机载激光雷达点云的阶层式分类
基于区域增长的城区机载激光雷达数据的分类算法研究
０本刊重稿 Ｏ
ＳＥ Ｈ Ｏ Ｏ ＹＩ Ｏ Ｍ ＴＯ Ｎ
２１ 年 ０２
第 ２ 期 ７
基于区域增长的城区机载激光雷达 数据的分类算法研究
熊立伟 ， 镇 姣 ２ ‘ ｆ． １ 湖南城市学院市政与测绘工程学院 湖南 益阳 ４３ ０ ；． １０ ０２ 北京天下图数据技术有限公司 中国 北京 １ ０８ ） ００ ３
【 摘 要】 机载 ＬＤ Ｒ 从城 区点云数据 中获取建筑物脚点并进行 建筑物 重建是 当前 的一 个研 究热点与难点。 目前点云数据 的分类 算法在 ＩＡ 城 市区域建筑物和树木靠得很 近时 ， 则会将 建筑物 和树木错误 的融合到一个类别 中， 从而难以准确地提取 建筑物 。 本文综合 考虑 建筑物和植被 点云的 高程纹理信息和多重回波信息的不同特 性 ． 出一种直接针对原 始离散 ＬＤ Ｒ 点云数据 的建 筑物和植被 区分的分类算法。试验结果 提 ＩＡ ￣ 表明 ． 本文提 出的算法能正确识别建筑物和植被且 不受建 筑物的形状 、 大小、 结构影响 ， 也不受植被 的分布 密集度和分布形态的影响。 【 关键词】 载激光雷达 ； 机 点云 ； 分类 ； 建筑物 重建
高程变化 不均匀 相同 相同
０ 引 言
１ 分 类规 则 的定 义
曲面法向量方 向
急剧变化
固定方向
固定方 向
由于本文所处 理的数据 为城市环境 下 的机 载 ＬＤ Ｒ点云数据 ． ＩＡ 曲率大小 很大 零 零 所 以本文将地貌大致分 为裸露地面 、 建筑物 、 植被 及不确定对象 四大 局部平面拟合残差 很大 零 零 类 。下面介绍每类对象 的判别原则 。 坡度 较大且变化不均匀 零 固定值 １１ 不 确 定对 象 ． 本文 将噪声点 、 面上 的小汽 车 、 地 堆放物 以及其 他一些不可分 的 二阶导数 较大且变化不均匀 零 零 类别 等识 别为不确 定对象 ．其显著 特点是 明显高 于或者低于周 围环 面积 一般较小且大小不一 较大 较大 境。 形状 不规则 规则 规则 １ 裸 露 地 面 ． ２ 裸露地 面可以定义为 由分段连续光滑的 曲面片拼接而成 的曲面 （） ２ 基于多次回波信息 相 同曲面片内的点 云呈较规则 的空间分布 ．邻近点之 间的高差小 ． 与 植被的一个 非常重要 的特点 ． 即部分穿透性 。从空 中发射 的激光 其 它地 面物体 的边缘点之 间可能形成较大的高差 根据地面点云的特 束在地面遇到树木等具有穿透性物体时会产生 多次反射 回波 ． 而得 从 点． 只要已知 ＬＤ Ｒ点云中的部分裸露地面点 ． ＩＡ 就可 以以这些 点为种 到多个激光距离 ， 而不能穿透 的物体 只有一个距离 。通过 判定第一 重 子 点 进行 区 域增 长 和最后一重 回波的高度差是 否大于给定的 阈值 可以去除大部分 的植 １ 建筑物 ． ３ 得到主要包含建筑物 的区域 。但是 由于建筑物边缘也具 可以认 为建筑物表面一般较规则 ．除了边缘区域高程变化较 大 ． 被噪声数据 ， 其他地方一般变化很小 ． 连续性 明显 。而且除 了部分建筑物边缘 和墙 有多次 回波 的效应 ．所 以该规 则不 能作为 区分建 筑物和树 的唯一标 面 ， 物的其他部分均不反射多重 回波 。因此本文通过高程 纹理和 准 。 建筑 （） ３ 根据不同类 别之间的关 系 多重 回波信 息选取建筑物 的种子点进行 区域增长 ． 即可提取 出城区的 建筑物平面内部点 的局部邻域范 围不可能 出现地 面点 ． 而植被点 主要 建 筑 物 由于激光的穿透性 ． 围邻域范 围内常常会有地 面点 的存在 。但 是 其周 １ 植被 ． ４ 该规则可能会失效。 般来说 ．植被点形成 的表面较建筑物及裸露地面 的表 面粗糙 对于非常浓密的树木区中心地带 ， ＿ Ａ 因此 ． 可以利用点云表 面的粗糙度来 区分植被与其它对象表 面 植被 ２２ 机载 ＨＤ Ｒ点 云数据分类步骤 （） １标记植被候 选点 还有 一个 非常重要 的特点 ． 即部分穿透性 当激光点 的第一重 和最后 首先将数据进行预处理 和滤波 ． 依次分离 出局外 噪声 点和裸 露地 重 回波 的高度差大于某个 阈值时 ， 即可判定为植被候选点。 面点 。遍历剩下的非地面点 ． 计算每个点 的第一重 和最后 一重 回波的 ２ 基 于 区域 增 长 的 城 区机 载 ＬＤ Ｒ点 云 分 类 ＩＡ 高层差 ｈ 若 ｈ ． 大于给定 阈值 ． 则标记最后～重 回波点为候选植被点。 （） ２ 提取建筑物种子点 ２１ 建筑 物种子 点选择依据 ．
无人机激光雷达点云数据处理研究
无人机激光雷达点云数据处理研究近年来，随着科技的发展，无人机激光雷达点云数据处理技术得到广泛关注和研究。
无人机搭载激光雷达系统可以获取大规模高精度点云数据，这种技术已被广泛应用于测绘、建筑安全检测、森林资源监测、城市规划和环境保护等领域。
一、无人机激光雷达点云数据采集一台无人机搭载激光雷达系统可以在短时间内采集大量精确的点云数据。
无人机搭载的激光雷达系统可以发送激光束，在接收器接收反弹的激光后，计算机处理数据，生成三维点云数据。
在数据采集方面，无人机搭载激光雷达系统可以完成难以达到的采集任务，如在高山峡谷、森林、城市楼宇等高难度场所采集数据。
此外，用无人机搭载激光雷达系统可以完成地面难以到达或无法采集的区域数据采集。
二、无人机激光雷达点云数据处理无人机激光雷达点云数据处理是激光雷达技术的一个重要组成部分。
无人机激光雷达点云数据处理主要包括数据预处理、点云分割、点云地面分类等。
数据预处理是指将从激光雷达系统采集到的原始数据进行预处理和滤波，去除数据中噪声和杂点等因素造成的干扰。
点云分割是将点云数据根据各个目标进行分离，并将相同目标的点云分成一个整体进行处理。
点云地面分类是将地面点云数据与非地面点云数据进行分类，使非地面点云数据集中在一起进行处理，提高数据处理的效率。
三、无人机激光雷达点云数据应用无人机激光雷达点云数据在实际应用中可以大大提高工作效率和效益。
无人机点云数据采集与处理可以被应用于制作数字地图、城市规划、建筑模型和自然资源调查等领域。
在制作数字地图方面，无人机激光雷达点云数据可以提供高精度的三维地图，这种地图可以帮助规划城市、制作航空图、资源平衡估算等工作。
在城市规划方面，无人机搭载激光雷达技术可以提供大规模点云数据，使城市相应地区的建筑物及环境特征得到精确地理解。
在建筑模型制作方面，无人机搭载激光雷达系统可以采集建筑物的表面形状数据，以非常高的质量构建建筑模型和纹理贴图。
此外，无人机搭载激光雷达系统可以用于森林资源调查，以监测森林蓄积量，森林覆盖率和森林结构等。
chapter08_地面三维激光雷达点云分割与分类
图 8.4 模糊 C-均值聚类
(3) 均值飘移聚类（Mean-Shift）。
5
均值飘移聚类是基于密度的聚类算法，它没有假定聚类中心，均值漂移过 程不需要预先给出类别数目，而是根据点集自身的密度分布探测获得类簇，发 现任意形状的簇，在聚类过程中自动确定类别数。 对于一个欧式空间内的点集，无参密度估计方法根据一个点周围一个小区 域内点的分布情况来估计点集中该点位置的密度；类似的，均值飘移聚类对空 间中某一位置密度梯度的估计采用统计该位置周围小区域内的点的分布状况。 空间中任意位置梯度的方向即是密度增加最快的方向。均值飘移聚类根据梯度 将空间中的点沿梯度方向不断移动，直到梯度为零。最终散布在整个空间的点 移动到模式点的地方。每个这样的点是所有移动到它的点所覆盖的区域内密度 最大的点，该处的梯度为零。 Mean-shift 的 定 义 为 ： 给 定 的 d 维 欧 式 空 间 R d ， 对 于 点 数 据 集 = S {xi，，，， = i 1 2 … n} ，带有核函数 K ( x ) 和核窗口范围 h 的多元核密度估计函 数为： f (x ) = 1 nh d
N
∑u
i =1
N
m ij
(式 8-3)
u ij =
1
∑( x
p k =1
i
−cj
xi − c k
)
2 m −1
(式 8-4)
一般地，模糊聚类的算法可表述为： 1) 确定划分的类数 C ，设置迭代阈值 ε ； 2) 初始化模糊划分矩阵 µ ij ；
(t )
3) 根据模糊划分矩阵计算各类的类中心 c j ； 4) 根 据 目 标 函 数 J 的 约 束 ， 更 新 模 糊 划 分 矩 阵 µ ij
6
【国家自然科学基金】_lidar点云_基金支持热词逐年推荐_【万方软件创新助手】_20140730
推荐指数 5 3 3 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
53 分簇 54 lidar点云数据 55 kd树索引
Hale Waihona Puke 1 1 12011年 科研热词 lidar 滤波 点云 激光雷达 高度纹理 非线性变形 覆盖度 监测方法 特征提取 点云数据 沟蚀 模型匹配 桥梁提取 机载lidar 最小生成树 最小包围轮廓 最小二乘曲线拟合法 曲率极值 扫描线 惯导 建筑物重建 平面拟合 屋顶分割 地面粗糙度 地形特征 区域网平差 区域生长 分类 农作物 全波形 信息提取 人工神经网络 三维激光扫描技术 三维激光扫描 tin pos lai dom alpha-shapes 推荐指数 7 4 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
科研热词 滤波 继承式多分辨率 点云数据 体素 非地面点 自适应阈值 空间划分 移动窗口 激光雷达数据 激光雷达 正则化数字表面模型 树高 机载激光扫描 机载lidar 机栽激光扫描 数据压缩 数字高程模型 数字地面模型 影像 形态学滤波 多级移动曲面拟合 分类. 伪扫描线 二次多项式 lidar数据 lidar kriging插值 dem/dtm
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86
基于机载激光雷达点云的目标提取与分类算法研究
基于机载激光雷达点云的目标提取与分类算法研究摘要：目标分类是机载激光雷达数据处理中的重要环节，它通过对点云数据中的目标进行分类归类，实现目标的识别和分析。
本文介绍了几种常用的目标分类算法，不同的算法可以根据具体需求选择和综合应用，提高目标分类的准确性和鲁棒性。
关键词：机载激光雷达点云；目标提取；分类算法引言随着激光雷达技术的发展和应用的推广，机载激光雷达数据处理在地理测绘、遥感、智能交通等领域具有广阔的应用前景。
而目标分类作为机载激光雷达数据处理中的关键步骤，对于进一步分析和利用点云数据起着重要作用。
因此，研究和开发高效准确的目标分类算法具有重要的理论意义和实际价值。
1机载激光雷达系统概述1.1概念机载激光雷达系统（ALS）是一种将激光雷达设备安装在航空器上，通过发射激光脉冲并测量其返回时间来获取地面的三维点云数据的技术。
机载激光雷达系统通常包括激光发射器、接收器、GPS/INS系统等组成部分。
1.2原理机载激光雷达系统的工作原理基于激光束在发射后经过一定时间再被接收到的原理。
系统激光器发射一束脉冲激光，激光束照射在地面或目标上，并被目标反射回来。
接收器接收到反射激光信号，并记录其返回的时间。
通过测量激光脉冲的发射和返回时间，可以计算目标与激光雷达之间的距离。
1.3组成（1）激光发射器：负责产生激光脉冲并控制其发射频率和功率。
（2）接收器：负责接收被目标反射的激光信号。
（3）接收通道：用于对接收到的激光信号进行放大、滤波和数字化转换。
（4）定位系统：通常使用全球定位系统（GPS）和惯性导航系统（INS）来确定激光雷达的位置和姿态。
（5）数据存储装置：用于存储采集到的原始激光点云数据。
（6）控制和处理单元：负责控制整个系统的运行，并对原始数据进行预处理和处理。
2目标提取算法研究2.1基于形状特征的目标提取算法这类算法利用目标物体的形状特征来进行目标提取。
常见的方法包括计算点云中的曲率、法线等特征，并通过阈值或其他形状判别标准来判断是否为目标。
激光点云分类基本方法
激光点云分类的基本方法主要包括以下几个步骤：1.点云数据预处理：建立电力线三维结构特征指标体系。
基于原始点云数据，噪声、地面、建筑物等显著非电力线点的过滤机制，将更加准确地区分非电力线点，减少后续处理数据量，同时保证可能电力线点的完整筛选。
2.地面点过滤和DTM 生成：根据原始LiDAR 点云进行地面点过滤和DTM（数字地面模型）生成以提取所有非地面点。
3.电力线候选点滤波：根据电力线布设规范，选择地面一定高度（如4m）以上的非地面点作为电力线候选点。
4.多尺度邻域类型选取：使用给定点X 的局部三维空间形状结构进行电力线分类。
初步选取两类邻域：单一尺度邻域和多尺度邻域，并在每个尺度上分别选取球形邻域、柱状邻域和K 值邻域 3 种邻域类型。
每种邻域类型的限制参数为半径和K 值。
5.形状结构特征提取：结合LiDAR 点云数据中电力线与林木、建筑物等地物相互遮挡、混杂的问题和电力线快速自动化提取的需求，针对已有的基于结构形状的统计分析和图像处理分类方法中的不足，通过研究在不同复杂场景下电力线点云数据的形状结构特征，确定其关联参数。
6.SVM 分类：基于前述的候选电力线点云数据集及其三维形状结构关联参数，设计和研究基于机器学习监督分类的电力线智能分类模型。
设计机载LiDAR 点云数据的SVM（支持向量机）分类算法，以候选电力线点云的三维形状结构关联参数作为特征向量，以是否属于电力线点作为结果种类，构建电力线SVM 分类算法的训练样本和测试样本。
使用五重交叉对比分析来验证评估分类器的准确性。
这些方法在激光点云分类中各有优势，可以根据实际应用场景和需求进行选择和优化。
激光雷达点云处理方法研究
激光雷达点云处理方法研究激光雷达点云处理作为一项基础的技术，一直以来都备受重视。
在人工智能、自动驾驶等领域的快速发展下，点云处理方法的研究和应用也越发成为了一项热门研究领域。
针对激光雷达点云处理方法的研究，本文将从三个方面进行探讨：点云数据处理、点云分类、点云配准。
一、点云数据处理激光雷达获取到的点云数据中，除了目标物体的轮廓信息和表面纹理信息，还包含了很多无关地面信息。
而在实际场景中，需要对点云数据进行分类和处理，以达到快速分析和处理的目的。
1.1 点云滤波点云滤波是点云处理的一项重要技术。
它可以通过消除一些草地、树木等杂乱信息，从而得到更加准确的目标物体轮廓。
常用的点云滤波方法包括半径滤波、统计滤波、自适应滤波等。
1.2 点云降采样点云数据容量较大，因此降采样可以有效地减小点云数据量，提高处理效率。
点云降采样可以采用下采样、体素化等方法。
二、点云分类点云分类可以对点云数据进行分类，并对每个类别进行识别与分析。
高效的点云分类方法是点云处理的关键。
2.1 特征提取点云数据的特征提取是点云分类的基础。
点云数据可以通过曲率、法线、局部表面等特征进行提取。
其中，曲率是一种较为常用的特征。
2.2 神经网络随着人工智能和深度学习的发展，人们开始尝试使用神经网络进行点云分类。
对于点云数据，可以使用PointNet、PointCNN等深度学习网络进行分类。
三、点云配准在激光雷达扫描到物体和场景时，由于误差存在，造成不同位置扫描到的点云数据存在不一致性。
因此需要进行点云配准，将不同位置的点云数据进行匹配。
3.1 特征匹配点云配准中，需要将不同位置扫描到的点云进行特征匹配。
常用的特征匹配算法包括ICP（Iterative Closest Point）、SVD （Singular Value Decomposition）等。
3.2 双边匹配双边匹配是一种基于强特征匹配的算法。
它可以对点云数据进行处理，通过强特征匹配的方式进行配准。
无人机机载激光雷达在输电线路巡线中的应用
电气工程与自动化！Di*+qi Gongcheng yu Zidonghua无人机机载激光雷达在输电线路巡线中的应用丁华(张辉!(1.贵州电网有限责任公司输电运行检修分公司，贵州贵阳550002；2.中国电建集团贵州电力设计研究院有限公司，贵州贵阳550081)摘要:针对传统人工电力巡线方法存在的效率低、成本高，以及直升机电力巡检存在的技术烦琐、可操作性不强等问题，探讨了无人机机载激光雷达系统、巡线原理及技术流程，重点介绍了点云数据的处理，点云的分、点分析、工拟分<=>:电力巡线激光雷达无人机点分0引言随着电网规模的迅速扩大，对于经济发展较慢的山区，大的输电线于、流、高高压等,输电线成了大损害，、线、等了输电线路的安全稳定运行，各电力巡检系统对输电线行巡检。
传统输电线的巡检人工巡线，存在巡线周期长、效率低、成高等点，不大电网的巡线，的、的人工巡检带来了大的限直升机的出现虽然给输电线路巡检带来了极大的便利，直升机的技术人作，电力巡检公司有直升机，可操作性不强，直升机巡检需，，大量时因此，轻的无人机输电线巡检带来了质的改变，其结合激光雷达对输电线行点云采集，解决了机载相机无法准确得到输电线路通道内地物至电力线距离的问题!1"。
1无人机机载激光雷达系统1.1无人机系统无人机种可自主飞行或远程引导、不搭载人员的动力飞行器。
无人机因可以搭载相机、位系统、信息传输系统等硬广泛应用于紧急救灾、农、测绘等领通常情，无人机系统除了无人机体外，还包括飞行控系统、动力系统、源系统、任务荷载设备、通信 系统、地面监控站。
(1)飞行控系统作为整个系统的核心部位，用于控制无人机的起飞、降落等种工作状态。
(2)动力系统即发动机及相关附件设施。
(3)源系统即无人机系统提供电的相关部件。
(4)任务荷载设备即根务搭载的相关软硬件设备，如气象设备、农药喷洒设备、相机等。
(5)通信系统即数传输软硬(6)地面监测站用于控制并调整无人机飞行的路线、高度、角度等参数!2"。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
112, Grid Cell 6 ) ; Planar filter ( Elevation 110, Grid Cell 5) , 过 滤 结 果 见 图 4b; 多 项 式 曲 面 拟 合 过 滤
polyfilter( Residual 015, Method 2, Search 10) ; polyfil2 ter(Residual 016, Method 1, Search 10 ) , 过滤结果见 图 4c。以上过滤算法中的参数说明参见表 1。
按照以上一般性的分类原则 , 可以将激光点云分 为以下四类 :
①噪声 : 噪声通常由激光脉冲被吸收或反射形成 的。某些物体 , 例如水、雨、云或烟雾等在近红外波段 会吸收激光脉冲 , 造成不规则的返回值 ; 而当脉冲遇到 类似玻璃或光亮金属等反射表面 , 脉冲可能被折射 , 因 此引起 X、Y或 Z值的误差。这些不规则的点确定为噪 声点 ; ②地面点 : 地面点即为光秃地表 ; ③非地面点 : 非地面点包括建筑物、植被和车辆等 , 它们的每一个表 面都是与地面或邻接表面分离、垂直升高或大于某一阈 值倾斜升高的 ; ④未定义点 : 并不是所有的点都能划分 为以上的类别 , 不能被分类的点即作为未定义点。
在激光点云分类为上述四类后 , 将进一步应用 L IDAR数据过滤方法对非地面点进行分类 , 分为建筑 物和植被等等 。
在阶层式分类过程中 , 由于 L IDAR 数据是空间 分布的不规则的激光点云 , 在地物比较密集和相互交 错的位置难以将其正确的分类 , 会伴随着误分类点 , 因此在利用上述特征提取方法分类时 , 一般同时需要 伴随着人工手工的操作来修正某些分类的结果 。
光雷达数据过滤算法 , 提出了激光雷达点云数据的阶层式分类策略 , 并将基于航拍影像数据进行着色 后的机载激光雷达点云数据作为研究对象 , 对其应用激光雷达数据过滤算法进行阶层式分类 。实验结 果表明 , 此种方法能有效地对大部分地物信息进行过滤和分类 。 【关键词 】激光雷达 ; 数据过滤 ; 阶层式分类 ; 航拍影像 【中图分类号 】TP751 【文献标识码 】A 【文章编号 】100922307 (2008) 0120103203
对于着色后的 L IDAR 点云数 据 进行 区 域分 割 , 将大的地形区域分成多个小的区域 , 使每个小区域具 有相似的空间特征和连续的地形表面 , 并按照下述的 原则进行第一层次的数据过滤和点云分类 。
①极高于或极低于密集点云的稀疏点一般过滤为 噪声点 ; ②若一块表面高于它的所有邻接表面 , 则此 表面为地面上物体 (例如房屋 、植被等 ) 而非地面点 ;
第 33卷第 1期 2008年 1月
测绘科学 Science of Surveying and M app ing
Vol133 No11 J an1
机载激光雷达点云的阶层式分类
曾齐红 , 毛建华 , 李先华 , 刘学锋
(上海大学通信与信息工程学院 遥感与空间信息科学研究中心 ,上海 200072) 【摘 要 】激光雷达是一种快速获得高密度高精度的三维数字地面信息的新技术 。本文介绍了几种激
作者简介 : 曾齐红 ( 19802) , 女 , 博 士研究生 , 主要从事 L IDAR 数据分 析与处理和 GIS研究 。 E2mail: z_ qihong@ sina1com1cn
收稿日期 : 2006211215 基金 项 目: 国 家 自 然 科 学 基 金 (40401050, 60670253) ; 上海市重点 学科建设项目 ( T0102) ; 上海市博士 后专项基金 (05R214123, 06R214129)
近些年已经提出了一些 L IDAR 数据的特征提取和 数据过滤的算法 , 将激光点云进行分类 , 从而生成需 要的数字地形产品。1998年 , Kraus and Pfeifer提出了 适合森林和山地地形的激光点云的特征提取的过滤方 法 , 采用线性最小二乘内插法过滤非地面点 , 从而生 成数字地面模型 (DTM ) [2 ] 。在一些文献中也利用区域增 长算法 [1]来进行植被和建筑物的分类。基于数学形态学 过滤 [3]方法也被应用于 DTM的生成中 , 通过逐渐增加过 滤的窗口尺度和高度差等阈值来过滤植被、建筑物和车 辆等非地面数据。Haugerud and Harding(2001) 通过比较 局部曲率方法在森林地区提取树木 , 在不规则三角网 ( TIN)中反复去除垂直树木的方法建立 DTM[4] 。
图 3 L IDAR点云数据 本试验中的特征提取采用以上多种过滤方法结合 使用 。首先 , 采用 TIN 过滤分离较高的非地面点 , 再 采用平面拟合过滤方法分离余下与地面具有高度差的 非地面点 , 再利用多项式曲面拟合过滤方法过滤临近 地面的非地面点 。特征提取的部分过程见图 4所示 。
图 4 特征提取的部分过程 采用的过滤方法主要为 : TIN 过滤 , TIN ( Eleva2 tion 3, Edge 1, Iteration 3) ; TIN ( Elevation 1, Edge 3,
DO I: 1013771 / j1 issn1100922307120081011032
1 引言
激光 雷 达 ( L IDAR , L ight Detection And Ranging) 是近年来广泛应用的快速精确获得地面三维数字信息 的有效技术 , 该系统是由激光扫描仪 ( laser scanner) 、 高精度惯性导航系统 ( INS)和全球定位系统 ( GPS)组 成 [1 ] , 系统示意图参见图 1。通过记录激光扫描仪向 地面发射脉冲到传感器接收脉冲的间隔时间以及飞机 的位置和方位 , 来计算地面点的位置和高度 。应用激 光雷达技术能以三维激光点云的形式记录飞行路径上 的数字地面信息 , 然后通过计算和处理可以获得多种 精确的数字产品 , 如数字地面模型 (DTM ) 、数字表面 模型 (DSM ) 、数字城市模型 (DCM ) 等 , 因此激光雷 达数据处理方法正在被广泛的研究中 。
由于地形复杂多变 , 某一种过滤算法难以完成各种
地物特征的提取 , 必须根据不同的地形特征采用不同的
过滤算法 , 因此必须将多种过滤算法有机地结合在一起。
因此 , 本文
借鉴了已有的特
征提取和过滤算
法 , 提出了激光
点云数据的阶层
式分类的策略。
文中采用基于航
拍影像数据进行
着色后的机载激
光雷达点云数据 作为研究对象 ,
4 实验
本论文中的 L IDAR 数据和航拍影像数据取自于 L iteMapper5600机载激光雷达系统 , 激光点云的密度 为 015～3points/m2 , 实验区域选择了具有裸露地表 、 大面积植被和建筑物的地形 。原始激光点云数据 、航 拍影像数据和融合后的高程数据显示见图 3所示 。
© 1994-2010 China Acase. All rights reserved.
第 1期 曾齐红等 机载激光雷达点云的阶层式分类
105
Iteration 1) ; TIN ( Elevation 5, Edge 1, Iteration 3) , 过 滤结果见图 4a; 平面拟合过滤 , Planar filter ( Elevation
2) 平面拟合过滤 ( p lanar2fitting filter) : 平面拟合 过滤用一个具有 3行 3列网格的平面重复地测量激光 雷达点云数据 , 通过设定网格单元的大小和数据点高 度阈值等参数 , 将落在平面中心单元格的数据点分到 某类中 。这种伪多项式的过滤方法对平滑地面是非常
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
③若一块表面低于它的所有邻接表面 , 则此表面为地 面点 ; ④将一个表面视为比较平滑和连续的表面 , 则 任意相邻的两点的斜率都不能超过给定的阈值 ; ⑤对 于一个不完全高于或不完全低于它所有邻接表面的物 体表面 , 过滤的方法则依靠它与相邻表面的连接方式 (垂直或倾斜 ) 以及与相邻表面的位置关系 。若该表 面大于给定的倾斜阈值 , 则视为非地面点 ; ⑥对于极 难过滤的点可视为未定义的其他点 。
图 2 阶层式分类的工作流程图
本文在 L IDAR 数据结构的选取上 , 采用了利用 数字航拍影像数据着色后的激光点云数据 , 借助于航 拍影像数据的地形地貌和颜色特征有助于对 L IDAR 点云数据进行分类 。早 在 1999 年 Norbert Haala and Claus B renner就提出了采用激光扫描数据与彩色航拍 影像的融合方法对数据进行分析和分类 [5 ] 。
3 阶层式分类策略
阶层式分类策略是利用 L IDAR数据过滤方法对 L I2 DAR点云数据进行分层次的过滤和分类 , 首先逐层过 滤掉非地面点 , 提取出光秃地面 , 将激光点云分类为 地面点、非地面点、噪声点和未定义点 ; 然后再对非地 面点进行进一步过滤和分类 , 提取出非地面点的各种地 物信息 , 例如建筑物、植被和车辆等等 , 同时也伴随着 未定义点的提取。阶层式分类的工作流程见图 2。
图 1 激光雷达系统示意图