一种基于机载LiDAR点云的林间道路提取方法

胡澄宇，汪仁银，张金花，赵鸿彬，陈 锐

(1.四川水利职业技术学院，四川 成都 611230;2.四川省第三测绘工程院，四川 成都 610500;3.西南交通大学 地球科学与环境工程学院，四川 成都 611756)

引用著录：胡澄宇，汪仁银，张金花，等.一种基于机载LiDAR点云的林间道路提取方法[J].测绘工程，2017，26(12)：60-63，75.

DOI:10.19349/j.cnki.issn1006-7949.2017.12.012

一种基于机载LiDAR点云的林间道路提取方法

胡澄宇1，汪仁银1，张金花2，赵鸿彬3，陈 锐1

(1.四川水利职业技术学院，四川 成都 611230;2.四川省第三测绘工程院，四川 成都 610500;3.西南交通大学 地球科学与环境工程学院，四川 成都 611756)

基于林间道路的形态特征和支持向量机原理(SVM)，提出一种从机载LiDAR点云数据中提取林间道路的方法。首先，选取末次回波去噪、栅格化，生成数字表面模型(DSM)和强度信息模型(DIM)；然后，通过支持向量机对坡度信息进行分类，得到道路潜在区域；再对道路潜在区域进行强度信息的分类，得到含有少量噪声的初始道路区域；最后，利用形态参数对初始道路区域进行去噪、精化，得出最终道路区域。实验证明，该方法能较好地提取出道路区域。

机载LiDAR；林间道路；分类提取；SVM

森林道路是人类交通的重要组成部分，在人类对森林的管理中起着重要的作用，林间道路的数据采集对于车辆导航、火灾抢险、林业研究、地籍管理、GIS数据库更新等是必不可少的数据源。机载激光雷达(light detection and ranging，LiDAR) 能穿透部分树木遮挡到达地面采集激光脚点的三维坐标信息，且机载LiDAR能记录激光脚点反射的强度信息。机载LiDAR提取的高精度的高程数据能够区分不同地物，且不同属性的地物在强度信息上也有着显著的区别，因此机载LiDAR可提供高精度的数据源用于快速提取林间道路[1]。

目前利用LiDAR点云数据进行提取道路的研究较为广泛，其中主要是对城市道路的提取较为常见[2-5]。曾静静(2011)等人就利用LiDAR回波信息强度标定的方法提取道路；龚亮(2011)等人采用了强度聚类对道路进行提取，上述的道路提取方法仅利用了强度信息，没有充分利用高程信息。在林间道路的研究中，White(2010)等人利用LiDAR的高程信息与GIS结合提取林间道路信息[6]；Azizi (2014)利用高程信息结合强度信息对森林道路进行提取[7]，这些方法处理过程较为复杂，且在提取林间道路之前需先进行滤波运算，滤波参数设置的影响势必会影响道路提取的精度[8]。本文基于前人研究的基础上，采用一种机器学习方法(支持向量机)直接对林间道路进行提取，提出了一种可行的林间道路的提取方法。

1 林间道路提取方法

现实中的道路具有连续、平整等特征，所以针对道路提取二分类问题及道路的强度属性、平顺性，本文采用了支持向量机(SVM)分别对强度信息与坡度信息(平顺性)进行了分类，将分类出的初始道路数据根据道路面积属性，进行面积约束剔除噪声，最后得到林间道路区域。技术流程见图1。

图1 林间道路提取的技术流程

1.1 数据预处理

将点云高程数据生成直方图，检查是否拥有粗差，若存在粗差，选择适当高差阈值对粗差进行剔除。由于点云数据的不规则离散性，故需要对点云数据进行栅格化处理。根据点云数据的范围，设定栅格尺寸，将点云区域划分成大小均匀的规则格网。栅格的高程值取落入栅格内的最小高程值，取最小高程点的反射强度代表格网的反射强度值。对于无激光脚点落入的栅格，采用临近填充的方法对其进行填充。最后得到点云区域的数字表面模型(Digital Surface Model, DSM)以及强度信息模型(Digital Intensity Model, DIM)。

计算每个格网的坡度值[9]，

(1)

(2)

(3)

其中:zi,j+1,zi,j-1,zi+1,j,zi-1,j分别表示对应行列号的内栅格的高程值。c为规则栅格的大小。得到格网坡度值后，对其进行形态学运算，以消除建筑物和部分树木坡度的影响。

1.2 基于SVM对道路信息进行分类

根据道路提取的分类需求，将点云数据分类为“道路”和“非道路”两类，且由于道路信息是混杂在点云数据当中，这样的分类问题往往是非线性的。SVM就是在两类之间寻求一个最优分类面，且能在高维度空间将非线性的分类问题转化为线性问题解决。因此，本文先对其坡度信息采用SVM进行分类，再对分类出的道路潜在区域进行强度信息的分类，最后得到初始道路数据。

1.3 道路的精化

初始道路数据中仍然存在少量离散噪声，通过形态学闭运算平滑道路边界，填补道路内部少量缺失。又由于道路具有连续性，所以道路的面积通常远大于离散噪声的面积，本文通过设置面积阈值去除噪声，得到最后的道路区域。

2 实验与结果分析

对于实验数据的选择，所选实验区域应位于植被茂密、地形起伏的林地地区。为了确保数据的有效性和普适性，实验区域不应太小，实验面积应不小于1 km2；其中应尽量包含丰富的地物信息，如树木、道路、裸露地面等信息。为了满足实验数据的要求，本文最终采用的实验数据来自美国NSF(National Science Foundation)的Open Topography Facility在Andrews Experimental Forest 和 Willamette National Forest地区的两块大小约为1 km2机载LiDAR点云数据，分别为Samp1与Samp2，平均点云密度12.23 pt/m2，Samp1中的道路蜿蜒且有分支，Samp2中的道路较直且狭长。Samp1长约1.1 km，宽约1.04 km，总点数为13 397 007 pt；Samp2长约2.58 km，宽约0.76 km，总点数为20 215 704 pt。

去除粗差后，将栅格大小设为1 m进行数据的栅格化，再对空白栅格进行临近填充，得到DSM和DIM，如图2所示。

根据LiDAR点云的正射影像图像沿着道路均匀选取少量的道路样本点，随机选取一定量非道路样本点。本文Samp1选取了122个道路点样本，道路样本点尽量位于道路内部，随机选取了4 418个非道路样本；Samp2选取了98个道路点样本，随机选取了1 018个非道路点样本。先对明显偏大的坡度予以剔除，再使用SVM对包含道路的潜在区域进行坡度分类，核函数选取径向基核(RBF)，惩罚系数C选取0.1。得到剔除了大部分噪声的道路潜在区域(见图3)，再使用SVM对该区域进行强度信息分类，核函数选取径向基核(RBF)，惩罚系数C选取10，最后得到初始道路区域(见图3)。通过样本间的交叉验证，得到SVM分类器预测精度(见表1)。

图2 DSM和DIM

%

由SVM分类器预测精度表(表1)可知，经过坡度和强度信息的分类，道路信息能被较为完整的提取出来。通过分类后的图像(图3)可知，经过两次的分类去噪，满足分类条件的噪声信息也被保留了下来，但剩余的噪声信息数量锐减，且呈离散分布的状态。综上所述，经过分类之后，虽然仍存在部分离散噪声信息，但道路信息被较为完整的保留了下来；为下一步的去噪提供了数据基础，也保证了道路提取的精度。

对上述初始道路区域进行形态学窗口为2 m的闭运算，平滑道路边界，填补道路内部少量缺失，Samp1取面积阈值100 m2将噪声去除，Samp2取面积阈值50 m2去除噪声，得到的道路区域。图4为提取的道路区域与正射影像的叠加对比。

实验结果证明，本文提出分类方法能比较准确地提取出森林区域的道路信息，完整度较高，能与实际道路较好套合；这是因为本文对道路特性的层层挖掘，并使用了效果较好机器学习理论SVM用于分类。不过本文成果中仍有少量道路中断，这可能是由于树木过于茂密，激光无法穿透所致，这在以后的研究中还值得去完善。

图3 坡度分类后的潜在区域与初始道路区域

3 结束语

本文提出了一种利用SVM对LiDAR点云数据的三维信息和强度信息进行道路信息分类的方法，利用少量道路与非道路样本信息，对道路进行提取，并利用面积阈值精化道路区域。实验表明，该方法能够较为准确、完整地提取出林间道路信息，具有一定的实用性。同时，该方法还存在着一些不足：该方法还不能完全自动化，分类参数设置还需要人工选择设置；对于该方法的实际提取精度有待进一步研究。探寻一种高精度、自适应的林间道路提取方法仍是未来研究的方向。

[1] 刘经南, 张小红. 利用激光强度信息分类激光扫描测高数据 [J]. 武汉大学学报(信息科学版), 2005, 30(3): 189-193.

[2] 曾静静, 卢秀山, 王健，等. 基于LIDAR回波信息的道路提取 [J]. 测绘科学, 2011, 36(2): 142-143.

[3] 陈卓, 马洪超, 李云帆. 结合角度纹理信息和Snake方法从LiDAR点云数据中提取道路交叉口 [J]. 国土资源遥感, 2013, 25(4): 79-84.

[4] 田茂义, 李鹏飞,俞家勇,等.格网邻域滤波在车载激光点云道路边线提取中的方法研究[J].测绘与空间地理信息,2016,39(5):8-10，16.

[5] 龚亮, 张永生, 李正国，等. 基于强度信息聚类的机载LiDAR点云道路提取 [J]. 测绘通报, 2011(9): 15-17.

[6] WHITE R A, DIETTERICK B C, MASTIN T, et al. Forest Roads Mapped Using LiDAR in Steep Forested Terrain [J]. Remote Sensing, 2010, 2(4): 1120-1141.

[7] AZIZI Z, NAJAFI A, SADEGHIAN S. Forest Road Detection Using LiDAR Data [J]. Journal of Forestry Research, 2014, 25(4): 975-980.

[8] PINGEL T J, CLARKE K C, MCBRIDE W A. An improved simple morphological filter for the terrain classification of airborne LIDAR data [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 77:21-30.

[9] 李峰, 崔希民, 袁德宝，等. 改进坡度的LiDAR点云形态学滤波算法 [J]. 大地测量与地球动力学, 2012, 32(5): 128-132.

[责任编辑：李铭娜]

ForestroadextractionbasedonairborneLiDAR

HU Chengyu1, WANG Renyin1,ZHANG Jinhua2,ZHAO Hongbin3, CHEN Rui1

(1.Sichuan Water Conservancy Vocational College, Chengdu 611230,China;2.The Third Surveying and Mapping Engineering Institute of Sichuan, Chengdu 610500,China;3.School of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611756,China)

Based on morphological features of forest road and support vector machine(SVM), this paper develops a classification method for forest road extraction from LiDAR point clouds. First, it deletes the outliers and generates the digital surface model (DSM) and digital intensity models(DIM). Next, it extracts the road with slope by support vector machine, for which a potential road area can be obtained. Then, it classifies the intensity of the potential road area by support vector machine, for which the initial road area with a few noises is generated. Finally, it smoothes the edge and controls the area size, for which the road points can be extracted. The experiment shows that the proposed algorithm can extract the road points cloud well.

airborne LiDAR; forest road; extraction; SVM

P237

A

1006-7949(2017)12-0060-04

2016-09-02

测绘地理信息公益性行业科研专项经费(201412010)；四川省安全监管局安全生产科技项目(2016018)；四川省安全监管局(四川煤监局)安全生产科技项目(20150016)

胡澄宇(1992-),男,助教.