基于車載LiDAR 點(diǎn)云的行道樹提取研究

歐陽濤，王山東

（1.河海大學(xué) 地球科學(xué)與工程學(xué)院，江蘇 南京 211100）

目前，行道樹的研究大多在于行道樹的識(shí)別與屬性提取[1-5]，或者對相連樹分割[6]等具體情況進(jìn)行研究。鐘若飛[7]等結(jié)合影像數(shù)據(jù)中RGB 信息將車載LiDAR 點(diǎn)云分為地面點(diǎn)和非地面點(diǎn)兩部分，進(jìn)而從非地面點(diǎn)云中提取出樹木信息，但此方法需要影像數(shù)據(jù)，不具有普適性。吳賓[8]等利用投影點(diǎn)密度以及空間分層的思想實(shí)現(xiàn)單顆樹木信息提取。

以上針對單行道樹進(jìn)行信息提取的研究大多有一定的附加條件，實(shí)際測量的道路兩旁行道樹點(diǎn)云情況復(fù)雜，不僅僅包括相連樹，還包括夾雜在樹中間的路燈或者停在路邊的小車等許多情況，由于車載掃描設(shè)備的局限性，靠近道路一側(cè)掃描到的點(diǎn)云十分完整，背離道路一側(cè)的點(diǎn)云都較為稀疏，在提取研究時(shí)應(yīng)更加注意。本文在結(jié)合已有算法[9-11]的基礎(chǔ)上，基于對車載LiDAR 點(diǎn)云，針對構(gòu)建的格網(wǎng)研究一種提取行道樹以及分割樹干點(diǎn)云的算法。

1 非地面點(diǎn)云提取

車載LiDAR 系統(tǒng)掃描獲取了道路以及周圍大量點(diǎn)云，其中就包含了大量地面點(diǎn)云，但本文研究的行道樹屬于非地面點(diǎn)云，因此大量的地面點(diǎn)數(shù)據(jù)會(huì)對實(shí)驗(yàn)造成障礙，同時(shí)也影響提取算法的效率。實(shí)驗(yàn)采用如圖1 所示的車載LiDAR 數(shù)據(jù)，對原始點(diǎn)云進(jìn)行濾波處理，提取非地面點(diǎn)云。

圖1 實(shí)驗(yàn)點(diǎn)云數(shù)據(jù)

1）格網(wǎng)構(gòu)建。由于點(diǎn)云數(shù)量龐大，本文采用分格網(wǎng)處理的方法，即將原始點(diǎn)云投影后，在XOY 平面劃分二維格網(wǎng)。首先將點(diǎn)云投影到XOY 平面，獲取其x，y方向上的最大值xmax和ymax與最小值xmin和ymin，從而獲取實(shí)驗(yàn)區(qū)域的大致范圍，設(shè)置一定的格網(wǎng)大小xTsd和yTsd將原始點(diǎn)云分割成m×n個(gè)規(guī)則的網(wǎng)格，每個(gè)格網(wǎng)設(shè)置點(diǎn)密度、高差與屬性值等信息。其中m，n的值如式（1）:

由于不同地區(qū)地勢起伏不同，因此格網(wǎng)大小閾值的選擇需要進(jìn)行調(diào)整，依據(jù)區(qū)域的大小形狀確定X方向以及Y方向的閾值，在地勢起伏大的區(qū)域格網(wǎng)要?jiǎng)澐中∫稽c(diǎn)，地勢平坦地區(qū)可以劃分大格網(wǎng)。在格網(wǎng)劃分時(shí)，統(tǒng)計(jì)每個(gè)格網(wǎng)的點(diǎn)云數(shù)據(jù)，即作為點(diǎn)密度，并計(jì)算其最大高差。

2）估算地平面高程。以單個(gè)格網(wǎng)為單元，按高程大小對格網(wǎng)內(nèi)點(diǎn)云進(jìn)行升序排序，并計(jì)算其前1/4 點(diǎn)云高程的平均值Zave。

3）地面點(diǎn)提取。設(shè)置高程緩沖值Zbuffer，計(jì)算區(qū)間[Zave,Zave+Zbuffer]內(nèi)點(diǎn)云的高程Zave2，若Zave2與Zave差值小于閾值K，則代表格網(wǎng)地勢平坦，將高程Zave2以上的點(diǎn)云作為非地面點(diǎn)提取出來；若大于閾值K，則代表格網(wǎng)地勢起伏較大，則將格網(wǎng)繼續(xù)劃分，重復(fù)上述3 個(gè)步驟，直到所有格網(wǎng)處理完畢，非地面點(diǎn)提取完成。

2 點(diǎn)云降噪

車載LiDAR 系統(tǒng)在移動(dòng)掃描時(shí)，由于空氣中灰塵的反射、鏡面折射等的影響，數(shù)據(jù)中有時(shí)會(huì)包含明顯高于地物的異常點(diǎn)，空氣中噪聲點(diǎn)等，這些噪聲點(diǎn)有時(shí)會(huì)導(dǎo)致地物點(diǎn)提取的不確定性，增加算法的困難程度。點(diǎn)云降噪的方式多種多樣，左志權(quán)[12]等利用依據(jù)基于鄰接關(guān)系的推理規(guī)則進(jìn)行噪聲單元與非噪聲單元聚類，最后進(jìn)一步選擇更精細(xì)剖分閾值迭代剔除低矮噪聲。濾波處理后點(diǎn)云中的噪聲點(diǎn)大多是空氣中的異常點(diǎn)或者樹冠表面的噪聲點(diǎn)，因此采用半徑濾波對其進(jìn)行點(diǎn)云降噪[13]。

依次查詢所有點(diǎn)，設(shè)置搜索半徑和領(lǐng)域點(diǎn)個(gè)數(shù)2 個(gè)閾值，如圖2 所示。設(shè)置搜索半徑為r，1 號(hào)點(diǎn)鄰域中沒有點(diǎn)，2 號(hào)點(diǎn)鄰域有4 個(gè)點(diǎn)，3 號(hào)點(diǎn)鄰域中有2 個(gè)點(diǎn)，若設(shè)置領(lǐng)域點(diǎn)個(gè)數(shù)閾值為3，則1 號(hào)點(diǎn)和2 號(hào)點(diǎn)即被當(dāng)成噪聲點(diǎn)剔除。

圖2 半徑濾波示意圖

由于此方法需要遍歷所有的點(diǎn)，因此本文在剔除地面點(diǎn)后在進(jìn)行點(diǎn)云降噪，可以有效降低算法的時(shí)間復(fù)雜度，在設(shè)置閾值后，對非地面點(diǎn)降噪前后對比如圖3 所示。

圖3 非地面點(diǎn)降噪前后對比圖

3 地物聚類

剔除地面點(diǎn)以及降噪處理后的點(diǎn)云，已經(jīng)被分割成不同的點(diǎn)云獨(dú)立塊，而需要提取的行道樹就在這些點(diǎn)云塊中，因此需要將這些點(diǎn)云塊聚類成獨(dú)立的單元，在聚類單元中提取目標(biāo)地物。本文結(jié)合已有改進(jìn)的區(qū)域增長法算法[3,14]，構(gòu)建格網(wǎng)進(jìn)行聚類，具體步驟如下:

1）按照非地面點(diǎn)云提取步驟中的格網(wǎng)構(gòu)建方法，重新構(gòu)建網(wǎng)格，網(wǎng)格邊長要盡量設(shè)置小一點(diǎn)。統(tǒng)計(jì)并計(jì)算落在格網(wǎng)內(nèi)的點(diǎn)云個(gè)數(shù)，設(shè)定一個(gè)數(shù)量閾值K，若格網(wǎng)內(nèi)點(diǎn)云個(gè)數(shù)不滿足閾值K，則將格網(wǎng)內(nèi)點(diǎn)云剔除并賦予此格網(wǎng)空格網(wǎng)屬性，反之則是非空格網(wǎng)，并對其賦予非空屬性值feature。

2）遍歷格網(wǎng)，依次將一個(gè)格網(wǎng)作為起始聚類中心格網(wǎng)點(diǎn)，并重新賦予一個(gè)新的格網(wǎng)屬性feature2，同時(shí)將聚類中心格網(wǎng)周圍8 個(gè)格網(wǎng)中的非空格網(wǎng)賦予與中心格網(wǎng)相同的屬性值feature2。

3）依次處理下一個(gè)格網(wǎng)單元，若格網(wǎng)屬性為feature，則將其作為聚類中心，然后重新賦予一個(gè)新的格網(wǎng)屬性feature3，并對其周圍8 個(gè)鄰域進(jìn)行探測，若格網(wǎng)屬性值為feature 則直接賦予與中心格網(wǎng)相同的屬性值feature3。若格網(wǎng)已經(jīng)處理過，也賦予與中心格網(wǎng)相同的屬性值feature3，同時(shí)將其他與此格網(wǎng)屬性相同的格網(wǎng)都賦予與中心格網(wǎng)相同的屬性值feature3。

4）依次遍歷所有格網(wǎng)，直到找不到中心聚類格網(wǎng)則表示聚類結(jié)束。假設(shè)非空格網(wǎng)設(shè)置屬性值為1，空格網(wǎng)為0，新屬性值按2，3，4，……賦予，有3 個(gè)不同點(diǎn)云塊步驟1（如圖4 所示），經(jīng)上述4 個(gè)步驟，最終聚類結(jié)果為步驟4。

圖4 聚類流程圖

4 行道樹提取

在上一步驟中，點(diǎn)云已被劃分成有不同屬性值的聚類單元，這些聚類單元具有不同的高度和形態(tài)，而車載LiDAR 掃描道路兩旁主要特征地物有建筑物、車輛、路燈、行道樹、桿狀物以及低矮地物等，其具體形態(tài)等差異如表1 所示。

表1 不同地物屬性差異表

依據(jù)表格中的屬性差異，本文以每個(gè)聚類單元為處理對象，按照表格中的屬性依次剔除其他地物，提取行道樹點(diǎn)云。具體步驟如下:

1）剔除噪聲塊，統(tǒng)計(jì)每個(gè)聚類單元所占格網(wǎng)數(shù)量，設(shè)定格網(wǎng)閾值Kmesh，點(diǎn)云個(gè)數(shù)閾值KN，若格網(wǎng)樹不滿足Kmesh，計(jì)算其聚類單元的點(diǎn)云個(gè)數(shù)，若點(diǎn)云個(gè)數(shù)小于閾值KN，則將該聚類單元看作噪聲點(diǎn)剔除。

2）低矮地物與車輛濾除。設(shè)置一個(gè)高差閾值H并統(tǒng)計(jì)每個(gè)聚類單元的最大高差，若聚類單元最大高差小于閾值H，則將其看作低矮地物濾除。經(jīng)過濾除后剩余基本都是如建筑物、行道樹以及桿狀物等高程較大的地物。

3）行道樹提取。首先計(jì)算每個(gè)聚類單元投影跨度，即取x，y方向二維投影坐標(biāo)的最大值與最小值之差中大的差值作為投影跨度，設(shè)置投影跨度閾值KP，若投影跨度大于KP，則將其當(dāng)作疑似建筑物聚類單元提取出來，反之則將其當(dāng)做桿狀物聚類單元提取。對疑似建筑物聚類單元做高程投影，選取高程值K，將聚類單元高程值K以下點(diǎn)云投影至二維平面；若投影面積與聚類單元投影面積差異大，則作為行道樹點(diǎn)云提取出來；對桿狀物設(shè)置面積閾值S，若面積大于閾值S，則將其作為行道樹點(diǎn)云提取出來，剔除桿狀物與路燈點(diǎn)云。

4）相連樹樹冠點(diǎn)云分離。文獻(xiàn)[9]介紹了3 種算法進(jìn)行相連樹分割，本文結(jié)合其中基于距離的提取算法進(jìn)行相連樹分割。首先確定相連棵數(shù)，以及每棵樹的底部重心點(diǎn)坐標(biāo)；然后遍歷聚類單元所有點(diǎn)，計(jì)算點(diǎn)到每棵樹底部重心點(diǎn)的水平距離，將點(diǎn)劃分進(jìn)水平距離最近的樹木中。提取出相連樹進(jìn)行實(shí)驗(yàn)，分割結(jié)果如圖5b、5c 所示。

圖5 行道樹點(diǎn)云提取結(jié)果

將相連樹分割完畢后，對其進(jìn)行樹干高提取，以每棵樹的聚類單元為數(shù)據(jù)處理單元，將聚類單元按照高程分為m層，從最底部一層開始，將其點(diǎn)云投影至二維平面，記錄其所占格網(wǎng)數(shù)量，作為該層的投影面積，并依次記錄為area1,area1,…,aream。設(shè)置閾值N，依據(jù)以下公式提取樹干點(diǎn)云:

5 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性，選取了圖1 所示的車載LiDAR 點(diǎn)云進(jìn)行實(shí)驗(yàn)，采用C++結(jié)合PCL 對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理。首先非地面點(diǎn)提取，剔除了地面點(diǎn)以及地面以下的噪聲點(diǎn)，結(jié)果如圖3a 所示，然后進(jìn)行點(diǎn)云去噪，剔除了非地面點(diǎn)中的孤立點(diǎn)與異常點(diǎn)，結(jié)果如圖3b 所示。然后對分割的點(diǎn)云塊進(jìn)行聚類，對聚類單元進(jìn)行提取，以及相連樹分割，提取最終結(jié)果如圖6 所示。

圖6 行道樹提取二維效果圖

為了驗(yàn)證算法的準(zhǔn)確性，對提取的行道樹以及相連樹的準(zhǔn)確分割進(jìn)行驗(yàn)證，本文采用人工提取與其對比，對比結(jié)果如表2 所示。

表2 提取結(jié)果對比

從提取結(jié)果來看，本文算法提取行道樹準(zhǔn)確率為88.89%，相連樹提取準(zhǔn)確率為86.36%，由此看來，算法具有可行性。分析上述提取結(jié)果發(fā)現(xiàn)，由于距離道路兩旁近的樹木茂盛且掃描點(diǎn)云多，所以提取效果較好，距離道路較遠(yuǎn)的樹被其他樹的遮擋，掃描點(diǎn)云稀疏，提取相對比較困難，提取效果差或提取不出來。

6 結(jié) 語

本文提出的行道樹提取算法，以及相連樹分割的方法具有較高的準(zhǔn)確性，不僅能提取出道路兩旁的行道樹，還能對其中的相連樹進(jìn)行分割提取，并提取每棵樹的樹干與樹冠點(diǎn)云。但本文算法中有多個(gè)步驟難度較高，對設(shè)備有較高要求，耗時(shí)也相對較長。另外，對于穿插在行道邊樹之間的路燈，本文算法并不能很有效的剔除路燈點(diǎn)云，需要進(jìn)一步改進(jìn)，使算法更具普適性。