于阈值cosθ，则将此点加入到种子点队列中，并作为新的种子点，继续判别其他的未处理的点；否则，跳过该点，处理其他的未处理的点。

2)输入给定距离阈值Δd，默认值为0.1m。如果待处理的邻接点到种子点确定的种子平面的距离小于阈值Δd，则将此点加入到种子点队列中，并作为新的种子点，继续判别其他的未处理的点；否则，跳过该点，处理其他的未处理的点。

3)检查未被标号的点的数量。如果数量为0，则到步骤7)；否则，对于未被分割的点，求残差λ最小的点。以残差λ最小的点为种子点，将该点压入一个种子点的队列，开始进行区域生长。

4)生长的过程中，取种子点队列中第一个尚未被处理过的种子点，利用KD-树求取该种子点的K个最邻近点。

5)对于每一个邻近点，逐一进行判别。如果该点已经在种子点的队列中，则不予以处理；否则，分别按照法向量间角度差异和距离差异进行相似性的判别。注意，衡量相似差异的时候，基准点是当前待生长的种子点。

6)回到步骤4)，检查种子点队列中是否有未被处理的点。如果有，则重新进入步骤5)；否则，将种子点队列中的点标为相同的标号，且该标号与已有的标号不同；然后，返回步骤3)。

7)结束分割。

2 实验和分析

为了验证上述分割方法，将选择两个不同场景的数据进行分割实验，并将通过目视分析的手段评价分割方法的性能。

2.1 实验数据和实验过程

实验数据的情况如下：

数据1是加拿大多伦多城区点密度约为1点/m2的激光扫描数据，数据的下载网址为http://www.cs.unc.edu/～isenburg/lastools/。数据的缩略图见图2。数据宽度和高度均为250.00 m，高差为123.82 m。该区域地面比较平坦，街道比较笔直，路面上分布着零星的车辆，道路两旁分布着零星的树木，建筑物的类型复杂多样。建筑物的大小不一，建筑物的外轮廓形状有的呈规则的矩形、圆形，有的呈不规则的多边形。建筑物的层数也有变化，有的为单层建筑物，有的为多层建筑物。屋顶的构型也形式多样，有平顶、四坡型、球型和圆锥型等。

数据2是我国天津市某农村地区点密度约为1点/m2的激光扫描数据，数据由天津市星际空间地理信息工程有限公司提供。数据的示意图见图3。该数据宽度和高度分别为553.19 m和470.95m，高差为84.26 m。该区域属于丘陵地貌，整体上，从左上角到右下角呈阶梯状分布。点云数据的上部和右下部分布着梯田，田块内的田垄清晰可辨；中部偏左下角零星分布着低矮的建筑物，建筑物的形状比较规则，其外轮廓呈矩形，屋顶属于平顶或者人字型；在建筑物之间和斜坡上分布着密集的低矮植被。

图2 多伦多城区的点云数据分割

图3 天津农村地区的点云数据分割

2.2 结果和评价

点云数据分割是一项与数据本身的特点和应用领域密切相关的工作，如何评价点云数据的分割效果，是一个亟待解决的难题。目前，尚无统一的定性和定量的评价指标。本文通过目视分析的手段进行定性的评价。本文提出云分割算法的目的是将点云数据中空间上邻接且共平面的点聚为一类，而空间上分离或者空间上邻接且不共平面的点聚为不同的类。因此，通过目视评价点云分割效果的共面性评鉴算法的性能。点云数据的分割参数设置见表1。

表1 点云数据分割参数设置

两个场景点云数据的分割结果分别如下：

第1个场景点云分割后，地面与城市建筑物、车辆、植被分割到不同的面片，且各类地物之间的混分的现象基本不存在。对于地面而言，地面被聚为一个面片，这符合该城市景观的事实：整个街区的地面平坦且互相连通，如图2(b)所示。可见，使用本文的分割方法对地面起到了很好的识别效果。

第2个场景点云分割后，与第1场景的结果相似，地面与农村房屋、植被分割到不同的面片，且各类地物之间混分的现象基本不存在，如图3(b)所示。地面点被主要聚为3个面片：连通的整个地面面片和斜坡上的地面面片、被树木和建筑物环绕的地面面片，这也符合该场景的地形特征，如图3(b)所示。可见，使用本文的分割方法也对地面起到了很好的识别效果。

综上所述，通过上述实验和分析，可以得到下述结论：从点云可视化和目视解译的角度分析，点云分割为点云数据的可视化和目视解译提供了一种新的特征。按分割后的图斑着色的点云数据与按高程着色的点云数据相比，其纹理性更强，使点云数据具有了影像的某些特征，其信息量更大，目视效果更好。

3 结束语

本文提出了一种面向地面目标识别的点云分割方法。点云分割过程中，使用KD-树快速获取空间上邻近的点，使用特征值法拟合点云形成的平面并求点的法向量和拟合残差，区域生长过程中使用邻接点到种子平面的距离和邻接点与种子点的法向量角度差两个特征进行相似性的度量。实验表明，本文提出的点云分割方法，无论对于城区区域还是森林地区，对其中的地面目标的分割、识别效果很好。

[1]VOSSELMAN G, KLEIN R. Visualisation and structuring of point clouds[Z]. In: Airborne and Terrestrial Laser Scanning. Vosselman, G. and Maas, H.-G. (Eds.), Whittles Publishing, 2010:43-79.

[2]刘进, 武仲科, 周明全. 点云模型分割及应用技术综述[J]. 计算机科学, 2011,38(4): 21-24.

[3]WANG M, TSENG Y H. Automatic segmentation of LiDAR data into coplanar point clusters using an octree-based split-and-merge algorithm[Z]. Photogrammetric Engineering and Remote Sensing, 2010,76(4):407-420.

[4]DONG CHEN, LIQIANG ZHANG, JONATHAN LI, et al. Urban building roof segmentation from airborne lidar point clouds[Z]. International Journal of Remote Sensing, 2012,33:20,6497-6515

[5]ARYA S, MOUNT D M, NETANYAHU N S, et al. An optimal algorithm for approximate nearest neighbor searching in fixed dimensions[J]. Journal of the ACM, 1998, 45: 891-923.

[6]RABBANI T. Automatic Reconstruction of Industrial Installations Using Point Clouds and Images[D]. 2006, NCG, Nederlandse Commissie voor Geodesie, Netherlands Geodetic Commission, Delft, The Netherlands.

[责任编辑：刘文霞]

An airborne LiDAR point cloud segmentation method for recognizing the ground measurments

YANG Na1，2, QIN Zhi-yuan1, YAN Yao-hua2,ZHOU Sha3

(1.Institute of geospatial information, Information Engineering University, Zhengzhou 450052, China; 2.Troops 61206, Dalian 116023，China; 3.Troops 61287, Chengdu 610036，China)

A region-growing-based airborne LiDAR point cloud segmentation method is proposed to extract the ground measurements in the point clouds. Particularly, the normal and residual for each point is estimated by fitting a plane to some neighboring points, and the seed points and seed planes are determined by the above two features. The region growing process is performed from the seed points, where the distance between the neighbors to the current seed plane and the angle difference between the normal of the current seed and its neighbors are the two criterion for judging the similarity. The experiments show that the proposed method is capable of better recognizing the ground measurements for both the urban regions and the natural regions.

airborne LiDAR; point cloud segmentation; eigenvalue; normal; object-based point cloud analysis

2013-09-13

杨 娜(1976-)，女，工程师，博士研究生.

P237

：A

：1006-7949(2014)10-0018-05