基于激光点云批量化自动滤波分类技术研究

李小娟 苏春耀

（河南省测绘院，河南 郑州 450003）

1 引言

随着科学技术的发展和人们生活水平的提高，实景三维建设越来越受到人们关注。地形级实景三维是城市级和部件级实景三维的承载基础。点云数据具有获取快速、离散分布、快速更新的特性，同时附有高程、位置、强度等信息，数据间无拓扑相关性，是地形级实景三维场景建设的重要数据资源。点云获取主要依靠激光扫描设备，但无论是机载激光扫描设备还是车载激光扫描设备，测绘外业生产的成本都要远高于高分辨率航空或卫星影像，所以，利用无人机影像生成密集点云是一种新的制图和三维重建方法，从经济成本和效率考虑，大面积无人机影像生成的密集点云要优于由地面激光扫描（TLS）生成的点云。

国内对影像匹配生成点云的研究主要集中于影像与LiDAR 点云的匹配融合，对影像生成的密集点云与LiDAR 点云的比较研究较少，主要还是定性分析[1]。目前行业内使用的点云滤波算法有基于数据形态学的滤波算法、基于不规则三角网的滤波算法、基于布料模拟的滤波算法和最小二乘曲面滤波算法等。在数据处理软件方面，一般采用TerraScan 软件建立滤波规则并提取地面点，利用拉普拉斯算法进行平滑处理，并结合区域边界进行接边融合等处理，形成精度可靠、自然平滑的DEM 数据，用于地形级实景三维地理场景更新[2]。但这种分类多为人工和半自动方式，数据解译的自动化程度低，导致点云利用率下降，制约了激光点云在实景三维城市建设中的应用。在实施过程中基于数字影像匹配（DIM）生成的密集点云数据，开展基于深度学习的自动分类方法研究，从而解决了批量点云信息滤波分类的技术难题，并研建一套智能化点云批量化自动滤波分类的工具[2]，极大程度地改变了内业的作业模式，提高了生产效率，节约了生产成本。

2 关键技术

由于激光雷达采集到的每个点云数据，都是由被测物体的实际位置生成的三维点云坐标，因此点云数据的误差相对较小，但得到的数据量特别大，并且这些点云数据中含有噪声，会导致一些不可忽视的问题，例如点云数据杂乱无章、信息数据冗余等。

实验选取无人机获取的高分辨率遥感影像数据，将数字影像匹配（DIM）生成密集点云所具有的影像信息，经内业数据处理和空三计算等步骤后，输出实景三维模型、正射影像、三维点云等产品。然后将航空影像和DIM 点云作为数据源，采用不规则三角网（triangulatedirregular network，TIN）滤波算法，建立集数据重分类、分离孤立点、分离低点、分离地面点、地面点中分离植被点等步骤于一体的宏处理程序，分离出DIM 点云数据中的地面点和非地面点。为了节约人力投入成本，通过建立新的系统构架及任务调度算法，用集群计算机数据并行处理，将所有数据处理环节进行整合联通，实现批量点云数据一键自动化滤波分类，并生成DEM 数据产品[3]。

2.1 集群运算网格处理技术的策略

对于航空遥感影像的并行处理，不少学者都在潜心研究，但大多是基于专门的并行计算机，对于集群式自动化运算的研究并不多见，而并行计算机价格昂贵。研究采用计算机集群方式，将一组松散集成的计算机软件或硬件连接起来，高度紧密地协作完成计算工作。在某种意义上，它们可以被看作一台计算机。同样，网格计算属分布式计算，是一种与集群计算相关的技术。运用在网格上，数据资源则可实现动态管理，并可根据需求切换到网格中。所以选用网格技术分模块对航摄遥感大数据进行批量同步处理。

为更好地操控网络的分布式任务管理，采用面向对象的集群任务实时索引方法，从数据读取到成果输出，整个过程通过任务表挂接目录方式进行访问处理。数据处理的任务模块设在系统后台，通过集群任务表的实时记录把控数据处理细节，作业人员只需根据集群任务表掌握数据处理进度。集群任务表不仅索引数据的整个处理模块，还利用数据并行运算方式，调动多台计算机同时访问服务器，在互不影响的情况下，把大的任务化解成若干个相同的子任务，同时处理。这样在内业生产中，不仅能保证数据产品输出质量，还可进行批量化、智能化快速处理，满足新型基础测绘的大测区数据生产需求。集群任务表运算参数如图1 所示，实时处理进度如图2 所示。

图1 集群任务表运算参数重置

图2 集群任务表实时处理进度显示（绿色为已完成，红色为未完成）

2.2 BM 算法提取精细视差

目前，大多数无人机摄影测量系统采用非量测相机对地拍摄，像片像幅较小、序列影像数量较多。在低空摄影时，由于无人机飞行高度低，姿态不稳定，航拍影像会存在较大变形，导致无人机影像密集匹配比较困难。无人机航拍影像通过空三后只能得到稀疏的点云数据，无法细腻刻画地表的三维形态，因此通过密集匹配技术得到数字表面模型（Digital Surface Model，DSM）。影像密集匹配算法是在恢复影像序列方位元素基础上，逐像素匹配建立对应关系，获取可描述左右影像像素之间匹配关系的视差图[4]。通过无人机航拍影像视差图融合生成DSM 研究核线影像立体匹配得到的视差图，根据已知方位元素，对匹配像素进行前方交会，恢复三维位置信息，生成密集三维点云。视差图像点代表的视差值通过三角测量原理转换成深度值或高程值，此视差图可被转换为深度图或高程分布图。对无人机航拍影像生成DSM 方法进行了研究，采用BM 算法（Boyer-Moore 算法）提高匹配效率，最后通过多视影像联合平差与多视影像密集匹配技术，利用视差像方融合方法生成某实验区DSM，DSM 数据经处理后可作为实际生产的重要数据基础[4]。

2.3 多视影像密集匹配灰度点云的研究

影像匹配是摄影测量的基本问题之一，多视影像具有覆盖范围大、分辨率高等特点。但倾斜影像密集匹配点云处理技术研究相对较少。倾斜影像密集匹配点云具有分布不均匀、地物边界模糊、表面粗糙、数据冗余大等特点，因而传统的激光扫描点云处理算法在倾斜影像密集匹配点云处理时的适用性较低。研究目的是在匹配时充分考虑冗余信息，快速准确地获取多视影像上的同名点坐标，进而获取地物的三维信息。

采用的密集点云快速提取方法具体包括以下步骤 ：

（1）数据准备，数据具体包括倾斜航空摄影获取的多视影像数据、空三加密后的影像外方位元素、倾斜航摄仪相机参数信息，其中多视影像数据包括元数据，内含影像分辨率、影像投影坐标。

（ 2）在步骤1 的多视影像数据中的垂直影像上，按照城市三维建模精细化的实际需求建立坐标格网，坐标格网中每个格网单元的大小不小于影像分辨率，所述影像分辨率与步骤1 的影像分辨率相同。

（3）将多视影像转换为灰度图像，并通过高斯滤波对灰度图像进行平滑处理。

（4）在灰度图像中，计算各目标像素点的灰度值与其邻域像素点的灰度值，并将两者进行比较形成差值，多个差值构成一个数值范围，在该范围内确定阀值A 的大小，然后判断各目标像素点的灰度值与其邻域像素点的灰度值的差值是否大于阀值A，如果是，则将该目标像素点提取作为候选角点，否则，直接舍去。

（5）计算步骤4 中候选角点的角点响应函数（CRF）值，判断该候选角点的角点响应函数（CRF）值是否大于预先设定的阀值B，如果是，则将该候选角点提取作为特征点，否则，直接舍去。

（6）匹配同名点，选择参考影像和搜索影像，将参考影像上的特征点按核线几何约束条件在搜索影像上寻找同名点。

（7）生成种子点，利用步骤1 的数据进行初始匹配，获取种子点。

（8）区域扩散，即种子点扩散，内插生成待定点的空间坐标和法向量，得到相对密集的点云，使其均匀密集地分布在规则格网上。

（9）粗差剔除，通过多片前方交会严密解方式以及最小二乘思想，剔除点云粗差点，并判断格网单元是否计算完毕，如果是，则进入步骤10，否则，回到步骤8 继续进行区域扩散。

（10）生成密集点云，构建TIN 建立三维模型。

2.4 点云自动滤波分类处理

从倾斜影像密集匹配点云特点出发，通过底层开发直接读取点云数据的统计指标信息，如点密度、点云坐标最小值和最大值、标准差，根据统计指标信息设置最大最小高程，进行高程异常滤波处理，自动滤除最大最小高程之外的点云，通过均值方差迭代滤波参数设置进行批量均值方差迭代高程异常滤波，再进行批量粗分类，提取出植被、道路、房屋、水体等非地面点和地面点，实现点云高效滤波，并生成高精度DEM。地表覆盖精细分类、植被与建筑物提取分类、不同类别提取、生成的DEM 分别如图3 到图6 所示。

图3 地表覆盖精细分类

图4 植被与建筑物提取分类

图5 不同类别提取效果

实验针对复杂城市场景，采用一种改进的深度图像区域生长分割和基于邻域语义信息合并地面点的滤波算法。首先，根据密集匹配点云特点，用平面点云密度自适应设置虚拟格网尺寸；其次，基于坡度滤波思想，估计区域生长条件阈值；最后，针对封闭区域地面点，沿实验区域建筑物主、次方向分析邻域语义信息，实现地面点完整分割。实验表明，该算法对地物底部边缘不清晰、密度不同的数据表现出较好的适应性，人工交互少，滤波效果理想、速度快，可改善密集匹配点云部分地物底部边缘不清晰引起错分和区域生长无法分割建筑物非连通区域的问题。

3 结语

本次研究围绕密集匹配点云的数据结构特点、高程精度评价、滤波、建筑物提取等问题展开。点云滤波是当前三维重建技术领域的研究热点，也是许多无人驾驶应用数据处理过程中至关重要的一步。在环境测绘、无人驾驶等领域，由于道路地形错综复杂、地貌广阔以及被扫描物体表面反射率的差异，激光雷达设备采集到的点云数据常常带有许多噪声，并且在数据采集过程中由于建筑物与障碍物遮挡，帧与帧之间的点云数据重叠率较低，这直接影响后续的三维场景重建与无人驾驶系统最终的决策。因此，对激光雷达的点云数据处理研究就显得非常重要。