基于機(jī)載LiDAR 的像控點(diǎn)自動提取方法研究

周文明

(中國鐵路設(shè)計集團(tuán)有限公司，天津 300251)

1 概述

目前，機(jī)載激光雷達(dá)技術(shù)已經(jīng)在鐵路勘察設(shè)計中廣泛應(yīng)用，馮威等對機(jī)載激光雷達(dá)技術(shù)在鐵路勘測設(shè)計中專題要素提取關(guān)鍵技術(shù)進(jìn)行詳細(xì)闡述[1-2]；也有大量研究人員針對基于機(jī)載LiDAR 點(diǎn)云的橫斷面制作技術(shù)開展了生產(chǎn)實踐[3-5]。 機(jī)載LiDAR 系統(tǒng)通常配備有數(shù)碼相機(jī)，可在獲取激光點(diǎn)云的同時獲得高分辨率彩色航空影像。 一方面，影像數(shù)據(jù)可以彌補(bǔ)LiDAR數(shù)據(jù)紋理表現(xiàn)上的缺陷；另一方面， LiDAR 數(shù)據(jù)也可以提高影像目標(biāo)三維幾何信息的效率。 由于激光點(diǎn)云和影像數(shù)據(jù)之間具有很強(qiáng)的互補(bǔ)性，在道路提取、建筑物提取與建模以及橫縱斷面制作等領(lǐng)域有著廣泛的應(yīng)用[6-8]。

在鐵路勘察設(shè)計中，利用機(jī)載激光雷達(dá)設(shè)計獲取的點(diǎn)云與影像結(jié)合開展地形圖制作已經(jīng)成為常用的作業(yè)手段，這種作業(yè)方式可以省去等高線繪制和高程點(diǎn)提取等工序，極大提高了工作效率。 然而，在生產(chǎn)實踐中，受數(shù)碼相機(jī)安置誤差等影響[9-10]，獲得航空影像的外方位元素易存在較大誤差，導(dǎo)致航空影像與激光點(diǎn)云之間無法很好套合。 由于點(diǎn)云與影像精度不一致，會出現(xiàn)DOM 扭曲過大、平面精度降低，地形與影像錯位等情況，導(dǎo)致三維場景平面發(fā)生移位，地形圖中等高線高程點(diǎn)位置存在偏差等問題，這些問題的存在削弱了影像數(shù)據(jù)的可靠性。 如何借助高精度的點(diǎn)云數(shù)據(jù)，提高影像外方位元素的精度，是需要解決的一個重要問題。

2 像控點(diǎn)自動提取方法

基于機(jī)載LiDAR 點(diǎn)云的像控點(diǎn)自動提取方法包含兩個主要技術(shù):點(diǎn)云的分類處理與建筑物屋頂輪廓線提取。 基于TerraSolid 的像控點(diǎn)自動提取流程主要包括:航線匹配、重疊區(qū)刪除、地面點(diǎn)分類、植被分類、建筑物分類、建筑物輪廓提取、建筑物輪廓修整等步驟，整個處理流程環(huán)環(huán)相扣，前面的處理工序直接影響后續(xù)的處理結(jié)果，故每個步驟的處理參數(shù)都需要詳細(xì)設(shè)計。 基于機(jī)載LiDAR 點(diǎn)云的像控點(diǎn)自動提取的流程如圖1 所示。

圖1 機(jī)載LiDAR 點(diǎn)云像控點(diǎn)提取流程

2.1 機(jī)載LiDAR 點(diǎn)云的高精度分類

點(diǎn)云分類主要將地面點(diǎn)、植被點(diǎn)與建筑物點(diǎn)進(jìn)行分類，其中，地面點(diǎn)與植被點(diǎn)分類主要為建筑物點(diǎn)的分類提供基礎(chǔ)，而建筑物點(diǎn)分離主要用于后續(xù)建筑物輪廓的提取，進(jìn)而提取房屋角點(diǎn)坐標(biāo)。 TerraSolid 軟件中的點(diǎn)云分類方法采用Axelsson 改進(jìn)的迭代不規(guī)則三角網(wǎng)算法[11-13]:先將區(qū)域的點(diǎn)云數(shù)據(jù)構(gòu)建一個初步的不規(guī)則三角網(wǎng)，通過配置相關(guān)參數(shù)(格網(wǎng)大小、分類區(qū)最大建筑物長度)，設(shè)定合理的閾值參數(shù)，將滿足閾值的點(diǎn)云歸入地面點(diǎn)，并不斷更新初始格網(wǎng)；然后根據(jù)新構(gòu)建的三角網(wǎng)計算新的閾值條件，經(jīng)過不斷的迭代計算，對所有的未濾波的點(diǎn)云進(jìn)行條件判斷；最終實現(xiàn)所有的點(diǎn)云濾波分類。

(1)地面點(diǎn)與植被點(diǎn)分類

分離地面點(diǎn)是整個分類過程中最重要的一步，當(dāng)?shù)匦螚l件比較復(fù)雜時，應(yīng)限制點(diǎn)云分塊的尺寸。 地面點(diǎn)分類的基本思路是:首先選擇分類區(qū)中高程較低的點(diǎn)，并設(shè)定迭代窗口的尺寸，以確定該窗口范圍內(nèi)至少存在一個地面點(diǎn)，同時考慮分類范圍內(nèi)最大建筑物尺寸，保證最大建筑物尺寸范圍內(nèi)的最低點(diǎn)為地面點(diǎn)。如果處理區(qū)域為山地，則建筑物覆蓋面較小，可以將相關(guān)閾值調(diào)低，如果參數(shù)設(shè)置過大，容易將山頂?shù)孛纥c(diǎn)誤分為其他類別，導(dǎo)致山體失真；如果處理區(qū)域為城區(qū)，可將建筑物尺寸參數(shù)設(shè)置大一些，以避免無地面點(diǎn)情況。 因此，在不同地形條件下應(yīng)設(shè)置不同的分類參數(shù)，并經(jīng)過反復(fù)試驗，以得到最優(yōu)的分類結(jié)果。

點(diǎn)云分類中，一般將植被點(diǎn)分為三類，分別為低植被、中等植被與高植被，其中，高植被中地物明顯高于地面，該類別中還包括建筑物及電力線等地物。 植被分類的具體思想為:對分類后的地面點(diǎn)構(gòu)建一個初始的三角面模型，將其他類別的點(diǎn)云與該三角面模型進(jìn)行比較，根據(jù)高差值的區(qū)間范圍，將地面點(diǎn)外的其他點(diǎn)云列入為三種不同高度的植被圖層。

按照上述點(diǎn)云分類流程，可以實現(xiàn)點(diǎn)云的全自動分類，圖2、圖3 為分類后的點(diǎn)云結(jié)果。

圖2 地面點(diǎn)和植被點(diǎn)分類結(jié)果(橘色為地面點(diǎn)，綠色為植被點(diǎn))

圖3 分類結(jié)果剖面

(2)建筑物點(diǎn)分類

基于經(jīng)過地面點(diǎn)和植被點(diǎn)分類后的成果，對點(diǎn)云中的建筑物點(diǎn)進(jìn)行分類，建筑物點(diǎn)云分類精度直接關(guān)系輪廓提取，其分類參數(shù)設(shè)計非常關(guān)鍵。 在生產(chǎn)應(yīng)用中，一般認(rèn)為建筑物高度大于3 m，利用上一步驟的分類結(jié)果，可以將建筑物從高植被類中提取出來。 針對規(guī)則建筑物來說，屋頂點(diǎn)云基本在一個平面上。 如果考慮屋頂不規(guī)則，或者屋頂變形，可以在參數(shù)中設(shè)置高程方向的閾值范圍，以優(yōu)化建筑物分類結(jié)果。

應(yīng)根據(jù)不同的點(diǎn)云密度、質(zhì)量及不同建筑物的形狀設(shè)置不同參數(shù)，在具體的項目過程中，為獲取相對準(zhǔn)確的建筑物點(diǎn)云數(shù)據(jù)，需要反復(fù)調(diào)試不同的參數(shù)。 建筑物點(diǎn)云分類成果如圖4、圖5 所示，其中，紅色點(diǎn)云為建筑物，橘紅色點(diǎn)云為地面點(diǎn)，綠色點(diǎn)云為低矮植被與中等植被。

2.2 建筑物輪廓矢量化與房角點(diǎn)提取

經(jīng)過點(diǎn)云分類后，即可充分利用分類后的地面和建筑物的高程信息，實現(xiàn)建筑物輪廓的矢量化。 根據(jù)不同項目點(diǎn)云的數(shù)據(jù)情況，對點(diǎn)云間隔、平面容差、最小建筑物面積進(jìn)行合理設(shè)置，如果需要比較詳細(xì)的房屋輪廓信息，局部最小面積的參數(shù)可以相應(yīng)減小，但會增加數(shù)據(jù)處理的時間。 經(jīng)過該步驟，可以提取整個區(qū)域的建筑物外部輪廓和內(nèi)部結(jié)構(gòu)信息[14-16]，具體結(jié)果如圖6 所示。 利用點(diǎn)云提取的建筑物輪廓信息具有三維坐標(biāo)。 因此，外部輪廓可采用三維立體模型的方式展示，為后續(xù)房角點(diǎn)位置精確確定提供更形象化的展示，同時將提取的建筑物三維模型應(yīng)用于批量自動化建模中。 其三維立體顯示與三維模型如圖7、圖8所示。

圖4 建筑物點(diǎn)云分類后成果

圖5 分類結(jié)果剖面

圖8 建筑物三維模型展示

將生成的矢量邊界導(dǎo)出(DXF 格式)，根據(jù)航飛范圍的影像外方位元素，確定像控點(diǎn)的目標(biāo)位置，將目標(biāo)位置與自動生成的建筑物房屋矢量疊加顯示，提取目標(biāo)范圍內(nèi)的三維坐標(biāo)，并將每個像控點(diǎn)坐標(biāo)記錄在表格中，為后續(xù)的空三加密工序提供控制點(diǎn)成果。

3 精度對比分析

為真實評價該方法提取房角像控點(diǎn)的精度，以國外某鐵路航飛項目為試驗區(qū)，該鐵路位于南美洲境內(nèi)，線路全長約400 km，80%以上線路經(jīng)過區(qū)域?qū)儆谏降?，地形起伏較大、溝谷縱橫，以森林、林地、牧場、耕地為主，70%以上區(qū)域植被非常茂密。 采用OPTECH 設(shè)備獲取的點(diǎn)云數(shù)據(jù)，分別按照傳統(tǒng)手動提取像控點(diǎn)方法和自動方法提取項目中有實測像控點(diǎn)位置的房角點(diǎn)，并將兩種方法提取的坐標(biāo)與外業(yè)實測數(shù)據(jù)進(jìn)行對比分析。

(1)像控點(diǎn)坐標(biāo)提取

首先對點(diǎn)云進(jìn)行精細(xì)分類，對于每個目標(biāo)位置，分別采用自動方法與傳統(tǒng)手動方式提取房角點(diǎn)坐標(biāo)；然后將實測像控點(diǎn)坐標(biāo)、手動提取坐標(biāo)與自動提取坐標(biāo)進(jìn)行對比。 實驗中，共選擇33 處位置作為研究對象，選擇的33 個房角點(diǎn)坐標(biāo)均采用GPS 快速靜態(tài)方式進(jìn)行實地觀測。 圖9(a)、圖9(b)為基于點(diǎn)云數(shù)據(jù)采用自動方法識別建筑物輪廓的示例。 不同方法獲取的房角點(diǎn)坐標(biāo)信息如表1 和圖10 所示。

圖9 建筑物輪廓自動矢量化示例

表1 實測坐標(biāo)與手動/自動提取坐標(biāo)對比 m

續(xù)表1

圖10 兩種方法提取坐標(biāo)與實測的距離差統(tǒng)計

根據(jù)表1 和圖10 的數(shù)據(jù)，計算了手動方法提取像控點(diǎn)坐標(biāo)與實測坐標(biāo)的差值，兩者差值的均值為0.35 m，中誤差為0.39 m；自動方法提取的像控點(diǎn)與實測坐標(biāo)兩者差值的均值為0.24 m，中誤差為0.28 m。

(2)綜合評價

在精度方面，根據(jù)兩種方法提取的像控點(diǎn)坐標(biāo)與實測數(shù)據(jù)對比分析發(fā)現(xiàn)，自動方法與實測像控點(diǎn)坐標(biāo)差值的中誤差為0.28 m，手動方法與實測像控點(diǎn)坐標(biāo)差值的中誤差為0.39 m，自動方法較手動方法提取的坐標(biāo)精度提高0.1 m 左右。 采用自動方法提取的房角點(diǎn)坐標(biāo)與實測數(shù)據(jù)仍存在一定差值，除了自動方法在提取精度方面的原因外，點(diǎn)云的平面位置精度、點(diǎn)云的密度(影響較大)都是重要的影響因素。

在提取效率方面，兩種作業(yè)方式均需要對點(diǎn)云數(shù)據(jù)進(jìn)行精細(xì)分類，故在點(diǎn)云分類步驟兩者的作業(yè)效率一致；在后續(xù)的房角點(diǎn)坐標(biāo)提取中，手動方法需要采用手動矢量化建筑物邊界，交匯出房角點(diǎn)或采用剖面線的方式識別房角點(diǎn)坐標(biāo)；而自動方式無需過多的人工參與，只需設(shè)置合理的參數(shù)，即可完成建筑物邊界矢量化，能夠同時獲取建筑物多個房角點(diǎn)位置，提供了更多的像控點(diǎn)選擇。 兩種方法作業(yè)效率如表2 所示，可以發(fā)現(xiàn)，自動方法比手動方法的作業(yè)效率能夠提高50%以上。

表2 兩種方法作業(yè)效率比較

4 結(jié)論

針對機(jī)載LiDAR 在鐵路工程應(yīng)用中點(diǎn)云與影像平面位置精度不一致問題，基于高精度分類的點(diǎn)云數(shù)據(jù)，采用自動提取航飛范圍內(nèi)的建筑物矢量方法，將建筑物角點(diǎn)作為像控點(diǎn)應(yīng)用于影像空三加密工序中。 通過生產(chǎn)項目驗證，采用自動方法提取像控點(diǎn)平面位置精度較傳統(tǒng)手動方式提高0.1 m 左右，作業(yè)效率提高50%以上。 目前，該工序已經(jīng)廣泛應(yīng)用于鐵路機(jī)載LiDAR 生產(chǎn)項目中，提高了內(nèi)業(yè)生產(chǎn)效率，產(chǎn)生了顯著的經(jīng)濟(jì)效益。