基于LiDAR點云的建筑物檢測方法研究

歐陽君， 王樹根*， 陳 奇， 康一飛， 孫明偉

(1.武漢大學(xué) 遙感信息工程學(xué)院， 武漢 430079； 2.中國地質(zhì)大學(xué)(武漢) 信息工程學(xué)院， 武漢 430074)

基于LiDAR點云的建筑物檢測方法研究

歐陽君1， 王樹根1*， 陳 奇2， 康一飛1， 孫明偉1

(1.武漢大學(xué) 遙感信息工程學(xué)院， 武漢 430079； 2.中國地質(zhì)大學(xué)(武漢) 信息工程學(xué)院， 武漢 430074)

提出了一種基于三角面元的LiDAR數(shù)據(jù)建筑物檢測方法.首先對點云數(shù)據(jù)構(gòu)建不規(guī)則三角網(wǎng)，然后根據(jù)三角面元的特征信息對其進(jìn)行分類，接著利用面元之間的鄰接關(guān)系對其進(jìn)行聚類，最后對聚類點云進(jìn)行跟蹤得到建筑物的輪廓.以國際攝影測量與遙感學(xué)會(ISPRS)提供的城區(qū)LiDAR點云為實驗數(shù)據(jù)進(jìn)行建筑物檢測試驗.與以點云或分割塊為處理基元的檢測方法相比，該方法能夠更加準(zhǔn)確地提取建筑物輪廓，正確率可達(dá)96%，完整率可達(dá)85%.

LiDAR； 建筑物檢測； 不規(guī)則三角網(wǎng)

建筑物是城市場景的重要組成部分，也是攝影測量、地理空間信息領(lǐng)域主要研究對象之一.從高分辨率影像中檢測建筑物的研究已經(jīng)開展多年，建筑物結(jié)構(gòu)和分布的多樣性，給基于影像的自動檢測工作帶來了不小的困難[1].近年來，LiDAR技術(shù)逐步成為城市三維信息獲取的主要手段，它能夠更迅速、精確地獲取目標(biāo)表面的三維坐標(biāo)[2]，為建筑物的檢測提供了新的方向，引起了越來越多學(xué)者的積極關(guān)注.Lodha等[3]直接從離散點云數(shù)據(jù)中提取特征，對其進(jìn)行支持向量機(SVM)分類；杜娜娜等[4]基于決策樹的方法，通過對點云數(shù)據(jù)進(jìn)行分割來提取LiDAR點云中的建筑物等地物；Gerke等[5]采用RT分類器在影像輔助下對分割后的LiDAR點云進(jìn)行分類.當(dāng)前基于LiDAR數(shù)據(jù)的建筑物檢測算法中，大多數(shù)是以點或分割塊為分類基元.以點作為分類基元，則無法充分利用法向量、粗糙度等信息，得到的分類結(jié)果準(zhǔn)確度較低，當(dāng)點云分辨率較低時，這一缺點尤其明顯；以分割塊作為分類基元，得到的分類結(jié)果準(zhǔn)確度較高，但它十分依賴于良好的點云分割結(jié)果，在實際生產(chǎn)中難以自動化實現(xiàn).

針對上述問題，提出了一種基于三角面元的建筑物檢測方法，該方法以不規(guī)則三角網(wǎng)(TIN)中的三角面元為處理基元，能充分地利用點云數(shù)據(jù)的細(xì)節(jié)信息，準(zhǔn)確地從中提取建筑物的屋頂輪廓.

1基于三角面元的建筑物檢測

圖1表示基于LiDAR點云進(jìn)行建筑物檢測時使用不同的分類基元，其中1(a)、1(b)和1(c)分別表示以點云、分割塊和三角面元為分類基元.從圖中可以看出，以三角面元作為處理基元進(jìn)行分類，具有一定的優(yōu)勢：與直接使用點云相比，三角面元更好地利用了周圍點云的特征信息，在信息量較多的情況下分類錯誤的概率會更低；與使用分割塊相比，三角面元不依賴于分割的效果，且更能反映原始地物的真實細(xì)節(jié).

圖1 不同分類基元示意圖Fig.1 Diagram of classification based on different primitives

鑒于此，本文提出一種以三角面元為處理基元的建筑物檢測方法：首先對LiDAR點云數(shù)據(jù)建立不規(guī)則三角網(wǎng)，然后以三角面元作為處理基元，對其進(jìn)行SVM分類，接著利用三角面元的鄰接關(guān)系對分類結(jié)果進(jìn)行聚類，最后使用Alpha Shapes算法對聚類點云進(jìn)行跟蹤，得到建筑物的輪廓.其算法流程如圖2.

圖2 算法流程圖Fig.2 Flow chart of the proposed algorithm

1.1三角面元特征空間構(gòu)建

Delaunay三角剖分是普遍采用的構(gòu)建TIN的一種方法，Tsai根據(jù)實現(xiàn)過程，把Delaunay三角網(wǎng)的各種生成算法分為3類：逐點插入法、三角網(wǎng)生長法、分裂-歸并法[6].其中，分裂-歸并法有著效率高、穩(wěn)定性強的優(yōu)點[7]，因此本文采用分裂-歸并法構(gòu)建Delaunay三角網(wǎng).

生成三角網(wǎng)后，需要為三角面元構(gòu)建特征空間.特征的選擇對后續(xù)的分類結(jié)果有著很大的影響，能否準(zhǔn)確的選擇出有效區(qū)分建筑物與非建筑物之間的特征，密切關(guān)系到算法的分類精度.本文研究分析建筑物目標(biāo)在現(xiàn)實場景中的特點以及三角面元的一些特性，選擇以下3種特征：距地高度、法向量方向和粗糙度作為SVM的輸入特征.

圖3為3種特征的示意圖，其中圖3(a)為三角面元的距地高度，此特征可用于區(qū)分建筑物屋頂和地面，由原始LiDAR數(shù)據(jù)與LiDAR數(shù)據(jù)濾波處理后得到的DEM數(shù)據(jù)做差得到；圖3(b)為三角面元的法向量方向，可用于區(qū)分屋頂和墻壁；圖3(c)為三角面元的粗糙度，可用于區(qū)分建筑物和植被，將三角面元及其鄰接三角面元的頂點構(gòu)成離散點集擬合平面得到粗糙度，其公式為：

(1)

式中，di為離散點集與擬合平面間的距離，粗糙度R即為平均距離.

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

1.2基于SVM的三角面元分類

支持向量機是Vapnik等人于1995年提出的一種通用機器學(xué)習(xí)方法[8]，相比于神經(jīng)網(wǎng)絡(luò)、決策樹等傳統(tǒng)的機器學(xué)習(xí)方法，SVM建立在結(jié)構(gòu)風(fēng)險最小原則之上，能根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳平衡點，降低分類誤差風(fēng)險[9]，所以本文選擇了SVM算法對三角面元進(jìn)行分類.

SVM是一種監(jiān)督分類方法，分類過程中不需要人工給出三種特征的閾值，僅需要選定足夠數(shù)目的樣本進(jìn)行訓(xùn)練得到分類器模型即可實現(xiàn)自動分類.因此實施時需要首先從試驗數(shù)據(jù)中選取一部分進(jìn)行人工解譯作為訓(xùn)練樣本，將訓(xùn)練樣本的上述三個特征以及樣本類別一起輸入訓(xùn)練器進(jìn)行訓(xùn)練，根據(jù)特征的重要程度給予不同的權(quán)重，得到一個非線性映射的分類器模型.然后基于訓(xùn)練得到的分類器模型對剩余數(shù)據(jù)進(jìn)行自動分類.所有參與分類的三角面元將被自動檢測為建筑物(僅屋頂部分)和非建筑物兩個類別.

1.3基于三角鄰接關(guān)系的三角面元聚類

將所有三角面元分為建筑物和非建筑物兩類后，需要進(jìn)一步利用三角面元之間的鄰接關(guān)系，對這些三角面元進(jìn)行聚類，將位于同一房屋的三角面元聚合到一起，進(jìn)而將不同建筑物分開.具體做法是：

1)面片生成.遍歷所有建筑物三角面元，將相鄰的三角面元聚集成小面片.對于三角面元Ti及其相鄰的三個三角面元Ti1、Ti2和Ti3，若Ti、Ti1、Ti2、Ti3已經(jīng)有了歸屬的面片號，則找到其中序號最小的三角面元所歸屬的面片Pj，將四個三角面元都存入面片Pj；若均沒有面片號，則將四個三角面元都存入新的面片Pi；

2)面片合并.遍歷生成的面片，將具有鄰接關(guān)系的面片合并到同一個對象中，一個對象即可初步認(rèn)定為一棟建筑物.對于面片Pi，記下與其有鄰接關(guān)系的對象的序號O:{O1，O2，…，On}，對象全部遍歷過后，將面片Pi和這些對象并入同一個對象中；若不存在對象與面片有鄰接關(guān)系，則將面片Pi存入新的對象中.

3)去除小面積噪聲點，將三角面元個數(shù)少于100的對象去除，減小算法對與建筑物等高的植被的誤判.

圖4 基于三角鄰接關(guān)系的聚類Fig.4 Cluster result based on triangle adjacency

圖4(a)表示面片生成后的結(jié)果，可以看出分類后的建筑物三角面元已經(jīng)聚集成小面片；圖4(b)表示面片合并后的結(jié)果，相鄰的小面片合并成為獨立的對象；圖4(c)表示去除小面積噪聲后的結(jié)果，其中植被等誤判被去除.

1.4建筑物輪廓提取

Alpha Shapes算法能夠?qū)σ幌盗袩o序點進(jìn)行幾何形狀的重建，由唯一的參數(shù)α決定重建的結(jié)果[10].Alpha Shapes提取輪廓線的原理非常簡單，如圖5所示：假設(shè)有一個半徑為α的圓在點集邊緣滾動，當(dāng)α足夠大時，這個圓就不會滾到點集內(nèi)部，而其在滾動過程中的痕跡則構(gòu)成了點集的邊界線.參數(shù)α的選取在很大程度上決定提取出的輪廓形態(tài)：α取值過大，則可能導(dǎo)致凹多邊形的輪廓鈍化；α取值過小，則可能導(dǎo)致點集提取出不當(dāng)?shù)淖虞喞€.

圖5 Alpha Shapes算法提取離散點輪廓Fig.5 Outline of discrete points extracted by Alpha Shapes algorithm

2實驗與分析

2.1實驗數(shù)據(jù)

本文采用的實驗數(shù)據(jù)為ISPRS提供的位于德國Vaihingen地區(qū)的LiDAR點云數(shù)據(jù).如圖6所示，其中圖6(a)為訓(xùn)練數(shù)據(jù)，將點云人工分類為建筑物與非建筑物兩類，其中紅色為建筑物，白色為非建筑物，圖6(b)和6(c)分別為其對應(yīng)的影像和建筑物真值位置圖；圖6(d)為測試數(shù)據(jù)，點云類別未知，圖6(e)和圖6(f)分別為其對應(yīng)的影像和建筑物真值位置圖.

圖6 實驗數(shù)據(jù)Fig.6 Experimental data

2.2結(jié)果評價

評價本文提出的基于三角面元的建筑物檢測結(jié)果如圖7所示.

圖7 建筑物檢測結(jié)果Fig.7 Building detection results

圖7(a)為對三角面元執(zhí)行SVM分類后得到的結(jié)果，其中紅色為建筑物，綠色為非建筑物；圖7(b)為三角面元的聚類結(jié)果，不同顏色代表著不同的建筑物，可以看出，屬于相同房屋的三角面元被準(zhǔn)確地聚合到一起；圖7(c)為建筑物輪廓提取的結(jié)果，可以看出，大多數(shù)建筑物輪廓被準(zhǔn)確提取出來，且邊緣較為平滑，在點云聚類結(jié)果中的細(xì)小的空洞處，也不會生成內(nèi)輪廓.

同時，選取ISPRS公布的兩種算法的實驗結(jié)果作對比，圖8為三種算法檢測結(jié)果與真值進(jìn)行比較后生成評價效果圖，其中黃色表示正確檢測的點，紅色表示錯誤檢測的點，藍(lán)色表示遺漏檢測的點.算法UTMA為L. Feng提出的以點云為處理基元的建筑物檢測算法，其評價效果圖為圖8(a)；算法TON為Liu Chun提出的以分割塊為處理基元的建筑物檢測算法，其評價效果圖為圖8(b)；圖8(c)為本文算法的評價效果圖.

圖8 建筑物檢測評價效果對比圖Fig.8 Comparison of building detection results

從圖中可以看出：在建筑物的邊緣點云分辨率較低，周圍特征信息較少，使UTMA算法存在較多誤檢；實驗數(shù)據(jù)區(qū)域同一建筑物屋頂存在高低不一致的情況，給分割算法造成較大的阻礙，導(dǎo)致TON算法存在大量漏檢；而本文提出的基于三角面元的檢測算法能夠更加充分地利用周圍的特征信息，且能更加清晰地反映建筑物細(xì)小結(jié)構(gòu)，很少產(chǎn)生誤檢，尤其在建筑物的邊緣，同時盡可能地保證低矮建筑物檢測結(jié)果的完整性，減少漏檢.

此外，為了評價檢測結(jié)果的精度，本文選用了三種定量指標(biāo)對建筑物檢測結(jié)果進(jìn)行定量評價，分別是完整率(Completeness)、正確率(Correctness)和質(zhì)量(Quality).這3種指標(biāo)中，完整率表示目標(biāo)建筑物的檢測完整程度，正確率表示所有檢測結(jié)果中正確部分所占的比例，質(zhì)量代表了檢測結(jié)果的整體水平.具體公式如下：

(2)

(3)

(4)

式中，TP為正確檢測像素總數(shù)；FP為錯誤檢測像素總數(shù)；FN為遺漏檢測像素總數(shù)指標(biāo).3種算法在測試區(qū)域的評價結(jié)果如表1所示，從表中可以看出，本文算法在正確率和質(zhì)量兩項指標(biāo)上均優(yōu)于其他兩種算法，本文算法的特點主要在于能夠保證較高正確率的前提下保證一定的完整率，同時質(zhì)量指標(biāo)高于80%，可滿足實際生產(chǎn)操作的需求.

表1 建筑物檢測評價結(jié)果

3結(jié)論

針對基于LiDAR數(shù)據(jù)的建筑物檢測問題，本文提出了一種以三角面元為處理基元的檢測算法，該方法克服了傳統(tǒng)的以點云或分割塊為處理基元的相關(guān)算法的缺陷，充分利用了周圍點云的特征信息，實現(xiàn)了建筑物輪廓的準(zhǔn)確提取，且算法實現(xiàn)方便，自動化程度高，對實際生產(chǎn)及相關(guān)研究都有著一定意義.

以ISPRS提供的城區(qū)LiDAR點云為實驗數(shù)據(jù)，實驗結(jié)果驗證了本文算法的可行性和優(yōu)勢.另一方面，本文方法還有些方面需要完善，在SVM中可考慮更多的特征，比如三角面元內(nèi)各腳點的強度信息等，后期將針對此問題進(jìn)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] 賴旭東. 機載激光雷達(dá)基礎(chǔ)原理與應(yīng)用[M]. 北京: 電子工業(yè)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， 彭軍還. 基于決策樹的機載LiDAR點云數(shù)據(jù)分類[J]. 測繪科學(xué)， 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] 武曉波， 王世新， 肖春生. Delaunay三角網(wǎng)的生成算法研究[J]. 測繪學(xué)報， 1999， 28(1):28-35．

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

[9] 許建華， 張學(xué)工， 譯. 統(tǒng)計學(xué)習(xí)理論[M]. 北京: 電子工業(yè)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.

中國博士后科學(xué)基金項目(2016M590730)；國家自然科學(xué)基金項目(41601506)；國家973計劃資助項目(2012CB719904).

1000-1190(2017)03-0402-05

P23

A

*通訊聯(lián)系人. E-mail: wangsg@whu.edu.cn.