基于LiDAR点云的建筑物检测方法研究

欧阳君， 王树根*， 陈 奇， 康一飞， 孙明伟

(1.武汉大学 遥感信息工程学院， 武汉 430079； 2.中国地质大学(武汉) 信息工程学院， 武汉 430074)

基于LiDAR点云的建筑物检测方法研究

欧阳君1， 王树根1*， 陈 奇2， 康一飞1， 孙明伟1

(1.武汉大学 遥感信息工程学院， 武汉 430079； 2.中国地质大学(武汉) 信息工程学院， 武汉 430074)

提出了一种基于三角面元的LiDAR数据建筑物检测方法.首先对点云数据构建不规则三角网，然后根据三角面元的特征信息对其进行分类，接着利用面元之间的邻接关系对其进行聚类，最后对聚类点云进行跟踪得到建筑物的轮廓.以国际摄影测量与遥感学会(ISPRS)提供的城区LiDAR点云为实验数据进行建筑物检测试验.与以点云或分割块为处理基元的检测方法相比，该方法能够更加准确地提取建筑物轮廓，正确率可达96%，完整率可达85%.

LiDAR； 建筑物检测； 不规则三角网

建筑物是城市场景的重要组成部分，也是摄影测量、地理空间信息领域主要研究对象之一.从高分辨率影像中检测建筑物的研究已经开展多年，建筑物结构和分布的多样性，给基于影像的自动检测工作带来了不小的困难[1].近年来，LiDAR技术逐步成为城市三维信息获取的主要手段，它能够更迅速、精确地获取目标表面的三维坐标[2]，为建筑物的检测提供了新的方向，引起了越来越多学者的积极关注.Lodha等[3]直接从离散点云数据中提取特征，对其进行支持向量机(SVM)分类；杜娜娜等[4]基于决策树的方法，通过对点云数据进行分割来提取LiDAR点云中的建筑物等地物；Gerke等[5]采用RT分类器在影像辅助下对分割后的LiDAR点云进行分类.当前基于LiDAR数据的建筑物检测算法中，大多数是以点或分割块为分类基元.以点作为分类基元，则无法充分利用法向量、粗糙度等信息，得到的分类结果准确度较低，当点云分辨率较低时，这一缺点尤其明显；以分割块作为分类基元，得到的分类结果准确度较高，但它十分依赖于良好的点云分割结果，在实际生产中难以自动化实现.

针对上述问题，提出了一种基于三角面元的建筑物检测方法，该方法以不规则三角网(TIN)中的三角面元为处理基元，能充分地利用点云数据的细节信息，准确地从中提取建筑物的屋顶轮廓.

1基于三角面元的建筑物检测

图1表示基于LiDAR点云进行建筑物检测时使用不同的分类基元，其中1(a)、1(b)和1(c)分别表示以点云、分割块和三角面元为分类基元.从图中可以看出，以三角面元作为处理基元进行分类，具有一定的优势：与直接使用点云相比，三角面元更好地利用了周围点云的特征信息，在信息量较多的情况下分类错误的概率会更低；与使用分割块相比，三角面元不依赖于分割的效果，且更能反映原始地物的真实细节.

图1 不同分类基元示意图Fig.1 Diagram of classification based on different primitives

鉴于此，本文提出一种以三角面元为处理基元的建筑物检测方法：首先对LiDAR点云数据建立不规则三角网，然后以三角面元作为处理基元，对其进行SVM分类，接着利用三角面元的邻接关系对分类结果进行聚类，最后使用Alpha Shapes算法对聚类点云进行跟踪，得到建筑物的轮廓.其算法流程如图2.

图2 算法流程图Fig.2 Flow chart of the proposed algorithm

1.1三角面元特征空间构建

Delaunay三角剖分是普遍采用的构建TIN的一种方法，Tsai根据实现过程，把Delaunay三角网的各种生成算法分为3类：逐点插入法、三角网生长法、分裂-归并法[6].其中，分裂-归并法有着效率高、稳定性强的优点[7]，因此本文采用分裂-归并法构建Delaunay三角网.

生成三角网后，需要为三角面元构建特征空间.特征的选择对后续的分类结果有着很大的影响，能否准确的选择出有效区分建筑物与非建筑物之间的特征，密切关系到算法的分类精度.本文研究分析建筑物目标在现实场景中的特点以及三角面元的一些特性，选择以下3种特征：距地高度、法向量方向和粗糙度作为SVM的输入特征.

图3为3种特征的示意图，其中图3(a)为三角面元的距地高度，此特征可用于区分建筑物屋顶和地面，由原始LiDAR数据与LiDAR数据滤波处理后得到的DEM数据做差得到；图3(b)为三角面元的法向量方向，可用于区分屋顶和墙壁；图3(c)为三角面元的粗糙度，可用于区分建筑物和植被，将三角面元及其邻接三角面元的顶点构成离散点集拟合平面得到粗糙度，其公式为：

(1)

式中，di为离散点集与拟合平面间的距离，粗糙度R即为平均距离.

图3 三角面元特征Fig.3 Features of triangle primitives

1.2基于SVM的三角面元分类

支持向量机是Vapnik等人于1995年提出的一种通用机器学习方法[8]，相比于神经网络、决策树等传统的机器学习方法，SVM建立在结构风险最小原则之上，能根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳平衡点，降低分类误差风险[9]，所以本文选择了SVM算法对三角面元进行分类.

SVM是一种监督分类方法，分类过程中不需要人工给出三种特征的阈值，仅需要选定足够数目的样本进行训练得到分类器模型即可实现自动分类.因此实施时需要首先从试验数据中选取一部分进行人工解译作为训练样本，将训练样本的上述三个特征以及样本类别一起输入训练器进行训练，根据特征的重要程度给予不同的权重，得到一个非线性映射的分类器模型.然后基于训练得到的分类器模型对剩余数据进行自动分类.所有参与分类的三角面元将被自动检测为建筑物(仅屋顶部分)和非建筑物两个类别.

1.3基于三角邻接关系的三角面元聚类

将所有三角面元分为建筑物和非建筑物两类后，需要进一步利用三角面元之间的邻接关系，对这些三角面元进行聚类，将位于同一房屋的三角面元聚合到一起，进而将不同建筑物分开.具体做法是：

1)面片生成.遍历所有建筑物三角面元，将相邻的三角面元聚集成小面片.对于三角面元Ti及其相邻的三个三角面元Ti1、Ti2和Ti3，若Ti、Ti1、Ti2、Ti3已经有了归属的面片号，则找到其中序号最小的三角面元所归属的面片Pj，将四个三角面元都存入面片Pj；若均没有面片号，则将四个三角面元都存入新的面片Pi；

2)面片合并.遍历生成的面片，将具有邻接关系的面片合并到同一个对象中，一个对象即可初步认定为一栋建筑物.对于面片Pi，记下与其有邻接关系的对象的序号O:{O1，O2，…，On}，对象全部遍历过后，将面片Pi和这些对象并入同一个对象中；若不存在对象与面片有邻接关系，则将面片Pi存入新的对象中.

3)去除小面积噪声点，将三角面元个数少于100的对象去除，减小算法对与建筑物等高的植被的误判.

图4 基于三角邻接关系的聚类Fig.4 Cluster result based on triangle adjacency

图4(a)表示面片生成后的结果，可以看出分类后的建筑物三角面元已经聚集成小面片；图4(b)表示面片合并后的结果，相邻的小面片合并成为独立的对象；图4(c)表示去除小面积噪声后的结果，其中植被等误判被去除.

1.4建筑物轮廓提取

Alpha Shapes算法能够对一系列无序点进行几何形状的重建，由唯一的参数α决定重建的结果[10].Alpha Shapes提取轮廓线的原理非常简单，如图5所示：假设有一个半径为α的圆在点集边缘滚动，当α足够大时，这个圆就不会滚到点集内部，而其在滚动过程中的痕迹则构成了点集的边界线.参数α的选取在很大程度上决定提取出的轮廓形态：α取值过大，则可能导致凹多边形的轮廓钝化；α取值过小，则可能导致点集提取出不当的子轮廓线.

图5 Alpha Shapes算法提取离散点轮廓Fig.5 Outline of discrete points extracted by Alpha Shapes algorithm

2实验与分析

2.1实验数据

本文采用的实验数据为ISPRS提供的位于德国Vaihingen地区的LiDAR点云数据.如图6所示，其中图6(a)为训练数据，将点云人工分类为建筑物与非建筑物两类，其中红色为建筑物，白色为非建筑物，图6(b)和6(c)分别为其对应的影像和建筑物真值位置图；图6(d)为测试数据，点云类别未知，图6(e)和图6(f)分别为其对应的影像和建筑物真值位置图.

图6 实验数据Fig.6 Experimental data

2.2结果评价

评价本文提出的基于三角面元的建筑物检测结果如图7所示.

图7 建筑物检测结果Fig.7 Building detection results

图7(a)为对三角面元执行SVM分类后得到的结果，其中红色为建筑物，绿色为非建筑物；图7(b)为三角面元的聚类结果，不同颜色代表着不同的建筑物，可以看出，属于相同房屋的三角面元被准确地聚合到一起；图7(c)为建筑物轮廓提取的结果，可以看出，大多数建筑物轮廓被准确提取出来，且边缘较为平滑，在点云聚类结果中的细小的空洞处，也不会生成内轮廓.

同时，选取ISPRS公布的两种算法的实验结果作对比，图8为三种算法检测结果与真值进行比较后生成评价效果图，其中黄色表示正确检测的点，红色表示错误检测的点，蓝色表示遗漏检测的点.算法UTMA为L. Feng提出的以点云为处理基元的建筑物检测算法，其评价效果图为图8(a)；算法TON为Liu Chun提出的以分割块为处理基元的建筑物检测算法，其评价效果图为图8(b)；图8(c)为本文算法的评价效果图.

图8 建筑物检测评价效果对比图Fig.8 Comparison of building detection results

从图中可以看出：在建筑物的边缘点云分辨率较低，周围特征信息较少，使UTMA算法存在较多误检；实验数据区域同一建筑物屋顶存在高低不一致的情况，给分割算法造成较大的阻碍，导致TON算法存在大量漏检；而本文提出的基于三角面元的检测算法能够更加充分地利用周围的特征信息，且能更加清晰地反映建筑物细小结构，很少产生误检，尤其在建筑物的边缘，同时尽可能地保证低矮建筑物检测结果的完整性，减少漏检.

此外，为了评价检测结果的精度，本文选用了三种定量指标对建筑物检测结果进行定量评价，分别是完整率(Completeness)、正确率(Correctness)和质量(Quality).这3种指标中，完整率表示目标建筑物的检测完整程度，正确率表示所有检测结果中正确部分所占的比例，质量代表了检测结果的整体水平.具体公式如下：

(2)

(3)

(4)

式中，TP为正确检测像素总数；FP为错误检测像素总数；FN为遗漏检测像素总数指标.3种算法在测试区域的评价结果如表1所示，从表中可以看出，本文算法在正确率和质量两项指标上均优于其他两种算法，本文算法的特点主要在于能够保证较高正确率的前提下保证一定的完整率，同时质量指标高于80%，可满足实际生产操作的需求.

表1 建筑物检测评价结果

3结论

针对基于LiDAR数据的建筑物检测问题，本文提出了一种以三角面元为处理基元的检测算法，该方法克服了传统的以点云或分割块为处理基元的相关算法的缺陷，充分利用了周围点云的特征信息，实现了建筑物轮廓的准确提取，且算法实现方便，自动化程度高，对实际生产及相关研究都有着一定意义.

以ISPRS提供的城区LiDAR点云为实验数据，实验结果验证了本文算法的可行性和优势.另一方面，本文方法还有些方面需要完善，在SVM中可考虑更多的特征，比如三角面元内各脚点的强度信息等，后期将针对此问题进行深入研究.

[1] BIGDELI B， SAMADZADEGAN F. Classification of LiDAR data based on Multi-class SVM[G]. Isprs Proceeding of Canadian Geomatics Conference， 2010．

[2] 赖旭东. 机载激光雷达基础原理与应用[M]. 北京: 电子工业出版社， 2010．

[3] LODHA S K， KREPS E J， HELMBOLD D P， et al. Aerial LiDAR Data Classification Using Support Vector Machines (SVM)[C]//International Symposium on 3d Data Processing， Visualization， and Transmission. IEEE Computer Society， 2006： 567-574．

[4] 杜娜娜， 彭军还. 基于决策树的机载LiDAR点云数据分类[J]. 测绘科学， 2013， 38(3):118-120．

[5] GERKE M， XIAO J. Fusion of airborne laserscanning point clouds and images for supervised and unsupervised scene classification[J]. ISPRS Journal of Photogrammetry & Remote Sensing， 2014， 87(1):78-92．

[6] VICTOR J D， TSA I. Delaunay triangulations in TIN creation: an overview and a Linear-Time algorithm.[J]. Geographical Information Systems， 1993， 7(6):501-524.

[7] 武晓波， 王世新， 肖春生. Delaunay三角网的生成算法研究[J]. 测绘学报， 1999， 28(1):28-35．

[8] CORTES C， VAPNIK V. Support-Vector Networks[J]. Machine Learning， 1995， 20(3):273-297．

[9] 许建华， 张学工， 译. 统计学习理论[M]. 北京: 电子工业出版社， 2004．

[10] EDELSBRUNNER H. Three-dimensional alpha shapes[J]. Acm Transactions on Graphics， 1994， 13(1):43-72．

Study on building extraction with LiDAR point cloud

OUYANG Jun1， WANG Shugen1， Chen Qi2， KANG Yifei1， SUN Mingwei1

(1.School of Remote Sensing and Information Engineering， Wuhan University， Wuhan 430079;2.Faculty of Information Engineering， China University of Geosciences (Wuhan)， Wuhan 430074 )

A building detection method based on triangle primitives is proposed. Firstly， TIN is built using the LiDAR point cloud data. Secondly， triangular primitives are classified based on their characteristics. And then， the classified triangular primitives are clustered based on their adjacency. Finally， the clustered point cloud are traced to get the building outline. The proposed method is validated on LiDAR point cloud data of urban area provided by International Society for Photogrammetry and Remote Sensing (ISPRS). Comparing with building detection methods that using point cloud or segmented blocks as primitive， the proposed method is able to extract building outlines more accurately， with correctness up to 96%， and completeness up to 85%．

LiDAR; building detection; triangle irregular network

2016-12-15.

中国博士后科学基金项目(2016M590730)；国家自然科学基金项目(41601506)；国家973计划资助项目(2012CB719904).

1000-1190(2017)03-0402-05

P23

A

*通讯联系人. E-mail: wangsg@whu.edu.cn.