王田發(fā) 孔巧麗 李長松 張令綱 方文豪

(山東科技大學(xué) 測繪與空間信息學(xué)院, 山東 青島 266500)

0 引言

傳統(tǒng)的人工測量方法是過去獲取城區(qū)中行道樹信息的主要途徑,但是此方法測量效率低、精度差。隨著三維激光掃描技術(shù)的發(fā)展,車載激光掃描系統(tǒng)擔(dān)任了獲取城區(qū)行道樹信息的重要任務(wù)。車載LiDAR系統(tǒng)憑借采集數(shù)據(jù)自動化程度高、速度快、精度高、可進行三維可視化等特點,應(yīng)用在行道樹信息的提取上節(jié)省了大量的人力和物力。文獻[1]提出了一種基于知識的方法,在激光點云數(shù)據(jù)中直接提取屬于特定地物的目標(biāo)點,該方法能夠有效地提取單株樹點云,但在復(fù)雜的環(huán)境中提取精度受到了一定的限制。文獻[2]針對車載LiDAR數(shù)據(jù)的分類和提取,提出了一種點云特征圖像的生成方法,但是此方法對單株樹的提取精度較低。文獻[3]提出了一種以聚類的桿狀地物為基礎(chǔ)的提取方法,利用八鄰域搜索對地物點進行聚類,再通過各類地物的特征,對其他地物點逐步排查,精細(xì)提取桿狀地物。文獻[4-5]通過聯(lián)合二維和三維格網(wǎng),提出了一種基于水平截面法的樹木點云提取方法。文獻[6]通過均值聚類和曲線擬合算法提出了一種單株樹骨架的提取方法。文獻[7]采用面向?qū)ο笈c疊加分析的方法,提出了一種分層投影的行道樹提取方法。文獻[8]結(jié)合目標(biāo)物的空間結(jié)構(gòu)特征,提出了一種分層獲取目標(biāo)物激光點云的方法。文獻[9]結(jié)合行道樹在分層格網(wǎng)中的形態(tài)特征、高程分布與投影密度提出了一種基于空間區(qū)域增長的行道樹提取方法,此方法能有效地獲取行道樹的點云。文獻[10]直接在建立好的空間投影格網(wǎng)上進行的點云分割,利用啟發(fā)式搜索算法在激光點云數(shù)據(jù)中獲得樹干的精確位置信息,并通過區(qū)域競爭算法正確區(qū)分了樹冠。文獻[11]利用隨機森林建立預(yù)測模型,并將點云進行分類處理,采用基于密度的聚類算法來提取單株樹,并以單株樹為數(shù)據(jù)處理的最小單元獲取樹的屬性信息。本文對分層格網(wǎng)點密度法進行研究,分析了算法中各參數(shù)對行道樹提取結(jié)果精度的影響。此方法可以根據(jù)被提取地物的實際形態(tài),合理地調(diào)整格網(wǎng)的參數(shù)(格網(wǎng)大小、格網(wǎng)高度),靈活地設(shè)置格網(wǎng)閾值,進而更加有效地提取目標(biāo)物的點云數(shù)據(jù)。

1 車載LiDAR技術(shù)理論

1.1 車載LiDAR系統(tǒng)的特點

車載激光探測及測距系統(tǒng)(Light Detection and Ranging，LiDAR)系統(tǒng)也叫作MLS(Mobile LiDAR System),是一種以汽車為載體快速獲得道路兩側(cè)地物屬性信息和位置的信息采集系統(tǒng),它是將激光掃描系統(tǒng)、電荷耦合元件(Charge-coupled Device，CCD)相機、定位定姿系統(tǒng)(Position and Orientation System，POS)、控制系統(tǒng)高度集成,然后固定在車頂上,隨著車輛的移動,掃描儀可以獲取周圍360°空間的三維信息,并且相比于機載三維激光掃描系統(tǒng),車載系統(tǒng)可以近距離獲取地物的信息。車載LiDAR系統(tǒng)憑借自身的各種優(yōu)越性越來越普遍地應(yīng)用于道路、人文地理、環(huán)境科學(xué)等領(lǐng)域。簡而言之,車載LiDAR系統(tǒng)具有采集數(shù)據(jù)自動化程度高、速度快、精度高、可進行三維可視化、非接觸測量、成圖獨立、獲取的信息量豐富等優(yōu)點。

但是由于掃描儀安裝在車頂,車載平臺高度一定,加上激光掃描儀的射程有限,從而導(dǎo)致較高地物的頂部信息無法獲得;并且系統(tǒng)以汽車為載體,掃描精度受到道路質(zhì)量的影響。同時車載三維激光掃描系統(tǒng)獲得的高精度的密集的數(shù)據(jù)會因為數(shù)據(jù)量過大,不方便數(shù)據(jù)后期的處理與管理。

1.2 車載LiDAR系統(tǒng)數(shù)據(jù)獲取過程

車載LiDAR系統(tǒng)工作時,首先需要建立全球定位系統(tǒng)(Global Positioning System，GPS)基準(zhǔn)站,然后對傳感器進行時間的同步、對數(shù)據(jù)進行空間配準(zhǔn),將GPS與慣性導(dǎo)航系統(tǒng)(Inertial Navigation System，INS)系統(tǒng)進行組合來獲取掃描車的行駛運動路線和實時姿態(tài)信息,最后完成對點云數(shù)據(jù)的采集,以及利用CCD相機進行獲取數(shù)據(jù)。具體流程圖如圖1所示。

2 行道樹點云提取流程

2.1 分層格網(wǎng)點密度法提取行道樹流程

由于不同地物具有不同的形態(tài)特征,所以地物表面的三維信息不同,在地物的不同高度處所得到的激光點也不同,在高程較低的近地面處,行道樹所獲得的激光點比較少,在高程值較大的樹冠處,就會獲得較多的激光點。因此,我們可以將所得到的激光點云進行分層,研究目標(biāo)對象在不同的高度范圍內(nèi)所包含的激光點,處理流程如圖2所示。

圖2 分層格網(wǎng)點密度法實現(xiàn)流程

2.2 單株行道樹的識別

2.2.1規(guī)則網(wǎng)格的建立

首先研究水平面上點云投影的范圍,根據(jù)實際范圍的大小建立一個對于各層網(wǎng)格都實用的網(wǎng)格標(biāo)準(zhǔn),使得各層之間對應(yīng)位置的網(wǎng)格大小相等且具有相同的行號和列號。建立網(wǎng)格時,可以根據(jù)實地情況和具體需要建立三維坐標(biāo)系。

2.2.2點云分層處理

點云分層一般都是根據(jù)高程對點云進行平均分層,在獲取點云中的最大高程和最小高程之后,根據(jù)其差值平均分為n層,對每層點云賦予不同的標(biāo)記。但此方法針對復(fù)雜的大場景點云尋找高程的最值是不可取的,需要根據(jù)實測地區(qū)的地形情況和所需提取研究的特定地物的實際情況進行點云的分層。

2.2.3逐層計算網(wǎng)格點密度

對點云數(shù)據(jù)建立標(biāo)準(zhǔn)化網(wǎng)格和點云分層之后,需要計算各個網(wǎng)格的投影點密度。首先將激光點云垂直投影到對應(yīng)層的水平面上,逐層統(tǒng)計各個網(wǎng)格內(nèi)所含有的點數(shù)。

2.2.4逐層提取激光點

由于各層對應(yīng)的網(wǎng)格標(biāo)準(zhǔn)是相同的,針對某一地物,可以分析其在各層中的鄰域關(guān)系。以單株樹為例,樹的三維形態(tài)是連續(xù)的,激光點云的分布也是連續(xù)的,所以在對其投影后,上下兩層相鄰網(wǎng)格中,投影點密度不為0的網(wǎng)格必定是相同行列號的。

提取單株樹激光點的具體步驟如下:

(1)受近地面地物(如樹下低矮灌木叢、路上的行人等)的影響,通過對第二層網(wǎng)格進行研究來確定樹的主干位置。首先設(shè)定一定的網(wǎng)格閾值,進入第二層網(wǎng)格,查找網(wǎng)格點密度大于閾值的網(wǎng)格,并記錄滿足條件的網(wǎng)格的行號和列號。由于格網(wǎng)大小不同,樹木的粗細(xì)程度也不同,有些樹木的激光點的投影可能不僅僅局限在一個網(wǎng)格中,所以設(shè)立的網(wǎng)格閾值不應(yīng)該太大,對于某個網(wǎng)格或其鄰域也大于閾值的網(wǎng)格進行分組標(biāo)記,表示對不同的樹進行不同的標(biāo)記,如對各組激光點分別標(biāo)記Treex,表示組成X編號的樹的一部分激光點。

(2)由上到下對第一層的網(wǎng)格進行搜索,只查找與第二層被標(biāo)記行列號相同的網(wǎng)格,直接為對應(yīng)的激光點標(biāo)記對應(yīng)的屬性。

(3)由下到上進入第三層,在第三層網(wǎng)格中查找與上一層被標(biāo)記行列號相同的網(wǎng)格,先剔除投影點密度為0的網(wǎng)格,剩下的網(wǎng)格判斷其點密度是否滿足閾值,若滿足則對應(yīng)標(biāo)記,然后對該層中被標(biāo)記的網(wǎng)格的八鄰域網(wǎng)格進行搜索,點密度滿足條件的也要加入對應(yīng)的分組。最后,在本層中再以標(biāo)記過的所有網(wǎng)格為起始網(wǎng)格,對八鄰域進行查找,滿足閾值條件的加入分組,以此方法直到對本層所有格網(wǎng)分組歸并完畢。

(4)當(dāng)前層分組歸并完成后,記錄對應(yīng)網(wǎng)格行列號,進入下一層用同樣的方法對其操作,直到整個點云數(shù)據(jù)中所有網(wǎng)格查找完畢。

2.2.5提取單株樹

所有網(wǎng)格處理完成后,在原始的點云數(shù)據(jù)中,按照需要輸出被標(biāo)記的點云,不同的樹有不同的標(biāo)記,可分別輸出。

3 基于分層格網(wǎng)點密度法提取單道樹信息的精度分析

3.1 車載LiDAR點云數(shù)據(jù)介紹

本文利用Microsoft Visual Studio 軟件以及CloudCompare軟件對點云數(shù)據(jù)進行提取、顯示和精度分析。所采用的激光點云數(shù)據(jù)是位于山東省青島市黃島區(qū)辛安街道前港路的部分點云數(shù)據(jù),在此點云中,主要包括六棵完整的樹、一根路燈、樹下低矮灌木叢、馬路中間的中央隔離護欄以及地面的點云。點云總數(shù)約170 000個,最大高差約12.5 m,如圖3所示。

圖3 車載激光點云預(yù)處理數(shù)據(jù)

3.2 各參數(shù)對點云提取的精度分析

本文通過改變格網(wǎng)閾值并采用控制變量法對分層格網(wǎng)點密度算法中出現(xiàn)的參數(shù)(格網(wǎng)大小,格網(wǎng)高度)進行分析,并在綜合考慮各影響因素下,分析了中央護欄和桿狀地物對單株樹提取結(jié)果精度的影響。

3.2.1格網(wǎng)大小對點云信息提取的影響

格網(wǎng)大小的不同會對提取精度產(chǎn)生影響。現(xiàn)在在點云圖像中單獨對一棵樹進行提取研究,點云的原圖像如圖4(a)所示,其中總點數(shù)為10 872個,樹高約10.4 m,樹下低矮灌木高約0.85 m。設(shè)置格網(wǎng)高度(即格網(wǎng)Z方向長度)為1 m,中心格網(wǎng)閾值為5,八鄰域閾值為2,僅改變格網(wǎng)大小來研究格網(wǎng)寬度對點云提取的精度影響。圖4(b)～(e)是格網(wǎng)大小分別設(shè)置為1 m×1 m,0.50 m×0.50 m,0.30 m×0.30 m,0.25 m×0.25 m時,提取的單株樹點云圖像。

根據(jù)圖像可以看出,格網(wǎng)越精細(xì),樹下的灌木叢就越容易剔除。原因是當(dāng)網(wǎng)格越小時較為鄰近的點分布在不同的網(wǎng)格中,越容易區(qū)分,當(dāng)格網(wǎng)比較大時,較為鄰近的點有可能在同一網(wǎng)格中,不易區(qū)分。然而格網(wǎng)越精細(xì),每一層中投影點密度就會越小,在已給定格網(wǎng)閾值的情況下,格網(wǎng)越小,小于閾值的格網(wǎng)也會增多,樹冠點云被舍去的就越多,從而會出現(xiàn)圖4的現(xiàn)象。

圖4 不同格網(wǎng)大小提取的單株數(shù)點云圖像

3.2.2格網(wǎng)高度對提取精度的影響

用控制變量法,只研究格網(wǎng)單層的高度對點云提取的影響。設(shè)計的各個固定參數(shù)分別為:格網(wǎng)寬度為0.3 m×0.3 m，中心格網(wǎng)的閾值為5，八鄰域的閾值設(shè)為5，控制格網(wǎng)高度(即Z方向的寬度)在0.5～2.1 m之間變化。提取結(jié)果如圖5所示。

從圖5(a)～(e)樹下的低矮灌木叢可以看出:選擇格網(wǎng)高度時,應(yīng)同時考慮地面低矮地物和樹冠下部分枝葉的影響,盡量使第二層格網(wǎng)既不包含低矮地物的點云信息也不包含樹冠下部枝葉的點云信息。同時由得到的點云圖像可知,所研究區(qū)域的地形是西高東低的。

圖5 不同格網(wǎng)高度提取的低矮灌木叢點云圖像

3.2.3中央護欄的剔除

綜合考慮3.2.2中所做的實驗結(jié)果發(fā)現(xiàn):隨著格網(wǎng)高度的增加,馬路中央護欄逐漸被剔除,然而某些樹下灌木叢的點云又逐漸增多,這一現(xiàn)象主要是由地形起伏引起的,用CloudCompare軟件進行分析,西側(cè)(馬路呈東西方向,圖上左側(cè)為西)地勢比東側(cè)高約0.75 m。因此，為了同時考慮對中央護欄和樹下低矮灌木叢的剔除,需要對中心格網(wǎng)閾值和八鄰域閾值參數(shù)進行設(shè)置,找到合理的閾值,進而來提高精度?，F(xiàn)在設(shè)定格網(wǎng)大小為0.3 m×0.3 m,考慮地勢高低的因素將格網(wǎng)高度設(shè)為1.8 m,八鄰域閾值為2,用控制變量法,僅改變中心格網(wǎng)的閾值,處理結(jié)果如圖6所示。

圖6 格網(wǎng)大小0.3 m×0.3 m不同閾值的處理結(jié)果

由圖6可以發(fā)現(xiàn),單考慮提高格網(wǎng)高度來剔除中央護欄是不可取的,因為受地勢高低的影響,灌木叢的點云無法剔除,此時應(yīng)該選擇合理的格網(wǎng)高度,借助中央護欄投影的特點,改變中心格網(wǎng)閾值來對其進行剔除。

3.2.4桿狀地物對分層格網(wǎng)點密度法的影響

在此算法中,對每一層中滿足閾值的格網(wǎng),搜索其八鄰域的網(wǎng)格點密度,對點密度大于閾值的網(wǎng)格進行標(biāo)記和提取,刪除點密度小于閾值的網(wǎng)格,故此算法會提取到電線桿、路燈等桿狀地物。圖7(a)是點云數(shù)據(jù)處理前的路燈的點云圖像,設(shè)置格網(wǎng)的大小為0.3 m×0.3 m,格網(wǎng)高度2.0 m,中心格網(wǎng)的閾值為5,八鄰域閾值為5,提取結(jié)果如圖7(b)所示。

圖7 路燈點云圖像

提取過程中,因為樹冠的形態(tài)各有異同,樹葉的疏密程度也不同,暫時不能根據(jù)樹冠部分與路燈等其他桿狀地物形態(tài)的異同,對點云進行全自動的處理。因此，在算法中只保留滿足條件的點云,提取出的點云中會包含一些桿狀地物。需要在提取完之后進一步區(qū)分和排除。本實驗考慮路燈與樹的實際形態(tài)不同,將兩者投影到二維網(wǎng)格上點云的形態(tài)也不同(圖8),借助CloudCompare軟件進行成圖顯示和去除路燈點云。

圖8 二維投影圖

4 結(jié)束語

本文基于分層格網(wǎng)點密度法采用CloudCompare軟件對所研究的點云數(shù)據(jù)進行了詳細(xì)分析。通過控制變量法,分別研究不同參數(shù)對提取結(jié)果的影響,為了使實驗結(jié)果更加明顯,用CloudCompare軟件對所要研究的目標(biāo)進行分割,并在Microsoft Visual Studio 平臺上,不斷改變格網(wǎng)大小、格網(wǎng)高度、中心格網(wǎng)閾值等參數(shù),來分析各個參數(shù)對提取精度的影響。實驗結(jié)果表明,基于分層格網(wǎng)點密度提取單株樹的算法可有效地獲取組成單株樹的激光點。但在進行提取時要充分分析實地的地形情況,并且相鄰兩棵樹的點云若有重合,將難以區(qū)分,路燈等與樹木主干相似的桿狀物體,也難以自動剔除。在今后的研究中,將會對桿狀地物的自動排除、樹木特征信息計算進行深入研究。