一種基于機(jī)載激光雷達(dá)點(diǎn)云的建筑物識(shí)別方法

摘 "要： 以三維激光雷達(dá)數(shù)據(jù)為基礎(chǔ)進(jìn)行目標(biāo)自動(dòng)檢測(cè)識(shí)別具有重要現(xiàn)實(shí)意義。針對(duì)傳統(tǒng)的以人工判讀識(shí)別目標(biāo)的方法已經(jīng)遠(yuǎn)不能滿足從海量數(shù)據(jù)中確定目標(biāo)的要求，文中提出一種基于機(jī)載激光雷達(dá)點(diǎn)云的建筑物識(shí)別方法。通過使用改進(jìn)后的金字塔方法構(gòu)建三維激光雷達(dá)點(diǎn)云，鑒于三維激光點(diǎn)云具有地物本身的語義信息，可根據(jù)點(diǎn)云的多尺度復(fù)雜地物特征實(shí)現(xiàn)三維激光點(diǎn)云數(shù)據(jù)的自動(dòng)分類，對(duì)分類后的非地面點(diǎn)進(jìn)行區(qū)域生長(zhǎng)分割，通過點(diǎn)云與建筑物平面特征的匹配，確定建筑物的識(shí)別結(jié)果。整個(gè)方案實(shí)現(xiàn)過程清晰、簡(jiǎn)單，而且該方法的實(shí)現(xiàn)對(duì)計(jì)算機(jī)硬件配置要求不高，能夠從海量三維激光雷達(dá)數(shù)據(jù)中快速、準(zhǔn)確地識(shí)別類建筑物，正確率高達(dá)81.25%，在目標(biāo)識(shí)別領(lǐng)域具有較高的應(yīng)用價(jià)值。

關(guān)鍵詞： 激光雷達(dá)； 點(diǎn)云； 金字塔方法； 點(diǎn)云分割； 智能識(shí)別； 區(qū)域生長(zhǎng)分割

中圖分類號(hào)： TN959.3?34 " " " " " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A " " " " " " " " " " " 文章編號(hào)： 1004?373X（2024）21?0097?04

Building recognition method based on airborne LiDAR point cloud

FANG Shuyan， ZHAO Jianle， WANG Xin， ZHAO Jian

（Qingdao Branch of China Research Institute of Radiowave Propagation， Qingdao 266107， China）

Abstract： The automatic target detection and recognition based on 3D LiDAR data is of great practical significance. The traditional manual interpretation and recognition methods have limitations to identify the target from massive data. To address this issue， a building recognition method based on airborne LiDAR point cloud is proposed. The improved pyramid method is used to construct 3D LiDAR point cloud. Because the 3D LiDAR point cloud has the semantic information of the ground object itself， its data can be classified automatically according to the multi?scale complex ground object features of the point cloud. The non?ground points can be segmented by region growing. The recognition result of the building is determined by matching the point cloud and the planar features of building. The implementation process is clear and easy. Furthermore， this method does not require high computer hardware configurations， and can quickly and accurately identify building?like structures in point cloud with an impressive accuracy rate of 81.25%. It has high application value in the field of target recognition.

Keywords： LiDAR; point cloud; pyramid method; point cloud segmentation; intelligent recognition; region growing segmentation

0 "引 "言

機(jī)載激光雷達(dá)以有人、無人飛行器為載體，在搭載于飛行器的飛行過程中對(duì)地面進(jìn)行探測(cè)，采集地物的反射回波，并與定位、定姿數(shù)據(jù)聯(lián)合解算為激光點(diǎn)云。激光點(diǎn)云可提供以距離和強(qiáng)度為基礎(chǔ)的高分辨率三維空間信息，具有更加準(zhǔn)確的目標(biāo)自動(dòng)檢測(cè)識(shí)別能力。因此，發(fā)展以三維激光雷達(dá)數(shù)據(jù)為基礎(chǔ)的目標(biāo)自動(dòng)檢測(cè)識(shí)別，在數(shù)字城市、巡檢規(guī)劃等民用領(lǐng)域可發(fā)揮重要作用。

目前，機(jī)載激光雷達(dá)探測(cè)頻率可達(dá)數(shù)十萬赫茲，生成的激光點(diǎn)云數(shù)據(jù)量巨大，單架次數(shù)據(jù)量在數(shù)億點(diǎn)甚至數(shù)百億點(diǎn)，傳統(tǒng)的以人工判讀識(shí)別目標(biāo)的方法已經(jīng)遠(yuǎn)不能滿足從海量數(shù)據(jù)中確定目標(biāo)的需求，因此，迫切需要一種基于機(jī)載激光雷達(dá)點(diǎn)云的建筑物識(shí)別方法，自動(dòng)、快速、準(zhǔn)確地提取類建筑物目標(biāo)。

1 "方案設(shè)計(jì)

建筑物識(shí)別需頻繁對(duì)三維激光雷達(dá)數(shù)據(jù)進(jìn)行讀寫。為了提高數(shù)據(jù)讀寫效率和速度，將雷達(dá)與定位、定姿數(shù)據(jù)聯(lián)合解算后的點(diǎn)云以金字塔結(jié)構(gòu)進(jìn)行存儲(chǔ)；然后，通過基于語義特征的激光大數(shù)據(jù)自動(dòng)分類算法，在多尺度空間上提取復(fù)雜地物點(diǎn)云特征，根據(jù)特征[1]性質(zhì)確定點(diǎn)云類別，實(shí)現(xiàn)三維激光點(diǎn)云數(shù)據(jù)的地物自動(dòng)分類[2]；最后，對(duì)地物分類后的非地面點(diǎn)進(jìn)行區(qū)域生長(zhǎng)分割，根據(jù)建筑物的點(diǎn)云平面特征進(jìn)行類別聚合，確定建筑物的識(shí)別結(jié)果。

基于機(jī)載三維激光雷達(dá)點(diǎn)云的建筑物檢測(cè)方法流程如圖1所示。

1.1 "雷達(dá)數(shù)據(jù)管理

針對(duì)激光雷達(dá)采集數(shù)據(jù)的特點(diǎn)，對(duì)通用的數(shù)據(jù)存儲(chǔ)、構(gòu)建點(diǎn)云金字塔[3?4]的方法進(jìn)行了改進(jìn)，為后續(xù)建筑物目標(biāo)的快速、有效識(shí)別奠定了基礎(chǔ)。

理論上構(gòu)建點(diǎn)云金字塔的方法是：首先根據(jù)點(diǎn)云的整體空間范圍，將空間劃分為多個(gè)大小一致的方格；再依據(jù)坐標(biāo)將每個(gè)點(diǎn)放入對(duì)應(yīng)的方格，實(shí)現(xiàn)原始點(diǎn)云（第一層）與空間的對(duì)應(yīng)；第二層中的點(diǎn)云由第一層等比例抽稀得到，第三層的點(diǎn)云由第二層等比例抽稀得到，依次類推，直至抽稀后的全部點(diǎn)云都在某一層的同一個(gè)方格內(nèi)部，金字塔構(gòu)建完成。

理論上的點(diǎn)云金字塔存儲(chǔ)結(jié)構(gòu)如圖2所示。

上述構(gòu)建點(diǎn)云金字塔的方法如下。

1） 要求將全部激光點(diǎn)云按照行、列順序（對(duì)應(yīng)地理坐標(biāo)的[x]、[y]）進(jìn)行排序，由于激光點(diǎn)云數(shù)據(jù)量大，在對(duì)一次作業(yè)采集的全部點(diǎn)云數(shù)據(jù)按照地理坐標(biāo)排列時(shí)，將面臨巨大的計(jì)算復(fù)雜度和時(shí)間復(fù)雜度。因此，采用分塊式las文件存儲(chǔ)方式，在解析激光雷達(dá)采集原始數(shù)據(jù)、構(gòu)建點(diǎn)云存儲(chǔ)結(jié)構(gòu)時(shí)，將飛行探測(cè)區(qū)域按照地理坐標(biāo)劃分為多個(gè)大小相等的矩形空間，并為每個(gè)空間建立一個(gè)獨(dú)立的las文件，使得las文件中包括目標(biāo)區(qū)域在多個(gè)航帶、多次掃描中的激光點(diǎn)集。這種分塊式las文件存儲(chǔ)點(diǎn)云的數(shù)據(jù)組織方式在las文件內(nèi)部實(shí)現(xiàn)了臨近位置激光點(diǎn)之間的關(guān)聯(lián)。

2） las文件采用行號(hào)+列號(hào)的方式命名，同一行號(hào)的las文件按照列號(hào)遞增的順序在地理位置上相鄰，同一列號(hào)的文件按照行號(hào)遞增的方式在地理位置中相鄰，多個(gè)名稱相關(guān)的文件共同構(gòu)建采集區(qū)域的全景點(diǎn)云模型。

3） 由于使用的實(shí)驗(yàn)采集數(shù)據(jù)的密度較大，為節(jié)省數(shù)據(jù)處理時(shí)間，同一las文件內(nèi)的激光點(diǎn)仍按采集順序存儲(chǔ)。在構(gòu)建點(diǎn)云金子塔時(shí)，先把las文件對(duì)應(yīng)的地理區(qū)域劃分為[N×M]個(gè)上層矩型小空間，按照點(diǎn)云數(shù)據(jù)的存儲(chǔ)順序?qū)ο噜忺c(diǎn)云進(jìn)行等間隔抽稀，如上層矩形小空間內(nèi)的點(diǎn)云數(shù)已滿足抽稀要求，則后續(xù)不再將點(diǎn)加入該空間內(nèi)，直至所有小矩形空間都被填滿則認(rèn)為第二層點(diǎn)云構(gòu)建完畢。按照上述方法逐層進(jìn)行點(diǎn)云抽稀構(gòu)建高層點(diǎn)云結(jié)構(gòu)，直至所有l(wèi)as文件中的點(diǎn)均被構(gòu)建到一層中時(shí)即認(rèn)為金字塔構(gòu)建完成。

1.2 "基于語義特征的自動(dòng)分類

傳統(tǒng)的分類方法不能滿足三維激光雷達(dá)點(diǎn)云數(shù)據(jù)利用高時(shí)效性的要求。鑒于三維激光點(diǎn)云具有地物本身的語義信息，可根據(jù)點(diǎn)云的多尺度復(fù)雜地物特征，實(shí)現(xiàn)三維激光點(diǎn)云數(shù)據(jù)的自動(dòng)分類。

基于語義特征的激光大數(shù)據(jù)自動(dòng)分類是基于TIN漸進(jìn)加密過濾地面點(diǎn)的算法[5]，在多尺度空間上提取復(fù)雜地物點(diǎn)云特征，根據(jù)特征性質(zhì)確定點(diǎn)云類別，實(shí)現(xiàn)三維激光點(diǎn)云數(shù)據(jù)的自動(dòng)分類，流程如下。

1） 粗差剔除，去除點(diǎn)云中的離散點(diǎn)。

2） 利用二維分塊索引技術(shù)對(duì)點(diǎn)云數(shù)據(jù)建立索引結(jié)構(gòu)，進(jìn)行網(wǎng)格劃分。根據(jù)點(diǎn)云空間范圍計(jì)算合適的網(wǎng)格尺寸（網(wǎng)格尺寸一般要大于該區(qū)域內(nèi)建筑物的尺寸），將點(diǎn)云按照空間坐標(biāo)劃分到網(wǎng)格內(nèi)。

3） 以每一塊內(nèi)的最低點(diǎn)為種子點(diǎn)，構(gòu)造初始的狄洛尼三角網(wǎng)，對(duì)剩余點(diǎn)逐個(gè)判斷加入TIN網(wǎng)后構(gòu)成的三角面片法向。如法向與水平法向夾角小于一定的度數(shù)，認(rèn)為該點(diǎn)為地面點(diǎn)；否則，認(rèn)為是非地面點(diǎn)（角度的度數(shù)為經(jīng)驗(yàn)值，一般根據(jù)點(diǎn)云區(qū)域的起伏狀態(tài)確定）。

4） 過濾出新地面點(diǎn)后，將新地面點(diǎn)加入地面點(diǎn)TIN網(wǎng)中，更新TIN網(wǎng)。所有點(diǎn)遍歷結(jié)束后，提取出地面點(diǎn)，對(duì)于非地面點(diǎn)，由于植被點(diǎn)占據(jù)了其中的大頭，因此將其認(rèn)為是植被點(diǎn)。最后將類別值寫入到點(diǎn)云文件或金字塔文件中。

大數(shù)據(jù)自動(dòng)分類流程如圖3所示，點(diǎn)云分類后的效果如圖4所示。

1.3 "目標(biāo)智能識(shí)別

以深度學(xué)習(xí)為思路的目標(biāo)智能識(shí)別方法能夠從復(fù)雜場(chǎng)景中識(shí)別多樣的物體，但機(jī)器學(xué)習(xí)的方法需要大量的人工標(biāo)記數(shù)據(jù)來進(jìn)行前期訓(xùn)練，且對(duì)計(jì)算機(jī)的硬件配置要求很高，需要數(shù)量眾多的服務(wù)器做支撐，時(shí)間成本較高[6]。

點(diǎn)云和模型匹配的目標(biāo)智能識(shí)別方法只需根據(jù)建筑物的平面特征即可在探測(cè)場(chǎng)景點(diǎn)云中進(jìn)行識(shí)別[7]，這種方法對(duì)訓(xùn)練數(shù)據(jù)和計(jì)算機(jī)硬件配置要求大為降低，完全可以滿足本文設(shè)計(jì)的需求。

點(diǎn)云和模型匹配[8]的目標(biāo)智能識(shí)別方法實(shí)現(xiàn)流程如圖5所示。

點(diǎn)云和模型匹配的目標(biāo)智能識(shí)別方法具體步驟如下。

1） 點(diǎn)云分割[9]。在采集點(diǎn)云過程中，由于采樣的方式、掃描儀設(shè)備的局限等導(dǎo)致點(diǎn)云數(shù)據(jù)的密度不是均勻的；同時(shí)，采樣場(chǎng)景中也存在遮擋、噪聲等造成了點(diǎn)云數(shù)據(jù)的無序、冗余，沒有固定或者鮮明的統(tǒng)計(jì)分布模式。因此，需要將自動(dòng)分類后的非地面點(diǎn)云分割成若干個(gè)互不相交的子集，每一個(gè)子集中的數(shù)據(jù)具有相同的屬性特征或一定的語義信息。

點(diǎn)云分割時(shí)采用區(qū)域生長(zhǎng)法[10?11]，以平面幾何特性作為生長(zhǎng)約束，識(shí)別場(chǎng)景中的建筑物點(diǎn)云和植被點(diǎn)云。由于建筑物點(diǎn)云平面特征比較明顯，在進(jìn)行區(qū)域生長(zhǎng)時(shí)，可拓展為較大面積的平面，而且建筑物點(diǎn)云距離地面的高度相對(duì)較高，結(jié)合對(duì)地高程和分割片區(qū)域大小，可從場(chǎng)景中過濾出建筑點(diǎn)。植被點(diǎn)則非常零散，沒有明顯的平面特征，在進(jìn)行區(qū)域生長(zhǎng)時(shí)只能分割成數(shù)量眾多的小分割片，通過判斷分割片的點(diǎn)數(shù)及分割片之間的空間距離，可以過濾出植被點(diǎn)。

2） 對(duì)平面分割片進(jìn)行特征提取，分析其大小、法向、對(duì)地高度等信息，用于進(jìn)一步確認(rèn)建筑物平面。

3） 對(duì)識(shí)別的建筑平面點(diǎn)云進(jìn)行歐氏距離聚類分割[12]。屬于同一建筑的平面在距離上很近，在歐氏距離聚類分割時(shí)，能夠分割到一個(gè)點(diǎn)云簇內(nèi)，即聚合為同一個(gè)建筑物。不同建筑物的平面點(diǎn)云距離較遠(yuǎn)，被分割到不同的建筑物[13]。

4） 最后保存建筑物敏感目標(biāo)檢測(cè)識(shí)別結(jié)果。

2 "實(shí)驗(yàn)結(jié)果

根據(jù)上述基于機(jī)載三維激光雷達(dá)點(diǎn)云的建筑物檢測(cè)方法，實(shí)現(xiàn)了軟件設(shè)計(jì)。在軟件中加載約14.2 GB機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)（200 m航高采集），軟件后臺(tái)進(jìn)行數(shù)據(jù)存儲(chǔ)并構(gòu)建點(diǎn)云金子塔后，依次使用自動(dòng)分類、點(diǎn)云分割、區(qū)域特征識(shí)別等方法進(jìn)行建筑物目標(biāo)的自動(dòng)識(shí)別，識(shí)別時(shí)間約為10 min，主要的建筑物都能被識(shí)別，雖然存在建筑物的邊緣無法識(shí)別以及少量在建筑物周圍的植被點(diǎn)被錯(cuò)誤識(shí)別為建筑物的情況，但并不影響整體的識(shí)別效果。

目標(biāo)識(shí)別結(jié)果如圖6所示。

測(cè)試區(qū)域經(jīng)人工實(shí)地考察，確認(rèn)共有房屋12座、亭子4座，軟件智能檢測(cè)共發(fā)現(xiàn)目標(biāo)13處，目標(biāo)發(fā)現(xiàn)正確率高達(dá)81.25%。

3 "結(jié) "語

本文通過使用改進(jìn)后的金字塔方法構(gòu)建點(diǎn)云，采用基于語義特征的大數(shù)據(jù)自動(dòng)分類算法以及點(diǎn)云和模型匹配方法進(jìn)行類建筑物的智能識(shí)別。該方法能夠從海量三維激光雷達(dá)數(shù)據(jù)中快速、準(zhǔn)確地識(shí)別類建筑物，正確率高達(dá)81.25%，而且該方法的軟件實(shí)現(xiàn)對(duì)計(jì)算機(jī)硬件配置要求不高，無需大量的模擬訓(xùn)練數(shù)據(jù)，在類建筑物等目標(biāo)識(shí)別領(lǐng)域具有較高的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 張靖，江萬壽.激光點(diǎn)云與光學(xué)影像配準(zhǔn)：現(xiàn)狀與趨勢(shì)[J].地球信息科學(xué)學(xué)報(bào)，2017，19（4）：528?539.

[2] 王斌，宋冬梅，戴嵩，等.基于高光譜影像和LiDAR點(diǎn)云的城市地物分類實(shí)驗(yàn)方案設(shè)計(jì)[J].實(shí)驗(yàn)室研究與探索，2023，42（2）：5?10.

[3] 徐田野，丁海勇.數(shù)據(jù)融合及圖卷積下的深度學(xué)習(xí)點(diǎn)云分類研究[J].測(cè)繪科學(xué)，2022，47（2）：126?134.

[4] 張名芳，吳禹峰，王力，等.基于金字塔特征融合的二階段三維點(diǎn)云車輛檢測(cè)[J].交通運(yùn)輸系統(tǒng)工程與信息，2022，22（5）：107?116.

[5] 柳紅凱.基于漸進(jìn)加密三角網(wǎng)機(jī)載LIDAR點(diǎn)云濾波改進(jìn)算法研究[D].贛州：江西理工大學(xué)，2016.

[6] 劉桂宇.面向激光雷達(dá)點(diǎn)云的三維目標(biāo)識(shí)別算法研究綜述[J].信息記錄材料，2022，23（4）：243?245.

[7] 郭子明.基于激光雷達(dá)點(diǎn)云的目標(biāo)識(shí)別與跟蹤方法[J].照明工程學(xué)報(bào)，2023，34（5）：64?67.

[8] 王震.圖像匹配點(diǎn)云與激光掃描點(diǎn)云的模型重建對(duì)比[J].礦山測(cè)量，2020，48（4）：109?113.

[9] 洪霄.基于激光雷達(dá)的3D點(diǎn)云目標(biāo)識(shí)別[D].哈爾濱：哈爾濱工程大學(xué)，2020.

[10] 封功源，施衛(wèi)，李展峰，等.基于區(qū)域生長(zhǎng)的復(fù)雜場(chǎng)景點(diǎn)云分割[J].江蘇理工學(xué)院學(xué)報(bào)，2023，29（2）：56?63.

[11] 彭麗君，陸玲，舒麗君.基于PCL庫(kù)的三維點(diǎn)云區(qū)域生長(zhǎng)分割[J].電腦與信息技術(shù)，2020，28（3）：17?19.

[12] 李欣，李京英.基于激光雷達(dá)點(diǎn)云多特征提取的車輛目標(biāo)識(shí)別算法[J].傳感器與微系統(tǒng)，2020，39（10）：138?141.

[13] 宋淑雅.基于改進(jìn)歐式聚類的點(diǎn)云分割方法[J].計(jì)量與測(cè)試技術(shù)，2022，49（5）：96?100.

作者簡(jiǎn)介：方淑燕（1982—），女，山東陽信人，碩士研究生，高級(jí)工程師，研究方向?yàn)楣こ虃刹煅b備。

趙健樂（1993—），男，山東青島人，碩士研究生，工程師，研究方向?yàn)楣こ虃刹煅b備。

王 "辛（1981—），女，甘肅蘭州人，高級(jí)工程師，研究方向?yàn)橥ㄐ殴こ?、短波和超短波通信?/p>

趙 "健（1983—），男，山東青島人，工程師，研究方向?yàn)楣こ虃刹煅b備。