基于機載激光雷達的城市空間信息提取的研究＊

李 勇，許捍衛(wèi)

（河海大學地球科學與工程學院，江蘇 南京 210098）

1 引 言

城市區(qū)域地理空間要素的自動提取一直以來是攝影測量與遙感、計算機視覺領域的研究重點［1］。隨著經濟的快速發(fā)展，城市空間布局與結構日新月異的變化，人們對地理空間信息的需求越來越迫切。采用傳統(tǒng)野外測量和近景攝影測量的方法雖然在獲取數(shù)據(jù)方面精度高，但需要大量人工勞動，成本高、效率低。而使用高分辨率的遙感影像和數(shù)字攝影測量技術能快速獲取大范圍的地理數(shù)據(jù)，且相應的軟件和數(shù)字立體攝影測量工作站已在生產部門得到廣泛普及和應用，但通過多影像同名點匹配獲得三維坐標需要大量的交互式操作，不僅提高了成本，還容易受到環(huán)境、光照、天氣、遮擋、陰影、對比度等影響。

機載激光雷達（Light Detection And Ranging，LIDAR）是將高速激光測距、高精度動態(tài)載體姿態(tài)測量和高精度動態(tài)GPS差分定位技術集成在一起的主動式對地觀測技術。通過LIDAR能夠直接獲取飛行器下方大范圍區(qū)域表面密集的三維點云數(shù)據(jù)，具有自動化程度高、受天氣影響小、數(shù)據(jù)生產周期短、精度高、密度高、無需大量地面控制工作等特點，因此成為快速獲取高時空分辨率三維空間信息的重要數(shù)據(jù)源。

LIDAR技術目前廣泛用于城市規(guī)劃、通信設計、交通導航、災害管理、環(huán)境監(jiān)控等領域。LIDAR數(shù)據(jù)是沒有語義信息的、高精度、密集的大數(shù)據(jù)量點云，需要高效的處理方法從中獲取空間要素信息。雖然目前國內外開展了大量相關研究工作，并取得了顯著進步，但是相對于日益成熟的硬件系統(tǒng)，LIDAR數(shù)據(jù)的有效處理依然存在巨大挑戰(zhàn)，缺少令人滿意的、成熟、完善的處理方法和流程。下面從地形、建筑物和道路的提取這三個方面分析目前基于機載激光雷達的城市空間信息提取技術。

2 地形信息提取

LIDAR技術的一個主要目的就是獲取地形信息、制作地形圖、構建數(shù)字高程模型。因此需要從點云中提取地面點，非地面點則被視為噪聲要加以去除，該處理過程被稱為點云濾波［2］，是LIDAR數(shù)據(jù)處理中研究的最早也是最多的課題之一。因為地形的多樣性和地物的復雜性，自動點云濾波處理一直以來都是研究難點，尤其是在地形變化劇烈的大范圍區(qū)域。

目前已提出了大量不同方法進行點云濾波。基于坡度的方法根據(jù)地面與地物之間的坡度比較顯著的特點計算鄰域點的坡度，并根據(jù)預定義閾值進行濾波。方向掃描方法沿著掃描線方向檢測高程變化，從而判斷是其否為地面點。表面插值和不規(guī)則三角網加密方法通過設定角度和距離約束來逐步逼 近 真 實 地 面［3－5］。Mongus和 ?alik［6］通 過多層次插值方法自頂向下由粗糙表面逐步插值逼近真實表面，相關閾值根據(jù)點到表面距離的標準差進行定義。形態(tài)學方法使用形態(tài)學運算，如開運算，分離地面點和地物點［7，8］。該方法具有概念簡單、易于實現(xiàn)的優(yōu)點，許多研究都表明這類方法能有效濾除地物點［8］。如它能通過計算原始高程和形態(tài)學開運算后高程的差值并與預定義閾值進行比較，從而逐漸增大窗口尺寸漸進式濾除非地面點。Chen等［8］在形態(tài)學濾波器中進一步考慮坡度的變化。Li等［9］根據(jù)高程顯著變化的特征點重新定義形態(tài)學開運算。因為地物最有可能出現(xiàn)在這些特征點周圍，因此形態(tài)學腐蝕和膨脹運算僅僅對特征點周圍的點進行運算。這樣可以降低誤刪除地面點的可能性，再使用區(qū)域生長方法恢復與地面相連的點。雖然現(xiàn)有研究已取得較大進步，但是對于復雜的城市區(qū)域、陡峭的地形起伏區(qū)域等困難情況，依然難以確保濾波結果的準確性和可靠性［6，10］。如圖1所示，一些低矮的地物與起伏的地面難以完全區(qū)分。

圖1 一種形態(tài)學濾波方法的結果

3 建筑物信息提取

建筑物與人類的生產、生活密切相關，其空間信息的獲取與分析處理一直以來都是研究重點［12，13］。相對于影像復雜的光譜和紋理信息，LIDAR點云所包含的高程信息更適合于提取建筑物，如圖2所示。因此從LIDAR數(shù)據(jù)中檢測建筑物、提取其特征、構建三維建筑物模型成為研究熱點。但受現(xiàn)實中復雜多變建筑物形狀、周圍環(huán)境噪聲的影響，建筑物的自動提取一直是研究難點。

圖2 城市區(qū)域的航空影像和對應的三維點云

基于LIDAR點云提取建筑物的方法通?？梢苑譃槿悾?4］。第一類方法是根據(jù)原始LIDAR點云生成初始輪廓或格網，然后進行簡化、綜合。Zhang等［15］基于區(qū)域生長算法連接建筑物邊界點形成粗糙的輪廓，并使用道格拉斯－普克算法去除如鋸齒狀的形變噪聲。然后計算每棟建筑物輪廓的主導方向，并根據(jù)主導方向調整初始邊緣。Sampath和Shan［16］使用改進的凸殼算法跟蹤連接建筑物邊界點形成初始輪廓，再使用正交約束對初始輪廓進行規(guī)則化。Lach和Kerekes［17］先找到位于建筑物外圍輪廓處的點，然后用袖子擬合方法（sleeve－fitting approach）連接選取的點形成輪廓，并進行規(guī)則化。沈蔚等［18］使用Alpha Shapes算法提取建筑物點集的輪廓線，用管子算法進行簡化，再施加垂直約束對輪廓進行規(guī)則化。曾齊紅等［19］首先構建建筑物點的TIN模型得到三角網的邊界線，將邊界斜率變化顯著的點作為拐點。利用所有的屋頂點將拐點擴展，得到邊界的擴展點，由擴展點構成屋頂輪廓。Sun和Salvaggio［20］基于平滑約束和曲率一致性檢測屋頂?shù)娘@著特征，并對屋頂輪廓點用直線擬合得到輪廓線，再結合2.5維對偶輪廓法（Dual Contouring）生成建筑物表面。這類方法在幾何上接近原始數(shù)據(jù)，能夠表達不同形狀的建筑物。然而簡化、綜合的過程沒有考慮整體結構形狀，容易受到點云缺失、噪聲等影響，導致屋頂不完整和變形，影響最終結果的準確性。

第二類方法是先提取一些空間特征，如頂點、線段、屋頂面片等，然后將這些特征點、線或面進行組合形成完整的建筑物。Chen等［21］使用Canny邊緣檢測算子從點云深度圖像中的每個建筑物區(qū)域檢測初始邊緣。然后將初始邊緣投影到像平面形成緩沖區(qū)，并在緩沖區(qū)中使用霍夫變換檢測直線。通過直線的像平面坐標和LIDAR數(shù)據(jù)中獲取高程，并獲取相應的三維直線。最后基于分裂－合并的方法將這些三維直線組合起來形成建筑物輪廓。Madhavan等［22］將Sobel邊緣檢測算子與閾值分割結合起來從LIDAR掃描圖像中提取高程跳變邊緣和邊界線。提取出來的二值化邊緣被細化為單像素寬，使用霍夫變換從其中提取出直線段，通過計算這些直線段的之間的交點將這些直線段連接起來形成建筑物輪廓。Sohn和 Dowman［23］基于IKONOS影像與LIDAR數(shù)據(jù)融合提取建筑物輪廓周圍的直線。然后使用這些提取出來的直線基于二叉樹（Binary Space Partitioning，BSP）多層次劃分建筑物區(qū)域得到一些凸多邊形。最后合并這些凸多邊形形成完整的建筑物輪廓。Elaksher［24］使用霍夫變換找出每棟建筑物的所有邊界線，并計算非平行邊界線的交點。每3個～6個交點組成一個多邊形，這些多邊形組合起來形成建筑物輪廓。Jaw和Cheng［25］通過計算提取出來的三維特征線的交點組合構建屋頂?shù)耐負潢P系，形成建筑物輪廓。Rottensteiner［26］通過組合屋頂面片計算出交線或階躍線，從而形成建筑物輪廓。然后通過將這些輪廓線與數(shù)字影像中提取的邊緣匹配提高建筑物輪廓的精度。Peternell和Steiner［27］通過從點云和地面規(guī)劃圖中獲取的相鄰屋頂面片和墻面的相交獲取建筑物輪廓。這類建筑物提取方法受特征組合處理制約。特征組合的過程要遵循一些規(guī)則，這些規(guī)則是影響此類方法可行性與適應性的關鍵。

第三類方法是定義常見的建筑物形狀的參數(shù)模型，然后將待處理的建筑物點云與這些模型進行擬合，并調整模型參數(shù)以找到最合適的建筑物模型。所采用的模型基元通常具有規(guī)則的形狀或是一些預先設計好的模型集合。Vosselman等［28］通過人工交互式的方法，采用平頂、人字形頂、斜頂?shù)任蓓斈Ｐ突M合LIDAR數(shù)據(jù)。Jinhui等［29］使用基于模型基元的方法通過人工交互提取具有曲面的建筑物輪廓。他設計了大量的模型基元用來表現(xiàn)建筑物輪廓形狀，這些模型基元分為線性和非線性兩種。線性基元包括平面、立方體、楔形等，非線性基元包括二次和更高次的曲線。這些基元用一些函數(shù)表示，通過人工交互選取的控制點進行擬合。Henn等［22］使用支持向量機判斷屋頂類型以確定最可能的模型。余燁等［30］根據(jù)屋頂面片法與向量之間的關系進行屋頂類型的識別和模型匹配。Huang等［31］采用一個基于馬爾科夫鏈蒙特卡羅理論的統(tǒng)計方法選擇合適的建筑物模型基元。Lafarge等［32］基于貝葉斯決策理論尋找參數(shù)模型的最優(yōu)配置。這類方法嚴重依賴預先定義的模型基元，現(xiàn)實環(huán)境中復雜多變的建筑物形狀給模型庫的構建帶來了巨大挑戰(zhàn)。

4 道路信息提取

作為城市區(qū)域的主要空間要素之一，道路信息在城市規(guī)劃、交通導航和災害管理等領域發(fā)揮重要作用［33，34］。由于道路的復雜變化和周圍環(huán)境的影響，精確有效地提取道路是一個具有挑戰(zhàn)性的任務?；谶b感數(shù)據(jù)的道路提取通常是要獲取道路中心線或者道路所在的區(qū)域［71］，在低分辨率數(shù)據(jù)中道路表示為線狀網絡，而在高分辨率數(shù)據(jù)中道路表示為二維區(qū)域。道路提取的任務通常分為兩個步驟：道路檢測和矢量化。道路檢測是區(qū)分道路與其他地物，而矢量化是在區(qū)分出的道路中提取中心線、平行道路線或詳細的道路多邊形區(qū)域。

目前已提出許多不同的從LIDAR數(shù)據(jù)中提取道路的方法。Boyko和Funkhouser［35］使用一個基于地圖的方法，即將已有的二維道路網地圖投影到點云上。根據(jù)二維地圖預測高程不連續(xù)的道路邊沿位置使用活動輪廓模型去擬合高程不連續(xù)的位置。在活動輪廓內的點都被標記為道路點。Zhu和Mordohai［33］假設道路為矩形，根據(jù)邊緣和區(qū)域特征進行分割，將道路提取問題轉變?yōu)樽钚“瑔栴}。Choi等［36］根據(jù)樣本道路的回波強度信息對道路點進行判斷。Clode等［35］使用一個多層次分類的方法將點云逐步分為道路點和非道路點，并結合回波強度、高程和局部點密度進行分析。局部點密度用來判斷有多少與待處理點相鄰的點擁有相近的光譜和幾何特征。分類得到的道路區(qū)域使用一個相位編碼圓盤（Phase Coded Disk）算法進行矢量化，分別得到道路中心線、寬度和方向。Zhao和You［37］設計了一套具有可變寬度和方向的延長結構模板去擬合局部強度分布，并使用一個區(qū)域投票方法進行精化。但是該方法不能提取曲線道路。由于通常是從點云濾波得到的地面點中進行分類提取道路，而其他地面類別（如草地和裸露地面）與道路具有相近高程，因此回波強度被用來區(qū)分道路和其他地面類別。然而，回波強度受多方面因素的影響，如地面反射率、激光傳播功率、大氣衰減、入射角和掃描距離等。由于缺少（合適的回波強度校正方法，難以根據(jù)回波強度直接對地面點進行分類。因此，現(xiàn)有方法主要依據(jù)道路回波強度的同質性和連續(xù)性特征進行分割和聚類。此外，還存在遮擋引起數(shù)據(jù)缺失（如樹木和車輛）、噪聲（如路面標記和污染），不同道路材質（如瀝青和水泥）等問題，如圖3所示。

圖3 城市區(qū)域的點云回波強度分布

5 結 論

LIDAR技術為快速獲取高精度、高密度的三維空間數(shù)據(jù)提供了有力的支持，但是高效、自動的空間要素信息提取依然存在大量問題有待解決。如何有效區(qū)分地面的起伏特征與復雜的地物是點云濾波處理的難點。點云分布不均、屋頂材料對激光的吸收、地物的遮擋、細小的屋頂結構等情況經常出現(xiàn)，從而影響了基于數(shù)據(jù)的建筑物提取方法的精度和可靠性，而大范圍城市區(qū)域建筑物形狀結構復雜多變又給基于預定義模型庫的建筑物提取方法的普適性帶來了極大挑戰(zhàn)。道路數(shù)據(jù)缺失、噪聲干擾、具有相似回波強度的地面類別（如停車場）都極大影響著最終道路提取的準確性。

若僅使用單一點云數(shù)據(jù)，結合點云高程信息與影像光譜信息的處理分析有望獲得更好結果，因此被許多學者認為是一個很有前途的研究方向。但是如何融合這兩種具有互補性的數(shù)據(jù)源，抑制噪聲干擾，自適應提取復雜的地理空間要素，目前都是亟待解決的問題。

［1］ ROTTENSTEINER F，SOHN G，GERKE M，et al.Results of the ISPRS benchmark on urban object detection and 3Dbuilding reconstruction ［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2014，93（0）：256－271.

［2］ SITHOLE G，VOSSELMAN G.Experimental comparison of filter algorithms for bare－Earth extraction from airborne laser scanning point clouds［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2004，59（1）：85－101.

［3］ LEE H S，YOUNAN N H.DTM extraction of lidar returns via adaptive processing ［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41（9）：2063－2069.

［4］ PFEIFER N，STADLER P，BRIESE C.Derivation of digital terrain models in the SCOP environment［C］.OEEPE workshop on airborne laser scanning and interferometric SAR for detailed digital elevation models，2001，3612.

［5］ CHEN C，LI Y，LI W，et al.A multiresolution hierarchical classification algorithm for filtering airborne LiDAR data［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，82（0）：1－9.

［6］ MONGUS D，?ALIK B.Parameter－free ground filtering of LiDAR data for automatic DTM generation［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2012，67（0）：1－12.

［7］ PETZOLD B，REISS P，ST SSEL W.Laser scanning—surveying and mapping agencies are using a new technique for the derivation of digital terrain models［J］.ISPRS Journal of Photogrammetry and Remote Sensing，1999，54（2）：95－104.

［8］ CHEN Q，GONG P，BALDOCCHI D，et al.Filtering airborne laser scanning data with morphological methods［J］.Photogrammetric Engineering and Remote Sensing，2007，73（2）：175－185.

［9］ LI Y，WU H，XU H，et al.A gradient－constrained morphological filtering algorithm for airborne LiDAR［J］.Optics and Laser Technology，2013，54：288－296.

［10］ PINGEL T J，CLARKE K C，MCBRIDE W A.An improved simple morphological filter for the terrain classification of airborne LIDAR data ［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，77（0）：21－30.

［11］ LI Y，YONG B，WU H，et al.An improved top－h(huán)at filter with sloped brim for extracting ground points from airborne lidar point clouds ［J］.Remote Sensing，2014，6（12）：12885－12908.

［12］ HENN A，GR GER G，STROH V，et al.Model driven reconstruction of roofs from sparse LIDAR point clouds［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，76（0）：17－29.

［13］ 王植，李慧盈，吳立新，等.基于RANSAC模型的機載LiDAR數(shù)據(jù)中建筑輪廓提取算法 ［J］.東北大學學報（自然科學版），2012，33（2）：271－275.

［14］ LI Y，WU H，AN R，et al.An improved building boundary extraction algorithm based on fusion of optical imagery and LIDAR data［J］.Optik，2013，124（22）：5357－5362.

［15］ ZHANG K，YAN J，CHEN S－C.Automatic Construction of Building Footprints From Airborne LIDAR Data［J］.IEEE Transactions on Geoscience and Remote Sensing，2006，44（9）：2523－2533.

［16］ SAMPATH A，SHAN J.Building boundary tracing and regularization from airborne lidar point clouds［J］.Photogrammetric Engineering and Remote Sensing，2007，73（7）：805－812.

［17］ LACH S R，KEREKES J P.Robust Extraction of Exterior Building Boundaries from Topographic Lidar Data［C］.IEEE International Geoscience and Remote Sensing Symposium，IGARSS，2008，2：85－88.

［18］ 沈蔚，李京，陳云浩，等.基于LIDAR數(shù)據(jù)的建筑輪廓線提取及規(guī)則化算法研究 ［J］.遙感學報，2008，12（5）：692－698.

［19］ 曾齊紅，毛建華，李先華，等.建筑物LiDAR點云的屋頂邊界提取 ［J］.武漢大學學報：信息科學版，2009，34（4）：383－386.

［20］ SUN S，SALVAGGIO C.Aerial 3Dbuilding detection and modeling from airborne LiDAR point clouds［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2013，6（3）：1440－1449.

［21］ CHEN L，TEO T，SHAO Y，et al.Fusion of LIDAR data and optical imagery for building modeling［J］.International Archives of Photogrammetry，Remote Sensing and Spatial Information Sciences，2004，35（Part B4）：732－737.

［22］ MADHAVAN B B，WANG C，TANAHASHI H，et al.A computer vision based approach for 3Dbuilding modelling of airborne laser scanner DSM data ［J］.Computers，Environment and Urban Systems，2006，30（1）：54－77.

［23］ SOHN G，DOWMAN I.Data fusion of high－resolution satellite imagery and LiDAR data for automatic building extraction ［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2007，62（1）：43－63.

［24］ ELAKSHER A F.Fusion of hyperspectral images and lidar－based dems for coastal mapping［J］.Optics and Lasers in Engineering，2008，46（7）：493－498.

［25］ JAW J J，CHENG C C.Building roof reconstruction by fusion laser range data and aerial images［J］.International Archives of Photogrammetry，Remote Sensing and Spatial Information Sciences，2008，37（Part B3b）：707－712.

［26］ ROTTENSTEINER F.Automatic generation of high－quality building models from lidar data ［J］.IEEE Computer Graphics and Applications，2003，23（6）：42－50.

［27］ PETERNELL M，STEINER T.Reconstruction of piecewise planar objects from point clouds［J］.Computer－Aided Design，2004，36（4）：333－342.

［28］ VOSSELMAN G，KESSELS P，GORTE B.The utilisation of airborne laser scanning for mapping［J］.International Journal of Applied Earth Observation and Geoinformation，2005，6（3－4）：177－186.

［29］ JINHUI H，SUYA Y，NEUMANN U.Integrating LiDAR，Aerial Image and Ground Images for Complete Urban Building Modeling［C］.the Third International Symposium on 3DData Processing，Visualization，and Transmission，2006：184－191.

［30］ 余燁，劉曉平，韓江洪，等.從稀疏LiDAR數(shù)據(jù)中重建居民區(qū)建筑物 ［J］.中國圖象圖形學報，2011，16（9）：1681－1688.

［31］ HUANG H，BRENNER C，SESTER M.A generative statistical approach to automatic 3Dbuilding roof reconstruction from laser scanning data ［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，79（0）：29－43.

［32］ LAFARGE F，DESCOMBES X，ZERUBIA J，et al.Structural approach for building reconstruction from a single DSM ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32（1）：135－147.

［33］ ZHU Q，MORDOHAI P.A minimum cover approach for extracting the road network from airborne LIDAR data ［C］.12th International Conference on Computer Vision Workshops，2009：1582－1589.

［34］ BOYKO A，F(xiàn)UNKHOUSER T.Extracting roads from dense point clouds in large scale urban environment［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6，Supplement）：S2－S12.

［35］ CLODE S，ROTTENSTEINER F，KOOTSOOKOS P，et al.Detection and Vectorization of Roads from Lidar Data ［J］.Photogrammetric Engineering and Remote Sensing，2007，73（5）：517－535.

［36］ CHOI Y W，JANG Y W，LEE H J，et al.Three－dimensional LiDAR data classifying to extract road point in urban area［J］.IEEE Geoscience and Remote Sensing Letters，2008，5（4）：725－729.

［37］ ZHAO J，YOU S.Road network extraction from airborne LiDAR data using scene context［C］.Computer Vision and Pattern Recognition Workshops（CVPRW），2012IEEE Computer Society Conference on，2012：9－16.