一种高效的机载LiDAR点云分类方法研究

李亚男，王 骏， 道勇

(福建省电力勘测设计院，福建 福州 350003)

1 概述

福建省大多数风电场选址位于山区植被茂盛、水域复杂的地区，采用传统的航空摄影测量方法容易受到空中管制、天气条件等众多因素的影响，而且数据获取成本非常高。随着无人机技术的发进步和发展，无人机低空摄影测量技术的作业方式机动灵活，能够快速获取高分标率的影像，而且对天气要求较低，数据获取成本低，因此在风电场地形测量中得到了广泛的应用。由于福建省大部分山区树木的遮挡严重，传统的航空摄影测量和无人机低空摄影测量技术，无法获取树下地面真实情况，因此需要大量的外业修测工作，才能满足风电场大比例尺地形图的测绘需求。机载LiDAR测量技术是以飞机作为测量平台，以激光扫描测距系统为传感器，能实时获取地形表面的三维空间信息，还能提供一定的光谱信息，通过主动向目标地表发射激光脉冲获取地表的三维信息，突破了传统航空摄影测量被动成像的局限性。其最大的优势是能够快速获取包括地面点和树顶点在内的点云信息，通过对点云进行分类，不仅可以获取准确的地面点，还可以获取树木高度信息等。LiDAR点云的滤波和分类提取在整个数据后处理中大约占60%～80%的工作量。在众多LiDAR点云分类算法中，各种数据过滤和分类算法都还有一定的局限性。尤其是植被茂盛遮挡严重和水域情况复杂的地区，常规的分类方法得到的地面点较少，而且容易出现将树上的点错分为地面点，甚至将地面点错分为孤立点或高程异常点。同时，在水域经常出现高程异常点无法剔除。因而需要大量的手工分类，才能得到足够的地面点，导致分类自动化程度低，效果不理想和生成的DEM精度低等问题，这也成为机载LiDAR技术在在植被茂盛和水域复杂地区难以广泛、高效的应用的主要原因。

本文主要介绍了一种有效、快速对LiDAR点云进行分类的方法以及高精度DEM和树高模型的制作方法，便于为风电场选址提供高精度DEM和树高模型，主要操作流程见图1。

图1 LiDAR数据处理流程

2 点云滤波和分类

本文提供一种以自动分类为主，结合人工检查和手工分类的多重反复分类的方法：首先对点云进行滤波，剔除粗差点；然后通过自动分类的方法，得到粗略的地面点；然后检查分类结果，适当调整自动分类参数，重新进行分类，直到自动分类结果比较契合实际地形；然后结合外业实测数据和DOM数据进行检查和分析，对于重点区域，再次进行人工检查和手工分类；最后使用地面点生成三角网(或等高线)，结合三角网(或等高线)中高程异常区域再次进行人工检查和手工分类。这种分类方法的操作流程见图2。

图2 地面点分类流程

2.1 点云滤波

在进行点云分类之前，首先要进行滤波剔除高程异常点，如图3(a)中红色线框中位于池塘的一个点比周围临近点高程低111.58 m，属于高程异常点，应予删除。针对植被茂盛和水域复杂的区域，在滤波过程中，要着重考虑树下点被错分的可能性，如图3(b)红色线框内位于树下的两个点，其高程值分别比临近点高程低57.19 m和79.85 m，这两个点数据高程异常点应予剔除；图3(c)中红色线框内位于树下的一个点属于正常地面点，不应剔除。因此，针对植被茂盛区域，位于树下的地面的点很少，这些点比较符合高程异常点的特征，但是又不是高程异常点，因此，在滤波剔除粗差点的时候，要根据区域特点，不断调试参数，从而将真正的高程异常点剔除。同时，还可以在点云分类完成后，生成等高线，检查是否存在高程异常点，有针对性地剔除。

2.2 多次自动分类

在风电场选址中，对点云分类最主要的需求是分离出地面点和高植被点。常规软件提供的自动分类地面点的功能主要是通过设置最大建筑物边长、地表最大坡度、当前点与三角网的距离和夹角等参数来实现。本文根据测区地形特点使用不断修改参数、多次反复自动提取地面点的方法，直至提取的地面点契合实际地形。相对传统的一次直接提取地面点的方法而言，多次提取地面点可以得到更加真实准确的地面点，构建的三角网更加细密均匀，见图4。图4(a)是在植被茂盛区域一次自动分类得到的地面点，可见大部分地面点无法分类出来，而且局部出现错误分类，图4(b)是通过多次反复自动分类得到的地面点，可见大部分的地面点被识别出，错误分类较少，分类效果较好。

图3 高程异常点识别

图4 不同自动分类方法分类效果

2.3 人工检查和手工分类

良好的地面点自动分类方法，可以将大部分地面点提取出来，但是针对地形突变和特殊地形区域，自动分类可能存在错误分类，因此在自动分类后，对特殊地形区域，进行人工检查，并对错误分类的点手工分类。手工分类时，参照DOM和实测数据，通过截取地形剖面，根据点的高度和位置以及与其他已明确类别的点之间的关系，结合地形特点，逐点或批量修正点的类别，见图5。其中，图5(a)是一块梯田区域的DOM，图5(b)是自动分类得到的地面点(地面点为粉红色)，红色框内为该区域构建的三角网，图5(c)是经过人工检查和手工分类后，得到的地面点，红色框内为构建的三角网，可见，经过多次自动分类，地面点大部分可以分出来，但是对于梯田、陡坎等特殊地形，还存在一些误分类的点，通过人工检查和手工分类，可以准确区分出地面点，生成的三角网更加精细，能够准确地反应地面真实情况。通常三角网边长越长的区域，地面点越少；林木茂盛的区域，地面点也会较少，而且容易出现将树上的点错分为地面点。同时，由于风电场地形图对风机位、进场道路和升压站等区域的高程精度要求较高，因此这些区域要进行重点检查和详细分类。

2.4 输出DEM和树高模型

利用地面点制作的DEM和树高模型的精度取决于地面点或植被点的数量和精度。使用类似地面点分类的方法，得到树上的点(高植被点)，将有高植被点的区域赋值为植被点减去地面点的高度，没有植被点的区域赋值为NODATA。通过DOM查看植被的稀疏程度，设定构建的三角网边长范围，以减少在植被区域出现空洞或者将没有树木的区域进行构网。所以在树高模型中，NODATA的区域为没有树木的区域，其他区域为有树木的区域，而且树高即为该区域的数值，见图6。其中图6(a)为DOM，图6(b)为对应的树高模型(蓝色区域为NODATA)。在实际工程应用中发现，该方法可以快速准确估算测区林木面积和树高。

图5 人工检车和手工分类前、后效果比较

图6 林木区域的DOM和树高模型

3 精度分析

为了检验生成的DEM的精度，通过653个外业实测高程点与DEM对应位置的高程值进行比较(其中位于植被茂盛区域的点239个，植被稀疏区域的高程点414个)，见表1。可见，在植被茂盛的区域，使用本文提供的分类方法制作的DEM平均高程误差为0.57 m，使用传统的分类方法制作的DEM平均高程误差为1.23 m，在植被稀疏区域，制作的DEM精度分别为0.26 m和0.52 m，可见使用本文提供的点云分类方法，制作的DEM高程精度较高。而且在水域复杂地区，本文提供的分类方法没有出现高程异常。

表1 DEM高程精度分析

4 总结

本文针对在林木茂盛地区和水域复杂地区，LiDAR点云数据分类困难的问题，提出了一种通过点云滤波和多次反复自动分类，并结合人工检查和手工分类的点云分类方法，能够得到精度较高的地面点和植被点，便于生成高精度DEM和制作树高模型。实验表明，本文提出的点云滤波和分类方法可以有效、快速对植被茂盛和水域复杂区域的点云进行准确分类，生成的DEM精度满足要求，树高模型制作方法简便，便于统计树高和面积。

参考文献：

[1] 张祖勋，张剑清．数字摄影测量学[M]．武汉：武汉大学出版社，2013．

[2] 杜德竹．基于组合宽角相机低空摄影的城市建筑物三维模型构建[D]．徐州：中国矿业大学，2010．

[3] 张晓东，窦延娟．机载激光雷达技术在电力选线工程中的应用[J]．长江科学院院报，2010，27(1)．

[4] 张利明．机载激光雷达点云数据方法研究[D]．成都：西南交通大学，2010．

[5] 龚亮．机载LiDAR点云数据分类技术研究[D]．郑州：解放军信息工程大学，2011．