張凱義，張 瑩

(1.浙江省測繪科學(xué)技術(shù)研究院，浙江杭州 310030；2.浙江省國土勘測規(guī)劃有限公司，浙江杭州 310030)

1 引 言

近年來，以移動車輛為搭載平臺，綜合POS系統(tǒng)、CCD像機、激光掃描頭、IMU慣性導(dǎo)航系統(tǒng)的移動車載激光掃描技術(shù)發(fā)展迅速，已經(jīng)成為一種新型的空間三維數(shù)據(jù)采集手段。車載激光掃描系統(tǒng)的優(yōu)勢在于可以短時間內(nèi)采集海量的點云數(shù)據(jù)，并且數(shù)據(jù)具有三維屬性信息。隨著車載激光掃描技術(shù)的不斷發(fā)展，已廣泛應(yīng)用于城市三維建模、高精地圖、市政道路修建等領(lǐng)域[1]。作為城市的重要部件之一，行道樹在減小噪音、大氣污染治理、城市水循環(huán)等方面發(fā)揮著重要作用[2]。利用車載激光掃描技術(shù)采集行道樹信息，可以為城市市政管理帶來可靠的數(shù)據(jù)支撐。

從點云數(shù)據(jù)中有效提取行道樹信息主要有兩種方法，一是通過點云的空間分布，提取密度、擬合殘差、掃描線信息等特征，依照此類特征實現(xiàn)點云的分類，完成目標(biāo)提取。如李海亭等[3]根據(jù)點云的基本特征構(gòu)建點云特征向量，然后采用支持向量機模型進行行道樹點云識別。但是點云之間的拓撲關(guān)系與形態(tài)信息沒有體現(xiàn)出來，通過上述方法提取地物會有大量的數(shù)據(jù)運算，并且很難識別與區(qū)分出混合點云。另一種方法是對點云數(shù)據(jù)進行映射，生成二維特征圖像，如依據(jù)格網(wǎng)內(nèi)的高程分布的圖像，依據(jù)點云密度生成的密度圖像等。如楊莎莎等[4]利用投影面積和投影點密度識別出行道樹，然后通過提取樹高檢驗行道樹識別的精度。

作為一種較為完善且相對成熟的圖像處理方法，區(qū)域增長法已經(jīng)廣泛應(yīng)用于場景中的地物分類與提取。目前將區(qū)域增長法應(yīng)用到點云數(shù)據(jù)處理中沒有考慮到地物的空間形態(tài)信息，對于規(guī)則的地物如桿狀物，使用此種方法進行提取會得到良好的效果。但是對于場景中復(fù)雜地物的提取，如行道樹提取，使用此種方法得到的效果并不理想[5]。為了提高對復(fù)雜地物提取的準(zhǔn)確性，本文將空間分層投影方法引入?yún)^(qū)域增長方法中。首先，將點云數(shù)據(jù)分層，對每層點云數(shù)據(jù)進行投影，計算投影至格網(wǎng)內(nèi)的點云的密度及高程信息；其次，使用一種從樹干底部到樹冠頂端的搜索方式完成行道樹的提取。

2 行道樹提取

行道樹在車載點云數(shù)據(jù)中的上下點云特征差異明顯。樹冠點云的空間分布范圍較大且不均勻，密度較低。樹干點云的密度較高，并且在垂直地面方向分布均勻，但平行地面方向分布范圍小[6]。實際行道樹生長高大，樹冠茂密，相鄰行道樹之間的樹冠點云數(shù)據(jù)可能出現(xiàn)交叉的情況，如圖1所示。

圖1 單棵行道樹與多棵行道樹示意圖Fig.1 Schematic diagram of single street tree versus multiple street trees

為了提高行道樹的識別度，表現(xiàn)行道樹在不同高度層的特征，可對行道樹點云的不同高度段進行投影，獲取分層投影格網(wǎng)。

2.1 分層投影

根據(jù)行道樹在實際場景中的形態(tài)與車載點云數(shù)據(jù)中行道樹點云的分布范圍，點云數(shù)據(jù)在分層投影時，可對生成特征圖像的格網(wǎng)尺度與分層高度進行確定。

2.1.1 格網(wǎng)尺度確定

圖2所示為樹干點云的投影方式，格網(wǎng)尺度過小或過大得到的投影結(jié)果都會很差。設(shè)置格網(wǎng)尺度過小，就會大大提高運算量，降低運算效率；設(shè)置格網(wǎng)尺度過大，生成的特征圖像的分辨率就會降低，丟失較多信息。為了最大限度地將樹干的特征體現(xiàn)出來，計算測區(qū)內(nèi)所有行道樹樹干的平均直徑，將格網(wǎng)尺度設(shè)置為樹干平均直徑。

圖2 樹干格網(wǎng)投影方式Fig.2 Tree trunk grid projection mode

2.1.2 分層高度確定

投影時分層高度決定著地面與樹冠投影至同一圖像時是否將地面與樹冠之間的樹干信息遮蓋。同時投影前也要考慮到分層后數(shù)據(jù)量大小、地面起伏狀態(tài)與部分樹干的分枝點不明顯等影響投影質(zhì)量的問題。對測區(qū)內(nèi)的所有樹干平均長度進行估算，假設(shè)估算結(jié)果為AH，通過不斷實驗，分層高度在AH/3至AH/2之間時，分層投影的效果最好。分層數(shù)可表示為[7]：

(1)

式中：Lnum表示分層數(shù)，CEIL表示向上取整運算，Zmin表示最小高程，Zmax表示最大高程，dz表示分層高度。

2.1.3 格網(wǎng)特征值確定

篩選得到格網(wǎng)內(nèi)的點云最小高程值Zmin和最大高程值Zmax，對格網(wǎng)高程值進行賦值；通過對每個格網(wǎng)內(nèi)落入點云的數(shù)量進行統(tǒng)計，獲取格網(wǎng)點云密度。

2.2 格網(wǎng)內(nèi)地物形態(tài)分析

分層格網(wǎng)中，地面格網(wǎng)的特點是僅在單層分布，密度較低但分布均勻。樹干格網(wǎng)底端連接地面，頂端與樹冠相連，水平面上分布范圍較小。樹冠格網(wǎng)的特點是在水平面上分布范圍大但不均勻。建筑物點云投影往往會貫穿多層格網(wǎng)，投影特征圖一般呈條帶狀。桿類物如探頭桿、紅綠燈桿等在格網(wǎng)內(nèi)的分布形態(tài)與樹干在格網(wǎng)內(nèi)的分布形態(tài)較為接近，差異在于探頭桿、紅綠燈桿這種半徑上下一致的桿會貫穿更多的格網(wǎng)層數(shù)。由于這類桿沒有行道樹數(shù)頂端樹冠的這種結(jié)構(gòu)，因此它們在格網(wǎng)中的范圍不大[8]。

2.3 改進區(qū)域增長

根據(jù)格網(wǎng)的點云密度以及行道樹在分層特征圖像中的形態(tài)特征及其他特征，采用區(qū)域增長法識別得到桿狀物底層起點，并一直搜索到頂端位置，最后根據(jù)事先設(shè)置好的特征條件對增長結(jié)果進行判斷。圖3為樹木搜索流程圖。

圖3 樹木搜索流程Fig.3 Tree search process

2.3.1 樹干搜索與判斷

利用區(qū)域增長，參照樹干在分層圖像中的形態(tài)、格網(wǎng)內(nèi)高程范圍及點云密度特征對樹干進行識別與判斷。判斷條件主要包括：

1)起始形態(tài)條件。通常情況下，樹干從地面依次向上延伸，其下層格網(wǎng)不存在或為空，上層格網(wǎng)不為空。通過將樹干起點確定為起始條件，依次向上層進行區(qū)域增長。

2)樹干形狀條件。樹木點云中上層格網(wǎng)能夠表現(xiàn)出樹冠的特征，格網(wǎng)的面積較大且格網(wǎng)內(nèi)點云密度高。樹干從最底層向上增長到頂端時，若搜索條件滿足樹冠特征，則進行樹冠的識別與判斷，如果不滿足，則停止增長。

3)面積條件。相對于樹冠，樹干的投影面積更低，可以將判斷條件設(shè)置為面積閾值，當(dāng)增長面積大于設(shè)置的面積閾值時，樹干的識別與判斷就可以停止。由于測區(qū)內(nèi)行道樹直徑不盡相同，樹干的理論投影面積要小于實際投影面積，因此，在判斷條件的設(shè)置時應(yīng)充分考慮測區(qū)實際投影數(shù)據(jù)。

4)點云密度條件。地面點的分布范圍更大，大部分點集中在一個平面內(nèi)。樹干點云相對地面點云，單位體積內(nèi)的個數(shù)更多，所以格網(wǎng)內(nèi)樹干的點云密度更高。區(qū)域增長條件可以設(shè)置為格網(wǎng)內(nèi)最小點密度閾值。

2.3.2 樹冠搜索與判斷

完成樹干的識別與判斷后，從樹干的頂部向上進行樹冠的搜索。由于樹冠點云投影后，在格網(wǎng)內(nèi)的規(guī)律性不強，所以只能將樹冠半徑與形狀作為搜索的條件。

1)半徑約束。從圖1可以看到，如果相鄰行道樹距離太近，或者樹冠范圍過大，就會造成相鄰行道樹樹冠點云交叉的情況。在區(qū)域增長時需加入半徑約束防止過度增長，半徑大小設(shè)置為垂直于行道樹排列方向的樹冠點云半徑大?。粓A心設(shè)置為樹干中心格網(wǎng)。搜索停止的條件之一就是搜索半徑大于約束的半徑。

2)形狀條件。某些地物，如廣告牌點云在格網(wǎng)中的表現(xiàn)特征可能與行道樹類似，但是這些地物上部不能像樹冠一樣被激光穿透，故這些地物投影表現(xiàn)為條帶狀。為了更加準(zhǔn)確地分辨出樹冠與其他地物，在半徑約束之外，根據(jù)投影形狀的不同加入形狀約束。統(tǒng)計非空格網(wǎng)在一格網(wǎng)八鄰域內(nèi)的個數(shù)，假設(shè)為SN，同時設(shè)置閾值T。對非孤立格網(wǎng)數(shù)Tn進行統(tǒng)計，同時統(tǒng)計非零格網(wǎng)數(shù)N，其中判斷非孤立格網(wǎng)的依據(jù)是非零格網(wǎng)是否滿足閾值T條件。式(2)為非孤立點的面積比例計算[9]：

(2)

式中：SHAPE表示非孤立點的面積比例。

通過大量實驗得出結(jié)論，使用SHAPE值能有效將條帶區(qū)域與塊狀區(qū)域區(qū)分開。在半徑約束的前提下，設(shè)置合理的閾值T，能將樹冠點云與其他地物點云準(zhǔn)確地區(qū)分開[10-11]。通過半徑約束與形狀約束，利用區(qū)域增長從下到上進行逐層搜索，并且記錄樹冠投影的形狀與面積參數(shù)。

2.3.3 樹木判斷

對行道樹自下而上完成樹干與樹冠的識別與判斷后，對樹木的整體通過以下條件進行最終的判斷：

1)樹木整體高度。同一個測區(qū)內(nèi)的行道樹的高度大致相同，將樹冠頂點的高程值減去樹干與地面連接處高程值得到的高差作為數(shù)木的高度。根據(jù)現(xiàn)場實際情況得到的樹木高度估算值結(jié)合樹木高度的計算值合理設(shè)置高度閾值，將與樹木高度相差較大的地物排除。

2)樹干高度。為了使行道樹不遮擋行人，一般行道樹的分枝點高度需大于2.5 m。將樹干的終點高程值減去起點高程值得到的高程差作為樹干的高度，將樹干高度閾值作為識別與判斷行道樹的條件之一。

3)樹冠高度與投影面積。樹冠的高度可通過樹冠頂部高程減去樹冠實際高程得到，設(shè)置一定的樹冠高度閾值。樹冠在分層投影時會得到相對較大的投影面積，通過設(shè)置面積約束條件，對樹冠進行識別與判斷。

3 試驗與分析

通過車載激光掃描儀采集得到道路點云及道路兩側(cè)行道樹、道路部件等點云數(shù)據(jù)，選擇其中三組數(shù)據(jù)作為本文的試驗對象。圖4(a)所示為試驗數(shù)據(jù)1，共包含692 563個激光點，圖4(e)所示為試驗數(shù)據(jù)2，共包含3 856 294個激光點，圖4(g)所示為試驗數(shù)據(jù)3，共包含1 198 752個激光點。

試驗使用C++編程實現(xiàn)算法，同時使用典型的格網(wǎng)密度方法與高程閾值法提取行道樹，與本文方法進行試驗對比。

表1所示為算法的參數(shù)設(shè)置。圖4為原始點云數(shù)據(jù)與算法實現(xiàn)的行道樹提取結(jié)果。

圖4 原始點云數(shù)據(jù)與提取行道樹結(jié)果Fig.4 Original point cloud data and extracted street tree results

表1 算法參數(shù)設(shè)置Tab.1 Parametersettingofthealgorithm分組格網(wǎng)尺度/(m×m)分層尺度/m樹木高度閾值/m樹冠面積閾值/個樹冠非孤立點比例樹冠半徑閾值/m樹干面積閾值/m樹干高度閾值/m試驗結(jié)果(圖4)10.2×0.212～12>200>0.4<31～60.5～1.5(d)10.2×0.21———<3——(b)10.2×0.212～12—————(c)20.3×0.30.53～10>80>0.4<31～41～2(f)30.5×0.50.52～15>30>0.4<31～40.5～1.5(h)

對比三種行道樹提取方法結(jié)果，可以看出，使用點云密度法與高程特征法能夠?qū)⑿械罉渫暾靥崛〕鰜恚翘崛〉狞c云數(shù)據(jù)中仍然包含樹坑內(nèi)及低矮植被類點云數(shù)據(jù)，誤將此類點云數(shù)據(jù)識別為行道樹點云數(shù)據(jù)。

將樹木的實際形態(tài)作為判別行道樹條件之一，本文使用的方法能夠有效消除其他桿狀物、低矮植被類點云數(shù)據(jù)對行道樹提取的影響，而且無論是單棵行道樹還是成列行道樹，都能實現(xiàn)準(zhǔn)確的提取與分類。

4 結(jié)束語

利用車載激光掃描技術(shù)采集得到包含行道樹數(shù)據(jù)在內(nèi)的道路點云數(shù)據(jù)。建立分層格網(wǎng)，對行道樹在格網(wǎng)中的表現(xiàn)特征進行分析，結(jié)合行道樹的其他分布特征，采用一種從行道樹樹干底部自下而上到樹冠頂部的搜索方式提取行道樹。相比于以往的行道樹提取方法，本文方法可以消除其他地物點云數(shù)據(jù)對行道樹提取的影響，適用于多種復(fù)雜場景中行道樹的提取。

此外，本研究對于道路兩側(cè)其他地物點云數(shù)據(jù)的提取也有一定的參考價值。但是，該方法的缺陷在于針對行道樹點云數(shù)據(jù)缺失較多的情況，其提取效果不佳，將在后續(xù)做進一步研究。