基于區(qū)域特征的快速城區(qū)機(jī)載LiDAR數(shù)據(jù)分類方法

曹志民，吳 云

（1.東北石油大學(xué) 電子科學(xué)學(xué)院，黑龍江 大慶163318；2.哈爾濱工業(yè)大學(xué) 電子與信息工程學(xué)院，黑龍江 哈爾濱 150001）

基于區(qū)域特征的快速城區(qū)機(jī)載LiDAR數(shù)據(jù)分類方法

曹志民1,2，吳 云1

（1.東北石油大學(xué) 電子科學(xué)學(xué)院，黑龍江 大慶163318；2.哈爾濱工業(yè)大學(xué) 電子與信息工程學(xué)院，黑龍江 哈爾濱 150001）

提出了一種基于區(qū)域特征的快速城區(qū)LiDAR點(diǎn)云數(shù)據(jù)分類方法。首先進(jìn)行數(shù)據(jù)濾波處理，去除地面點(diǎn)。然后對(duì)非地面點(diǎn)，利用二次多項(xiàng)式進(jìn)行區(qū)域曲面擬合，擬合曲面的參數(shù)作為特征構(gòu)造區(qū)域特征向量，通過(guò)投票方式判斷每個(gè)點(diǎn)的局部區(qū)域?qū)傩?。最后，利用模糊邏輯技術(shù)實(shí)現(xiàn)最終分類。實(shí)驗(yàn)結(jié)果表明，該分類方法能夠高效實(shí)現(xiàn)城區(qū)建筑物及樹(shù)木的分類。

機(jī)載LiDAR；區(qū)域特征；分類

隨著遙感技術(shù)的飛速發(fā)展，結(jié)合測(cè)繪、電力、城市規(guī)劃、油氣管線監(jiān)測(cè)及規(guī)劃等多種應(yīng)用的實(shí)際需求，3D城市重建已經(jīng)得到了廣泛的關(guān)注和研究。近些年，由于機(jī)載LiDAR具有主動(dòng)獲取大范圍目標(biāo)區(qū)域精確三維空間信息點(diǎn)云數(shù)據(jù)的能力，且數(shù)據(jù)采集不受陰影和采集時(shí)間的限制，機(jī)載LiDAR系統(tǒng)已在3D城市重建等相關(guān)領(lǐng)域中得到了非常廣泛的應(yīng)用。其中，城區(qū)點(diǎn)云數(shù)據(jù)的分割/分類是一個(gè)非常重要的研究?jī)?nèi)容。

分類的目的在于將原始LiDAR點(diǎn)云數(shù)據(jù)區(qū)分為多種具有不同屬性的類別，目前已提出很多相關(guān)研究成果。文獻(xiàn)[1]利用基于分割的分類方法將原始LiDAR數(shù)據(jù)區(qū)分為建筑物、植被和地面，所用特征為分割邊緣梯度、高程紋理、首末次回波高程差、強(qiáng)度等；文獻(xiàn)[2]實(shí)現(xiàn)了一種有監(jiān)督分類方法，所用特征為歸一化高程、高程方差、多次回波差、強(qiáng)度等；文獻(xiàn)[3]利用航拍圖像和機(jī)載LiDAR數(shù)據(jù)聯(lián)合，采用先分割后分類的方法檢測(cè)樹(shù)，所用特征為色度、飽和度和亮度、高程、局部高程方差、法向量等；文獻(xiàn)[4]利用擴(kuò)展AdaBoost算法將機(jī)載LiDAR數(shù)據(jù)分成了4類，所用特征為高程、高程方差、方向量方差、強(qiáng)度和灰度。文獻(xiàn)[5]采用多層二類分類過(guò)程構(gòu)造了多類分類器，利用該領(lǐng)域中應(yīng)用廣泛的PCA技術(shù)[6-8]實(shí)現(xiàn)了局部空間結(jié)構(gòu)的分析。上述方法中，無(wú)論是基于分割的分類方法，還是基于有監(jiān)督分類器構(gòu)造的分類方法，分類效果對(duì)所提取特征的有效性都有非常高的依賴性，且計(jì)算成本往往很高。提取的特征中，多數(shù)需要利用數(shù)據(jù)局部鄰域進(jìn)行分析，而鄰域計(jì)算結(jié)果通常直接作用于當(dāng)前處理點(diǎn)，對(duì)鄰域其他點(diǎn)沒(méi)有影響。本文給出了一種真正的基于區(qū)域特征的分類方法。首先，利用高程特征將數(shù)據(jù)進(jìn)行濾波，即將原始點(diǎn)云數(shù)據(jù)分為地面點(diǎn)和非地面點(diǎn)；然后，對(duì)于非地面點(diǎn)，利用局部二次多項(xiàng)式曲面擬合結(jié)果構(gòu)建了一個(gè)二維特征向量，對(duì)該特征向量的分析結(jié)果通過(guò)投票的方式不僅對(duì)當(dāng)前點(diǎn)有影響，而且對(duì)鄰域其他點(diǎn)也有影響，從而充分體現(xiàn)鄰域曲面擬合過(guò)程中各鄰域點(diǎn)的貢獻(xiàn)；最后，利用模糊邏輯技術(shù)將非地面點(diǎn)分類為樹(shù)木和建筑物。

1 特征向量構(gòu)建

無(wú)論是分割、分類，還是目標(biāo)檢測(cè)、識(shí)別等，所采用的特征大多是基于點(diǎn)的特征，且都趨向于識(shí)別平面結(jié)構(gòu)（城區(qū)中大多數(shù)建筑物及其他人造物中存在大量平面結(jié)構(gòu)）。本文中，不僅要考慮建筑物，還同等重要地考慮到了樹(shù)木。換句話說(shuō)，構(gòu)造的特征并不是面向平面結(jié)構(gòu)，而是面向更高階的特征。眾所周知，有理多項(xiàng)式模型和徑向基函數(shù)（RBF）模型是計(jì)算機(jī)視覺(jué)領(lǐng)域中常用的散亂點(diǎn)云曲面擬合方法。本文基于以下2點(diǎn)考慮選擇了二次有理多項(xiàng)式模型對(duì)點(diǎn)云進(jìn)行局部曲面擬合：①雖然采用更高階的模型可以實(shí)現(xiàn)更高精度的擬合，但高階模型需要更多的點(diǎn)和更高的計(jì)算成本來(lái)實(shí)現(xiàn)擬合；②RBF模型大多也是由多個(gè)二次有理多項(xiàng)式基函數(shù)的線性組合來(lái)構(gòu)成的。因此，本文所采用的局部曲面模型為：

式中，（X，Y，Z）為L(zhǎng)iDAR數(shù)據(jù)點(diǎn)的三維空間坐標(biāo)。

為了獲取區(qū)域特征向量，分別手動(dòng)選取了6組典型的樹(shù)木和建筑物樣本（樣本取自典型結(jié)構(gòu)的典型局部區(qū)域），如圖1。利用式（1）對(duì)圖1中的樣本進(jìn)行曲面模型擬合。

從表1中可以看到，建筑物和樹(shù)木樣本的擬合系數(shù)（P20，P11，P02）有明顯區(qū)別。因此，可以利用這3個(gè)系數(shù)構(gòu)造一個(gè)三維特征向量。就像PCA區(qū)域結(jié)構(gòu)分析技術(shù)一樣，可以獲取局部區(qū)域協(xié)方差矩陣的3個(gè)特征值，它們可以直接用于對(duì)局部區(qū)域特征進(jìn)行分析，然而實(shí)際應(yīng)用中往往是3個(gè)特征值的某種線性或非線性組合構(gòu)造的新的特征能夠獲得更好的分析結(jié)果。為此，本文通過(guò)實(shí)驗(yàn)驗(yàn)證，設(shè)計(jì)的二維特征向量為：

圖1 樹(shù)木和建筑物曲面擬合樣本

表1 訓(xùn)練樣本點(diǎn)云曲面擬合結(jié)果

其中，

由圖2可見(jiàn)，所構(gòu)造的二維特征向量能夠很好地實(shí)現(xiàn)建筑物和樹(shù)木的分類。

圖2 12組樣本的二維特征向量分布情況示意圖

2 基于區(qū)域特征的機(jī)載LiDAR數(shù)據(jù)分類

2.1 區(qū)分地面點(diǎn)和非地面點(diǎn)

為了區(qū)分LiDAR數(shù)據(jù)中的地面點(diǎn)和非地面點(diǎn)，已經(jīng)提出了很多濾波算法包括基于形態(tài)學(xué)的方法、基于TIN三角網(wǎng)的方法和基于分割的方法等。這些方法中的主要假設(shè)是地面點(diǎn)往往低于非地面點(diǎn)。顯然，如果能夠很好地估計(jì)出局部地面高度，最簡(jiǎn)單有效的濾波方法就是利用高程閾值法。因此，首先將輸入的原始LiDAR數(shù)據(jù)按照空間坐標(biāo)劃分為多個(gè)正方形子區(qū)域（子區(qū)域面積一般大于區(qū)域中最大建筑物面積）。本文將目標(biāo)區(qū)域分割成4×4共16個(gè)子區(qū)域。對(duì)于每個(gè)子區(qū)域來(lái)說(shuō)，其高程閾值可設(shè)為：

式中，N為子區(qū)域中數(shù)據(jù)點(diǎn)數(shù)；ρ為地面點(diǎn)所占比例相關(guān)的約束參數(shù)；Tid為高程排序的標(biāo)號(hào)；HTid為對(duì)應(yīng)的高程值。

2.2 基于區(qū)域特征的分類

在獲取特征向量后，主要有2種分割或分類的流程：①非監(jiān)督法，僅依賴于特征向量和某種距離測(cè)度以聚類的方式進(jìn)行。②監(jiān)督法，利用具有類別標(biāo)號(hào)的樣本進(jìn)行訓(xùn)練學(xué)習(xí)以構(gòu)造相應(yīng)的分類器來(lái)實(shí)現(xiàn)對(duì)未標(biāo)定類別的數(shù)據(jù)進(jìn)行分類。無(wú)論選擇哪種流程，所提取的特征向量往往只反映對(duì)應(yīng)一個(gè)點(diǎn)的屬性，而沒(méi)有充分影響到構(gòu)成特征所需要的局部點(diǎn)的屬性。所提取特征的結(jié)果將嚴(yán)重受制于局部區(qū)域形狀和尺寸的選擇。

為了解決上述問(wèn)題，采用一種區(qū)域投票策略實(shí)現(xiàn)樹(shù)木和建筑物的分類。首先，令為非地面點(diǎn)集合。對(duì)于每個(gè)點(diǎn)，令為對(duì)應(yīng)的鄰域點(diǎn)集合。然后，對(duì)于每個(gè)點(diǎn)，利用鄰域點(diǎn)集擬合局部曲面模型并構(gòu)造對(duì)應(yīng)的二維特征向量，進(jìn)而可以計(jì)算得到當(dāng)前二維特征向量到訓(xùn)練得到的樹(shù)木或建筑物二維特征向量均值間的歐式距離。再根據(jù)距離的大小關(guān)系，對(duì)鄰域所有點(diǎn)投票為樹(shù)木或建筑物類。在對(duì)所有非地面點(diǎn)進(jìn)行上述處理后，對(duì)于每個(gè)點(diǎn)，可以得到2個(gè)參數(shù)：Nv_tree和Nv_building，分別為對(duì)應(yīng)點(diǎn)被投票為樹(shù)木和建筑物的次數(shù)。最終，每個(gè)點(diǎn)屬于樹(shù)木或建筑物的隸屬度函數(shù)為：

利用兩式的大小關(guān)系即可判斷每個(gè)點(diǎn)的最終類別。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

本文所用的實(shí)驗(yàn)數(shù)據(jù)和對(duì)應(yīng)的航拍圖像如圖3所示。

該數(shù)據(jù)為ISPRS工作組III/4提供數(shù)據(jù)集的一個(gè)子集。機(jī)載LiDAR數(shù)據(jù)采集于2008年8月，所用系統(tǒng)為萊卡ALS50，采用45°視場(chǎng)角，平均飛行高度為500 m。中值點(diǎn)密度為6.7點(diǎn)/m2。從圖3可以看到，該區(qū)域中有大量的樹(shù)木和建筑物。

圖3 實(shí)驗(yàn)數(shù)據(jù)（31 221點(diǎn)）

3.2 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文所提方法的性能，所有相關(guān)算法均采用Matlab 2012a開(kāi)發(fā)，采用的計(jì)算機(jī)CPU為Pentium（R） Dual-Core CPU T4400 @2.20GHz，內(nèi)存為1.18 GHz的2 G內(nèi)存。

首先，將原始數(shù)據(jù)分為地面點(diǎn)和非地面點(diǎn)。本文方法中，式（5）中參數(shù)ρ的選擇非常關(guān)鍵，令ρ為0.35。對(duì)應(yīng)的濾波結(jié)果如圖4所示。然后，利用投票方式下的二次曲面擬合區(qū)域特征法將非地面點(diǎn)分為樹(shù)木和建筑物。文中所用鄰域構(gòu)造方法為球形鄰域，鄰域半徑設(shè)為2.8 m。最終，算法總執(zhí)行時(shí)間約為288 s，分類準(zhǔn)確度為92.3%，分類質(zhì)量為88.6%，對(duì)應(yīng)的分類結(jié)果如圖5所示。

4 結(jié) 語(yǔ)

本文以局部二次曲面擬合參數(shù)構(gòu)造二維特征向量，以投票方式利用模糊邏輯實(shí)現(xiàn)了一種真正意義上的基于區(qū)域特征的機(jī)載LiDAR點(diǎn)云分類方法的框架。實(shí)驗(yàn)結(jié)果表明，該方法實(shí)現(xiàn)簡(jiǎn)單快捷，能夠有效實(shí)現(xiàn)城區(qū)機(jī)載LiDAR點(diǎn)云地面、樹(shù)木和建筑物的分類。通過(guò)引入更多先驗(yàn)知識(shí)或針對(duì)性規(guī)則，該框架的性能還可以得到明顯提高。

圖4 原始LiDAR數(shù)據(jù)濾波結(jié)果

圖5 實(shí)驗(yàn)結(jié)果

[1] Tóvári D, V?gtle T. Object Classification in Laser Scanning Data [J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Science, 2004,36(8/w2)∶45-49

[2] Charaniya A P, Manduchi R. Supervised Parametric Classification of Aerial LiDAR Data Computer Vision and Pattern Recognition Workshop[C]. Washington, IEEE, 2004

[3] John Secord, Avideh Zakhor. Tree Detection in Urban Regions Using Aerial LiDAR and Image Data[J]. IEEE Geoscience and Remote Sensing Letters, 2007,4(2)∶196-200

[4] Lodha S K, Fitzpatrick D M. Aerial LiDAR Data Classification Using AdaBoost[C]. Sixth International Conference on 3-D Digital Imaging and Modeling,Mentreal,2007

[5] Moussa A, El-Sheimy N. Automatic Classification and 3D Modeling of LiDAR Data[J]. International Archives of Photogrammetry and Remote Sensing, 2010,38(3B)∶155-159

[6] Choi Y W, Jang Y W. Three-dimensional LiDAR Data Classifying to Extract Road Point in Urban Area[J]. IEEE Geoscience and Remote Sensing Letters, 2008,5(4)∶725-729

[7] Carlberg M A, GAO P. Classifying Urban Landscape in Aerial LiDAR Using 3D Shape Analysis[C].16th IEEE International Conference on Image Processing (ICIP), Cairo, 2009

[8] Gross H, Thoennessen U. Extraction of Lines from Laser Point Clouds[C]. ISPRS Conference Photogrammetric Image Analysis (PIA), Bonn, 2006

[9] SHI Xiaozhe, Zakhor Avideh. Fast Approximation for Geometric Classification of LiDAR Returns[C].18th IEEE International Conference on Image Processing (ICIP), Brussels, 2011

[10] Nesrine Chehata, LI Guo, Clement Mallet. Airborne LiDAR Feature Selection for Urban Classification Using Random Forests[C]. Laser Scanning, Paris, 2009

P237

B

1672-4623（2016）05-0011-03

10.3969/j.issn.1672-4623.2016.05.004

曹志民，博士，講師，主要研究方向?yàn)檫b感多源數(shù)據(jù)融合與處理。

2015-03-18。

項(xiàng)目來(lái)源：國(guó)家自然科學(xué)基金資助項(xiàng)目（61371180）；東北石油大學(xué)校青年科學(xué)基金資助項(xiàng)目（NEPUQN-2014-07）。