全景移动测量系统辅助下行道树的自动化提取

马小伟，高 磊，李义宏，冉 磊，龚书林，熊建华，雷月敏

(1. 昆明市测绘研究院，云南 昆明 650093；2. 云南省测绘工程院，云南 昆明 650033；3. 武汉海达数云技术有限公司，湖北 武汉 430223)

中海达·开启智时代

全景移动测量系统辅助下行道树的自动化提取

马小伟1，高 磊1，李义宏2，冉 磊1，龚书林3，熊建华1，雷月敏3

(1. 昆明市测绘研究院，云南 昆明 650093；2. 云南省测绘工程院，云南 昆明 650033；3. 武汉海达数云技术有限公司，湖北 武汉 430223)

在当今信息化社会，传统测绘作业方式已经不能满足大数据快速更新的需求。为了更高效地获取基础信息数据及降低传统作业成本，笔者所在单位引进全景移动测量系统进行智慧城市基础地理信息数据采集和信息化专题数据提取的研究。

为全面、准确地掌握城区园林绿地资料，更好地反映当前城区绿化水平，推进园林绿化管理工作走向科学化、规范化、数字化，开展了城区绿地普查测量工作。现阶段大多都采用全站仪、RTK方式进行测量采集，再结合人工调查方式进行遗漏检查和属性调绘。该种方式外业作业劳动强度大，效率低，不能实现城市专题数据的快速提取、更新。

全景激光移动测量系统可以在快速行驶过程中采集道路两边三维激光点云和全景影像数据，随着全景激光移动测量方式的发展和推广应用，可以解决沿道路两旁行道树数据的快速获取问题，再通过内业自动化及人工交互作业方式，快速提取城市园林专题矢量要素，大大降低外业作业劳动强度，同时降低生产成本。

本文通过全景移动测量系统采集的高精度高密度三维激光点云和高分辨率全景影像，研究自动化提取行道树数据。

1 海量点云数据存储设计

研究采用的全景移动测量系统采集的点云具有高精度和高密度特点，为快速加载浏览显示点云，需要采用高效的数据存储格式。引用全景移动测量系统配套软件中所设计点云存储格式来进行描述说明。

1.1 点云数据存储

全景移动测量系统采集点云频率是100万点/s，按照50 km/h的速度进行采集，10 km点云有效数据大约为6 GB。高密度、高精度海量点云数据如何有效存储，实现快速加载显示，成为至关重要的问题。

本研究所使用的点云测图软件，点云存储的基本原则是采用分级分块，每个级别对应一个显示比例尺范围，一个级别内部采用3级三维R树索引，将点云三维空间划分成块集、块、包，一个块集包含若干块，一个块包含若干包，每个包采用逻辑压缩和物理压缩方法对数据进行压缩存储(如图1所示)。对于大规模测区、地区城市级点云数据，采用云存储方式，将点云索引和分块点云数据存储在云存储服务器上。数据存储总体结构如图2所示。

(1) 每一级内部包括3级索引：块集、块、包。

(2) 块编号从左到右，从下到上，从低到高。

(3) 分块规则包括2×2×2，4×4×4，8×8×8，…，块集边长默认64。

(4) 3级索引分块均衡划分，按每个数据包1～2万点左右切割划分。如果块集数据大于2万则切割块，切割块后块数据大于2万则切割数据包，直至最终数据包点云数量小于2万；如果块集、块数据点云小于2万，则不进行切割划分。

图2 数据存储总体结构

切割完成后形成的数据存储总体结构如下：

(1) 数据整体由若干级别构成，从低到高，0级是最详细的原始数据，上一级由下一级数据抽希构成，每一级别对应不同显示比例尺。

(2) 坐标、强度、时间信息合并存储，颜色、分类作为单独可选信息存储。

(3) 按级别顺序存储，0,1,…,n。

(4) 每一级别按坐标、强度、时间顺序存储。

(5) 坐标、强度、时间、颜色、分类属性，采用逻辑压缩和物理压缩方法，进行压缩存储。

1.2 点云数据读取显示效率

基于以上点云存储设计思路，在普通PC机(i3处理器，内存4 GB)上，点云测图软件可以实现100亿级点云数据的快速加载显示，加载显示响应时间小于1 s，放大、缩小、漫游无卡顿现象，刷新响应时间小于1 s，平均占用内存不超过200 MB。

点云高效的空间索引组织方式是自动化分类算法快速分析提取的基础，本文研究的基于车载激光点云自动化提取行道树，使用点云空间索引进行点云数据读取。

2 自动化提取行道树算法

2.1 算法分析步骤

行道树特征是沿道路两旁分布，位于靠近慢车道的人行道上或绿化隔离带中，树包含树干、树冠部分，树干近圆柱状，树冠是沿树干成发散状，不同道路路段宽度、人行道绿化带有差异，程序可按路段进行参数化设置进行提取，如图3所示。其提取分析算法步骤如下：

(1) 读取激光扫描头POS轨迹线，以POS轨迹线进行左右缓冲(缓冲距离可配置)，得到分析范围。

(2) 将点云三维空间进行规则平面网格划分(默认网格大小3 m×3 m，根据行道树间距情况进行配置)，根据空间关系进行判断，保留POS缓冲范围的网格(缓冲宽度可以根据路段情况配置)。

(3) 遍历目标范围网格，依次查询读取每个网格范围内点云，将点云按Z方向从低到高等距离(0.5 m)切割划分格网内点。

(4) 对格网内部切割划分的点云进行特征分析，底部块点云判断是否符合人行道路面及树根特征、中间1个以上切割柱体符合树干特征、顶部向下1个以上切割柱体符合树冠发散特征的，可认为是行道树。

(5) 使用中间包含树干部分的切割柱体的点云，进行5cm断面切割，对切割点云进行平面投影，拟合获取平面坐标位置和树干直径。

图3 行道树自动化提取

2.2 算法提取准确率

使用本算法分析提取两份试验数据，结果见表1、表2。

表1 第1份车载Z+F激光点云数据准确率

表2 第2份车载Z+F激光点云数据准确率

使用程序自动化分析提取结合手工检查，比纯手工提取提高40%以上内业处理效率。

3 结束语

本文使用全景移动测量系统，集成GPS+IMU、三维激光扫描仪、全景相机、同步控制器等多种传感器，对城市道路数据进行外业采集，内业基于点云自动化提取行道树，结合手工进行检查修改，减轻了传统测量外业采集工作量，提高了工作效率。通过试验区采集处理对比验证，可以大幅度提高生产效率，为城市专题图数据生产更新，提供更便捷有效的解决方案。

(本专栏由中海达和本刊编辑部共同主办)